基于SVM的農作物種植結構遙感提取研究

王川 常升龍 武喜紅

摘要 隨著國家振興農業口號的提出，我國農業現代化又將迎來一個新的歷史機遇。高精尖的現代化科技對于農業發展必不可少，支持向量機（SVM）是比較成熟的算法。研究證明，在ENVI中合成此算法作為分類器應用于遙感影像分類可提升遙感影像解譯精度，節省人工以及降低獲取數據的成本。

關鍵詞 SVM；ENVI；遙感；種植結構

中圖分類號 S127 文獻標識碼 A 文章編號 1007-5739（2018）13-0230-02

Study on Remote Sensing Extraction of Crop Planting Structure Based on SVM

WANG Chuan 1 CHANG Sheng-long 1 WU Xi-hong 2

（1 School of Computer and Information Engineering，Henan Normal University，Xinxiang Henan 453007； 2 Henan Academy of Agricultural Sciences）

Abstract With the proposal of revitalizing agriculture，the modernization of agriculture in China will usher in a new historical opportunity. The advanced modern science and technology is essential for agriculture development. Support vector machine（SVM）is a relatively mature algorithm.This algorithm is synthesized in ENVI and applied to remote sensing image classification as a classifier，to realize remote sensing information extraction for crop planting structure that can improve the accuracy of remote sensing image interpretation，save labor and reduce the cost of data acquisition.

Key words SVM；ENVI；remote sensing；planting structure

遙感因其數據具備高時效、高覆蓋率、客觀性強等特點，是當下農業監測體系中非常重要的數據來源[1]。祁亨年[2]在SVM原理基礎上分別從人臉檢測、語音識別等方面綜述了SVM的應用研究；崔玉環等[3]利用面向對象分類揭示出2000年以來某地區冬小麥的種植規律；范 磊等[4]將NDVI融入對象幾何特征從而構建決策樹來提取冬小麥種植結構；研究證明，遙感技術對于農作物產量的估算有著獨特的優勢[5]，農田及農作物遙感識別對農業生態研究和農業政策發展十分重要[6]，監測農作物種植情況對作物產量估算、農業資源管理甚至糧食安全的政策制定都有著重要的意義[7]。

了解農作物種植結構是掌握作物種植信息的前提，更是進行種植結構調整的依據[8]。胡 瓊等[9]討論和展望了未來農作物種植結構遙感提取研究的發展方向。

1 數據處理與分類流程

本例所選數據為臺前縣城關鎮2016年9月1日的GF-2遙感衛星PMS2傳感器的3.2 m和0.8 m分辨率影像。

用同樣條件下的0.8 m分辨率影像輔助選取訓練樣本（或者ROI），使樣本的可分離性達到系統的要求（≥1.90）。計算可分離性并反復修改，最終選取各類樣本30個左右。

2 結果與精度驗證

利用SVM分類器進行分類后，最終的分類結果見圖1，其精度如表1所示（表中只列出了玉米、花生和大豆3種作物的指數）。計算式如下：

Overall Accuracy=60 390/63 219=95.525 1%；

Kappa Coefficient=0.941 6。

本例中，分類精度表中的“Overall Accuracy”為60 390/63 219=95.525 1%，Kappa系數為0.941 6。以玉米地為例，其錯分誤差為195/857 8=2.27%，漏分誤差為343/8 726=3.93%，制圖精度是8 383/8 726=96.07%，用戶精度是8 383/8 578=97.73%。

3 結論與展望

本例中，分類目標地物主要為玉米、花生和大豆等。利用混淆矩陣進行精度驗證，最后得出分類總體精度為95.525 1%，Kappa系數為0.941 6，均達到了預期。同時，也較完整地提取出了玉米、花生和大豆3種作物的種植結構，可以為下一步監測各種作物長勢、估算面積和估產提供支持。

4 參考文獻

[1] GEBBERS ROBIN，ADAMCHUK VIACHESLAV I.Precision agriculture and food security[J].Science，2018，327（5967）：828.

[2] 祁亨年.支持向量機及其應用研究綜述[J].計算機工程，2004（10）：6-9.

[3] 崔玉環，王杰，姚夢園.基于面向對象分類的冬小麥種植面積遙感監測：以淮北市臨渙礦區為例[J].安徽農業大學學報，2017，44（6）：1078-1083.

[4] 范磊，程永政，王來剛，等.基于多尺度分割的面向對象分類方法提取冬小麥種植面積[J].中國農業資源與區劃，2010，31（6）：44-51.

[5] SUMANTA KUMAR DAS，RANDHIR SINGH.A multiple-frame approa-ch to crop yield estimation from satellite-remotely sensed data[J].International Journal of Remote Sensing，2013，34（11）：3803-3819.

[6] ATZBERGER C.Advances in remote sensing of agriculture：Context description，existing operational monitoring systems and major inform-ation needs[J].Remote Sensing，2013，5（2）：949-981.

[7] 權文婷，王釗.冬小麥種植面積遙感提取方法研究[J].國土資源遙感，2013，25（4）：8-15.

[8] 劉克寶，劉述彬，陸忠軍，等.利用高空間分辨率遙感數據的農作物種植結構提取[J].中國農業資源與區劃，2014，35（1）：21-26.

[9] 胡瓊，吳文斌，宋茜，等.農作物種植結構遙感提取研究進展[J].中國農業科學，2015，48（10）：1900-1914.