基于高分二号数据的小麦快速识别与精度分析

文献类型： 中文期刊

第一作者： 郭燕

作者： 郭燕;贺佳;王利军;段俊枝;武喜红;王来刚;刘婷;张红利;郑国清;程永政

作者机构：

关键词： GF-2;小麦;识别;支持向量机;人工神经网络;最大似然

期刊名称： 河南农业科学

ISSN： 1004-3268

年卷期： 2018 年 10 期

页码： 143-148

收录情况： 北大核心 ; CSCD

摘要： 针对目前高分二号(GF-2)卫星遥感数据在农业领域应用较少,尤其是在农作物识别方面应用缺乏的现象,以GF-2 4 m多光谱遥感影像为数据源,在河南省北部小麦主要种植区域濮阳县,采用监督分类方法(包括支持向量机、人工神经网络和最大似然法)进行小麦种植空间分布信息的快速提取和精度分析。结果表明,3种分类方法对小麦的识别结果非常相似,生产者精度均在96%以上,以支持向量机法最高;用户精度均在98%以上,以最大似然法最高; Kappa系数三者比较接近,均在0. 80以上;总体精度均在82%以上,以最大似然法最高,达85. 15%;错分误差在2%以下,漏分误差在3%左右,对地物的识别误差总体以最大似然法最低,尤其对小麦、水体、光伏电站的识别精度非常高。综合考虑,在采用GF-2进行小麦识别时,建议采用最大似然法。

分类号： S512.1`S127

  • 相关文献

[1]基于高分二号数据的小麦快速识别与精度分析. 郭燕,贺佳,王利军,段俊枝,武喜红,王来刚,刘婷,张红利,郑国清,程永政. 2018

[2]以地块分类为核心的冬小麦种植面积遥感估算. 顾晓鹤,潘耀忠,何馨,黄文江,张竞成,王慧芳. 2010

[3]基于Sentinel-2数据的水稻面积提取方法比较分析. 麦丽素,乌兰吐雅. 2019

[4]基于人工神经网络的昆虫鸣声识别. 赖凤香,傅强,张志涛,程登发. 2005

[5]不同模型在渔业CPUE标准化中的比较分析. 杨胜龙,张禹,张衡,樊伟. 2015

[6]牛行为监测技术及分类方法研究进展. 郭阳,陈桂鹏,丁建,严志雁,梁华. 2020

[7]基于近红外光谱的纽荷尔脐橙产地识别研究. 廖秋红,何绍兰,谢让金,钱春,胡德玉,吕强,易时来,郑永强,邓烈. 2015

[8]基于机器学习的地方鸡产蛋曲线拟合探索. 郭军,曲亮,邵丹,窦套存,王强,李永峰,王星果,胡玉萍,童海兵. 2024

[9]基于监督局部线性嵌入算法的玉米田间杂草识别. 阎庆,梁栋,张东彦. 2013

[10]基于图像灰度直方图特征的草莓病虫害识别. 牛冲,牛昱光,李寒,郑文刚,卜云龙,周增产. 2017

[11]基于支持向量机的野生蘑菇近红外识别模型. 刘洋,王涛,左月明. 2016

[12]基于最优二叉树支持向量机的蜜柚叶部病害识别. 张建华,孔繁涛,李哲敏,吴建寨,陈威,王盛威,朱孟帅. 2014

[13]用神经网络和高光谱植被指数估算小麦生物量. 王大成,王纪华,靳宁,王芊,李存军,黄敬峰,王渊,黄芳. 2008

[14]记录小麦SSR带型的快捷方法. 王立新,赵昌平,邱军,李宏博,葛玲玲,孙辉,姚骥. 2006

[15]基于超像素分割的田间小麦穗数统计方法. 杜颖,蔡义承,谭昌伟,李振海,杨贵军,冯海宽,韩东. 2019

[16]江淮地区小麦主要病虫害的识别与防治. 张彩丽. 2014

[17]小麦中后期草地贪夜蛾为害特征观察. 张智,林培炯,陈智勇,巴吐西,姜玉英,穆常青,郭书臣,王绍林,卢润刚,祁俊锋,张云慧. 2021

[18]人工神经网络在海洋科学中的应用. 吴风霞,李纯厚,戴明. 2009

[19]不同利用方式下土壤有机质和全磷的可见近红外高光谱反演. 薛利红,周鼎浩,李颖,杨林章. 2014

[20]遗传神经网络在稻米垩白度检测中的应用研究. 黄星奕,吴守一,方如明,罗玉坤. 2003

作者其他论文 更多>>

微信小程序