王川 常升龍 武喜紅

摘要 隨著國(guó)家振興農(nóng)業(yè)口號(hào)的提出，我國(guó)農(nóng)業(yè)現(xiàn)代化又將迎來(lái)一個(gè)新的歷史機(jī)遇。高精尖的現(xiàn)代化科技對(duì)于農(nóng)業(yè)發(fā)展必不可少，支持向量機(jī)（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(lèi)器應(yīng)用于遙感影像分類(lèi)可提升遙感影像解譯精度，節(jié)省人工以及降低獲取數(shù)據(jù)的成本。

關(guān)鍵詞 SVM；ENVI；遙感；種植結(jié)構(gòu)

中圖分類(lèi)號(hào) S127 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 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(shù)據(jù)具備高時(shí)效、高覆蓋率、客觀性強(qiáng)等特點(diǎn)，是當(dāng)下農(nóng)業(yè)監(jiān)測(cè)體系中非常重要的數(shù)據(jù)來(lái)源[1]。祁亨年[2]在SVM原理基礎(chǔ)上分別從人臉檢測(cè)、語(yǔ)音識(shí)別等方面綜述了SVM的應(yīng)用研究；崔玉環(huán)等[3]利用面向?qū)ο蠓诸?lèi)揭示出2000年以來(lái)某地區(qū)冬小麥的種植規(guī)律；范 磊等[4]將NDVI融入對(duì)象幾何特征從而構(gòu)建決策樹(shù)來(lái)提取冬小麥種植結(jié)構(gòu)；研究證明，遙感技術(shù)對(duì)于農(nóng)作物產(chǎn)量的估算有著獨(dú)特的優(yōu)勢(shì)[5]，農(nóng)田及農(nóng)作物遙感識(shí)別對(duì)農(nóng)業(yè)生態(tài)研究和農(nóng)業(yè)政策發(fā)展十分重要[6]，監(jiān)測(cè)農(nóng)作物種植情況對(duì)作物產(chǎn)量估算、農(nóng)業(yè)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(nóng)作物種植結(jié)構(gòu)是掌握作物種植信息的前提，更是進(jìn)行種植結(jié)構(gòu)調(diào)整的依據(jù)[8]。胡 瓊等[9]討論和展望了未來(lái)農(nóng)作物種植結(jié)構(gòu)遙感提取研究的發(fā)展方向。

1 數(shù)據(jù)處理與分類(lèi)流程

本例所選數(shù)據(jù)為臺(tái)前縣城關(guān)鎮(zhèn)2016年9月1日的GF-2遙感衛(wèi)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(xùn)練樣本（或者ROI），使樣本的可分離性達(dá)到系統(tǒng)的要求（≥1.90）。計(jì)算可分離性并反復(fù)修改，最終選取各類(lèi)樣本30個(gè)左右。

2 結(jié)果與精度驗(yàn)證

利用SVM分類(lèi)器進(jìn)行分類(lèi)后，最終的分類(lèi)結(jié)果見(jiàn)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(shù)）。計(jì)算式如下：

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

Kappa Coefficient=0.941 6。

本例中，分類(lèi)精度表中的“Overall Accuracy”為60 390/63 219=95.525 1%，Kappa系數(shù)為0.941 6。以玉米地為例，其錯(cuò)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(jié)論與展望

本例中，分類(lèi)目標(biāo)地物主要為玉米、花生和大豆等。利用混淆矩陣進(jìn)行精度驗(yàn)證，最后得出分類(lèi)總體精度為95.525 1%，Kappa系數(shù)為0.941 6，均達(dá)到了預(yù)期。同時(shí)，也較完整地提取出了玉米、花生和大豆3種作物的種植結(jié)構(gòu)，可以為下一步監(jiān)測(cè)各種作物長(zhǎng)勢(shì)、估算面積和估產(chǎn)提供支持。

4 參考文獻(xiàn)

[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(jī)及其應(yīng)用研究綜述[J].計(jì)算機(jī)工程，2004（10）：6-9.

[3] 崔玉環(huán)，王杰，姚夢(mèng)園.基于面向?qū)ο蠓诸?lèi)的冬小麥種植面積遙感監(jiān)測(cè)：以淮北市臨渙礦區(qū)為例[J].安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，44（6）：1078-1083.

[4] 范磊，程永政，王來(lái)剛，等.基于多尺度分割的面向?qū)ο蠓诸?lèi)方法提取冬小麥種植面積[J].中國(guó)農(nóng)業(yè)資源與區(qū)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(quán)文婷，王釗.冬小麥種植面積遙感提取方法研究[J].國(guó)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(shù)據(jù)的農(nóng)作物種植結(jié)構(gòu)提取[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2014，35（1）：21-26.

[9] 胡瓊，吳文斌，宋茜，等.農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展[J].中國(guó)農(nóng)業(yè)科學(xué)，2015，48（10）：1900-1914.