精准农田识别是农作物估产和粮食安全评估的基础.遥感数据作为农田识别的重要数据源,可提供动态、快速的监测结果.高光谱数据在农田识别分类方面具有巨大的应用潜力,但其中的冗余波段影响了分类效率和分类精度.因此,本研究提出了一种适用于高光谱数据农田分类的混合式特征选择算法.首先,基于变量的重要性排序或约束程度,按步长逐步进行降维;其次,寻找分类精度骤减的转折点,并将其对应的变量作为特征子集;最后,利用序列后向选择SBS(Sequential Backward Selection)方法搜索最优分类特征子集.本研究利用GF-5高光谱数据,共研究了 3种降维方法(随机森林RF(Random Forest)、互信息MI(Multi-Information)和L1正则化(L1 regularization))和3种分类算法(随机森林、支持向量机SVM(Support Vector Machine)和K近邻KNN(K-Nearest Neighbor))的组合在农田分类中的表现.结果表明,基于L1正则化法得到的特征子集自相关性较低,并且包含的红边和近红外波段有效提高了农田、森林和裸土的区分度.在不同分类模型比较中发现,SVM在高维空间中表现出非常好的抗噪能力,分类精度高于RF和KNN.而RF在低维空间中的泛化能力要高于SVM和KNN.相比于第一步降维得到的特征子集,使用SBS搜索得到的最优特征子集均提高了分类精度.最终,具有23维输入的L1-SVM-SBS分类模型得到了最高的总体分类精度(94.64％)和农田召回率(95.83％).本研究为高光谱数据特征优选提供了一种新思路,筛选出了更具代表性的特征波段,提高了农田分类精度,对高光谱遥感分类研究具有参考价值.

农田识别;高分五号;特征选择;高光谱遥感;L1正则化;后向序列选择

陈珠琳;贾坤;李强子;肖晨超;魏丹丹;赵祥;魏香琴;姚云军;李娟

北京师范大学地理科学学部遥感科学国家重点实验室,北京100875;北京师范大学北京市陆表遥感数据产品工程技术研究中心,北京100875;中国科学院空天信息创新研究院,北京100101;自然资源部国土卫星遥感应用中心,北京100048

遥感学报

[1]陈珠琳;贾坤;李强子;肖晨超;魏丹丹;赵祥;魏香琴;姚云军;李娟-.基于混合式特征选择的高分五号影像农田识别)[J].遥感学报,2022(07):1383-1394

农田识别,后向序列选择

混合式特征选择,高分五号,农作物估产,安全评估,遥感数据,重要数据,数据源,监测结果,高光谱数据,识别分类,余波,分类精度,田分,特征选择算法,重要性排序,步长,骤减,转折点,特征子集,序列后向选择,SBS,Sequential,Backward,Selection,分类特征,研究利用,GF,共研,降维方法,RF,Random,Forest,互信息,MI,Multi,Information,L1,正则化,regularization,分类算法,Support,Vector,Machine,近邻,KNN,Nearest,Neighbor,自相关性,红边,近红外波段,裸土,区分度,分类模型,模型比较,高维空间,低维空间,泛化能力,第一步,优特,召回率,数据特征,特征优选,特征波段,高光谱遥感,遥感分类,分类研究

0.358861