基于不同机器学习的农作物遥感分类与精度评价研究——以新疆维吾尔自治区阜康市为例

作者：张旭辉; 玉素甫江·如素力; 仇忠丽; 亚夏尔·艾斯克尔; 阿卜杜热合曼·吾斯曼

来源：新疆师范大学学报(自然科学版), 2022, 41(03): 17-28.

DOI：10.14100/j.cnki.1008-9659.2022.03.010

• 机器学习
• Sentinel-2
• 农作物分类
• See5.0
• 分类与回归树
• 随机森林

为及时准确地获取干旱区农作物种植信息，确保干旱区粮食安全和保障农业可持续发展，文章以多时相Sentinel-2影像和野外采样为主要数据源，依据新疆阜康市农作物物候特征，提取不同时期的农作物植被指数，并按时间顺序进行统计，建立植被指数时序变化曲线，并对其特征进行分析。使用See5.0决策树算法、分类与回归树（CART）算法和随机森林（RF）算法开展农作物遥感分类研究，用传统精度评价指标和破碎度指标对分类结果进行比较、分析和验证。结果表明：See5.0算法的总体精度为93.15%，高于RF算法（84.35%）和CART算法（78.26%）,Kappa系数的关系为See5.0(0.8856)>RF(0.8020)>CART(0.7441),See5.0算法的总体精度和Kappa系数均最高，表明See5.0算法的分类结果与实际作物类型及分布状况具有较好的一致性；See5.0算法对阜康市农作物的制图精度均超过85%，制图结果清晰，地块内均匀一致，没有明显的“椒盐”噪声；See5.0算法相较于RF(10.25%)和CART(17.40%)算法，分类后的农作物样方破碎度最低，为5.54%，分类效果最好。综上，See5.0机器学习算法可以实现高精度遥感农作物制图，更适合在绿洲区进行农作物高精度遥感分类与动态监测研究。

• 单位
  新疆师范大学