基于SVM的农作物种植结构遥感提取研究

王川 常升龙 武喜红

摘要 随着国家振兴农业口号的提出，我国农业现代化又将迎来一个新的历史机遇。高精尖的现代化科技对于农业发展必不可少，支持向量机（SVM）是比较成熟的算法。研究证明，在ENVI中合成此算法作为分类器应用于遥感影像分类可提升遥感影像解译精度，节省人工以及降低获取数据的成本。

关键词 SVM；ENVI；遥感；种植结构

中图分类号 S127 文献标识码 A 文章编号 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

遙感因其数据具备高时效、高覆盖率、客观性强等特点，是当下农业监测体系中非常重要的数据来源[1]。祁亨年[2]在SVM原理基础上分别从人脸检测、语音识别等方面综述了SVM的应用研究；崔玉环等[3]利用面向对象分类揭示出2000年以来某地区冬小麦的种植规律；范 磊等[4]将NDVI融入对象几何特征从而构建决策树来提取冬小麦种植结构；研究证明，遥感技术对于农作物产量的估算有着独特的优势[5]，农田及农作物遥感识别对农业生态研究和农业政策发展十分重要[6]，监测农作物种植情况对作物产量估算、农业资源管理甚至粮食安全的政策制定都有着重要的意义[7]。

了解农作物种植结构是掌握作物种植信息的前提，更是进行种植结构调整的依据[8]。胡 琼等[9]讨论和展望了未来农作物种植结构遥感提取研究的发展方向。

1 数据处理与分类流程

本例所选数据为台前县城关镇2016年9月1日的GF-2遥感卫星PMS2传感器的3.2 m和0.8 m分辨率影像。

用同样条件下的0.8 m分辨率影像辅助选取训练样本（或者ROI），使样本的可分离性达到系统的要求（≥1.90）。计算可分离性并反复修改，最终选取各类样本30个左右。

2 结果与精度验证

利用SVM分类器进行分类后，最终的分类结果见图1，其精度如表1所示（表中只列出了玉米、花生和大豆3种作物的指数）。计算式如下：

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

Kappa Coefficient=0.941 6。

本例中，分类精度表中的“Overall Accuracy”为60 390/63 219=95.525 1%，Kappa系数为0.941 6。以玉米地为例，其错分误差为195/857 8=2.27%，漏分误差为343/8 726=3.93%，制图精度是8 383/8 726=96.07%，用户精度是8 383/8 578=97.73%。

3 结论与展望

本例中，分类目标地物主要为玉米、花生和大豆等。利用混淆矩阵进行精度验证，最后得出分类总体精度为95.525 1%，Kappa系数为0.941 6，均达到了预期。同时，也较完整地提取出了玉米、花生和大豆3种作物的种植结构，可以为下一步监测各种作物长势、估算面积和估产提供支持。

4 参考文献

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

[2] 祁亨年.支持向量机及其应用研究综述[J].计算机工程，2004（10）：6-9.

[3] 崔玉环，王杰，姚梦园.基于面向对象分类的冬小麦种植面积遥感监测：以淮北市临涣矿区为例[J].安徽农业大学学报，2017，44（6）：1078-1083.

[4] 范磊，程永政，王来刚，等.基于多尺度分割的面向对象分类方法提取冬小麦种植面积[J].中国农业资源与区划，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] 权文婷，王钊.冬小麦种植面积遥感提取方法研究[J].国土资源遥感，2013，25（4）：8-15.

[8] 刘克宝，刘述彬，陆忠军，等.利用高空间分辨率遥感数据的农作物种植结构提取[J].中国农业资源与区划，2014，35（1）：21-26.

[9] 胡琼，吴文斌，宋茜，等.农作物种植结构遥感提取研究进展[J].中国农业科学，2015，48（10）：1900-1914.