基于高光谱数据的农作物分类

摘要

利用高光谱数据进行农作物种植结构信息提取有利于农业的精细化管理。然而高光谱数据存在波段相关性强以及分类计算量大等问题，因此以雄安新区高光谱影像为数据源使用数据降维来解决此类问题，同时比较了主成分分析(Principal Component Analysis, PCA)、最小噪声分离(Minimum Noise Fraction, MNF)和独立成分分析(Independent Component Analysis, ICA)这三种降维方法的分类精度，结果显示采用最小噪声分离总体精度最高，达到81.56%。在分类方法上使用最大似然分类(Maximum Likelihood Classification, MLC)、支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF)三种分类方法，结果显示在高光谱农作物分类方法中，RF的总体精度和Kappa系数最高，分别为81.56%和0.80。RF分类图经过平滑去噪处理后，总体精度达到90.53%,Kappa系数为0.90。最终得出基于MNF和RF结合的高光谱农作物分类方法的精度最优，使用平滑去噪可进一步提高精度。

关键词

高光谱 / 数据降维 / 机器学习 / 农作物分类 / 最小噪声分离