王川 常升龍 武喜紅

摘要 隨著國家振興農(nóng)業(yè)口號的提出，我國農(nóng)業(yè)現(xiàn)代化又將迎來一個新的歷史機遇。高精尖的現(xiàn)代化科技對于農(nóng)業(yè)發(fā)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(yīng)用于遙感影像分類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)

中圖分類號 S127 文獻標(biāo)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(shù)據(jù)具備高時效、高覆蓋率、客觀性強等特點，是當(dāng)下農(nóng)業(yè)監(jiān)測體系中非常重要的數(shù)據(jù)來源[1]。祁亨年[2]在SVM原理基礎(chǔ)上分別從人臉檢測、語音識別等方面綜述了SVM的應(yīng)用研究；崔玉環(huán)等[3]利用面向?qū)ο蠓诸惤沂境?000年以來某地區(qū)冬小麥的種植規(guī)律；范 磊等[4]將NDVI融入對象幾何特征從而構(gòu)建決策樹來提取冬小麥種植結(jié)構(gòu)；研究證明，遙感技術(shù)對于農(nóng)作物產(chǎn)量的估算有著獨特的優(yōu)勢[5]，農(nóng)田及農(nóng)作物遙感識別對農(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)測農(nóng)作物種植情況對作物產(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)處理與分類流程

本例所選數(shù)據(jù)為臺前縣城關(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到系統(tǒng)的要求（≥1.90）。計算可分離性并反復(fù)修改，最終選取各類樣本30個左右。

2 結(jié)果與精度驗證

利用SVM分類器進行分類后，最終的分類結(jié)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(shù)）。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(shù)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(jié)論與展望

本例中，分類目標(biāo)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(shù)為0.941 6，均達到了預(yù)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(jié)構(gòu)，可以為下一步監(jiān)測各種作物長勢、估算面積和估產(chǎn)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(yīng)用研究綜述[J].計算機工程，2004（10）：6-9.

[3] 崔玉環(huán)，王杰，姚夢園.基于面向?qū)ο蠓诸惖亩←湻N植面積遙感監(jiān)測：以淮北市臨渙礦區(qū)為例[J].安徽農(nóng)業(yè)大學(xué)學(xué)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?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積[J].中國農(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)遙感提取研究進展[J].中國農(nóng)業(yè)科學(xué)，2015，48（10）：1900-1914.