基于改進(jìn)SVM算法的典型作物分類方法研究

賈銀江，姜 濤，蘇中濱，孔慶明，張蕭譽(yù)，施玉博

（1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱 150030；2.國(guó)網(wǎng)哈爾濱供電公司，哈爾濱 150000）

傳統(tǒng)農(nóng)作物種植結(jié)構(gòu)提取主要以統(tǒng)計(jì)報(bào)表和抽樣調(diào)查為主，存在主觀性強(qiáng)、時(shí)效性差、作業(yè)效率低等問題[1-2]。遙感技術(shù)為大區(qū)域農(nóng)作物種植結(jié)構(gòu)提取提供技術(shù)手段，具有宏觀、快速特點(diǎn)，特別是衛(wèi)星遙感具有獨(dú)特優(yōu)勢(shì)，可提供不同時(shí)間、空間和光譜分辨率影像數(shù)據(jù)，國(guó)產(chǎn)GF-1衛(wèi)星與其他衛(wèi)星如Landsat、Sentinel-2等相比具有更高空間分辨率及更短重訪周期，在農(nóng)作物種植結(jié)構(gòu)提取方面應(yīng)用前景廣闊[3-4]。

作物在物候期不同時(shí)段內(nèi)遙感影像差異明顯，基于作物在遙感影像上光譜值隨時(shí)間變化特性，實(shí)現(xiàn)作物類別分類提取[5]。植被指數(shù)在作物分類及長(zhǎng)勢(shì)監(jiān)測(cè)等方面廣泛應(yīng)用，研究表明，基于時(shí)序植被指數(shù)作物遙感分類方法可實(shí)現(xiàn)作物對(duì)象有效區(qū)分。汪小欽等以Landsat系列影像為數(shù)據(jù)源，構(gòu)建NDVI和第一主成分時(shí)間序列反映物候差異，采用時(shí)間加權(quán)動(dòng)態(tài)時(shí)間規(guī)劃法對(duì)香梨、小麥、辣椒和棉花等作物分類，分類精度為82.68%[6]。Singha等利用MODIS數(shù)據(jù)識(shí)別水稻種植區(qū)，分類精度為84.4%[7]。劉佳等以HJ-1 A/B衛(wèi)星為數(shù)據(jù)源，利用時(shí)序影像獲取NDVI時(shí)間序列作為分類特征，對(duì)春玉米、夏玉米、棉花和冬小麥等作物分類，分類總體精度達(dá)90.9%[8]。常布輝等以GF1-WFV影像為數(shù)據(jù)源，構(gòu)建NDVI時(shí)間序列，利用諧波分析法對(duì)NDVI時(shí)間序列平滑處理，采用DT和SVM結(jié)合方法作耕地提取，整體精度達(dá)到92.24%[9]。以上研究多采用單一植被指數(shù)序列作為分類特征，對(duì)多個(gè)植被指數(shù)結(jié)合使用較少，地物區(qū)分難度較大，易出現(xiàn)漏分、錯(cuò)分情況；分類算法方面多采用傳統(tǒng)SVM、RF、DT等算法，分類精度較低。

黑龍江省哈爾濱市阿城區(qū)域內(nèi)主要作物為玉米和水稻，也少量種植大蒜和白菜，大蒜是阿城區(qū)特色作物，與玉米交叉混種現(xiàn)象極為普遍，除以上作物外，研究區(qū)還有建筑用地、水體、草地、林地、灌叢等對(duì)象，其中，建筑用地和水體與作物植被指數(shù)差異明顯，易實(shí)現(xiàn)區(qū)分，但草地、林地、灌叢等對(duì)象僅利用單一植被指數(shù)分類難以取得理想效果。

為此，本文選用NDVI、NDWI、EVI、RVI植被指數(shù)結(jié)合方式，以GF1-WFV影像為數(shù)據(jù)源構(gòu)建植被指數(shù)時(shí)間序列，采用SVM分類器[10-11]，對(duì)研究區(qū)內(nèi)主要作物分類并評(píng)價(jià)分類結(jié)果。針對(duì)SVM算法參數(shù)選擇主觀性較強(qiáng)問題，引入AMPSO算法優(yōu)化SVM，提升SVM分類器分類精度，為作物遙感監(jiān)測(cè)及農(nóng)業(yè)精準(zhǔn)管理提供參考。

1 研究區(qū)及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)為黑龍江省哈爾濱市阿城區(qū)，地處東經(jīng) 126°40'～127°39'，北緯 45°10'～45°50'，總面積2 452 km2，南北最大距離為84 km，東西最大距離為75 km，城區(qū)面積28.85 km2，研究區(qū)域概況如圖1所示。阿城區(qū)為半山區(qū)，地勢(shì)東高西低，屬于寒溫帶大陸性季風(fēng)氣候，一年四季變化明顯。春季升溫快伴有大風(fēng)天氣，發(fā)生干旱；夏季時(shí)間較短較炎熱且降水較多；秋季溫度回落快，易出現(xiàn)霜凍現(xiàn)象；冬季時(shí)間較長(zhǎng)且寒冷。年平均氣溫為3.4℃，7月份最熱，平均氣溫為22.7℃，最高氣溫為36.5℃，1月份最冷，平均氣溫為-19.8℃，最低氣溫為-34.2℃。年日照時(shí)間約2 550 h，活動(dòng)積溫2 300～2 600℃，年降水量580～600 mm，無霜期日數(shù)162 d。

1.2 數(shù)據(jù)源

1.2.1 衛(wèi)星遙感數(shù)據(jù)

高分一號(hào)（GF-1）衛(wèi)星是國(guó)產(chǎn)第一顆高分辨率對(duì)地觀測(cè)衛(wèi)星，搭載4臺(tái)寬幅多光譜相機(jī)（WFV）幅寬可達(dá)800 km，WFV傳感器共設(shè)置4個(gè)波段，包括 藍(lán)（0.45～0.52 μm）、 綠（0.52～0.59 μm）、 紅（0.63～0.69 μm）、近紅外（0.77～0.89 μm），空間分辨率達(dá)到16 m，重訪周期為4 d。研究對(duì)象主要為水稻、玉米、大蒜、白菜等作物，為觀測(cè)作物生育期影像變化，選擇2018年4月～10月GF-1/WFV遙感影像為研究數(shù)據(jù)，剔除云層遮擋無法使用影像數(shù)據(jù)，共獲取9景遙感影像數(shù)據(jù)（見表1）。

表1 研究區(qū)衛(wèi)星影像數(shù)據(jù)Table 1 Satellite image data in the study area

1.2.2 實(shí)地樣本數(shù)據(jù)

2018年6月～7月，在研究區(qū)開展外業(yè)實(shí)地調(diào)查，結(jié)果發(fā)現(xiàn)，研究區(qū)內(nèi)地物主要有建筑用地、林地、灌叢、草地，作物主要有水稻、玉米、大蒜、白菜和少量其他作物。該地區(qū)大蒜4月上旬開始種植，7月上旬收割，7月中下旬在原大蒜種植區(qū)域種植白菜，10月收割，實(shí)地樣本數(shù)據(jù)僅采集到大蒜樣本點(diǎn)，雖缺少白菜樣本數(shù)據(jù)，但由于大蒜與白菜在空間位置重疊，7月28日后影像中，白菜位置坐標(biāo)可用大蒜樣本標(biāo)識(shí)。由于大蒜和白菜2種作物總物候期與玉米、水稻物候期大致相同，故本文將大蒜和白菜在時(shí)間上作為兩種作物，而在空間上作為一種作物討論，后文將以“大蒜/白菜”表示。

根據(jù)研究區(qū)內(nèi)作物種植特點(diǎn)，本文主要提取玉米、水稻和大蒜/白菜分類數(shù)據(jù)，其他作物在研究區(qū)內(nèi)分布面積較小，歸并到其他植被類。因此，本研究中將地物類別分為水稻、玉米、大蒜/白菜、水體、建筑用地和其他植被6類。實(shí)地?cái)?shù)據(jù)采集時(shí)采用華測(cè)導(dǎo)航HCE320對(duì)研究區(qū)地物定位標(biāo)記，同時(shí)記錄分類對(duì)象類型并拍攝照片。共采集樣本數(shù)據(jù)1 244個(gè)，各地物類別及樣本數(shù)量如表2所示。

表2 實(shí)地樣本數(shù)據(jù)Table 2 Samples data in the field

2 研究方法

將選取黑龍江省哈爾濱市阿城區(qū)域GF-1/WFV遙感影像作預(yù)處理，計(jì)算特征變量后構(gòu)建特征變量數(shù)據(jù)集，結(jié)合實(shí)地采集數(shù)據(jù)樣本集輸入至SVM分類器和基于AMPSO改進(jìn)SVM分類器中作分類識(shí)別，得出分類結(jié)果，并根據(jù)驗(yàn)證集作分類精度評(píng)價(jià)，具體流程如圖2所示。

2.1 遙感影像預(yù)處理

遙感影像預(yù)處理工作在ENVI5.3軟件中實(shí)現(xiàn)。主要處理步驟包括幾何粗校正、輻射定標(biāo)、大氣校正和幾何精校正。幾何粗校正，根據(jù)GF-1/WFV影像自帶 RPC（Rational polynomial coefficient）文件對(duì)時(shí)間序列每幅原始影像加以幾何粗校正；輻射定標(biāo)，依據(jù)資源衛(wèi)星應(yīng)用中心提供輻射定標(biāo)系數(shù)將圖像數(shù)字量化值轉(zhuǎn)化為輻射亮度值；大氣校正，利用ENVIFlaash模塊實(shí)現(xiàn)大氣校正，獲取地物真實(shí)光譜反射率數(shù)據(jù)信息；幾何精校正，根據(jù)地面實(shí)測(cè)控制點(diǎn)數(shù)據(jù)，采用二次多項(xiàng)式模型予以幾何精校正，再利用精校正影像對(duì)其他影像校正，校正誤差控制在1個(gè)像元以內(nèi)，以滿足影像處理要求。

2.2 植被指數(shù)選擇與計(jì)算

光譜植被指數(shù)廣泛應(yīng)用于農(nóng)作物分類與識(shí)別、長(zhǎng)勢(shì)監(jiān)測(cè)與產(chǎn)量估算等方面，本文根據(jù)研究區(qū)內(nèi)作物特征及光譜反射率情況，選擇可反映植被覆蓋度歸一化植被指數(shù)NDVI，對(duì)水體信息比較敏感歸一化水指數(shù)NDWI，反映作物綠度情況比值植被指數(shù)RVI，具有校正土壤背景和氣溶膠散射影響增強(qiáng)植被指數(shù)EVI，作為研究區(qū)內(nèi)主要作物分類特征指數(shù)并構(gòu)建時(shí)間序列。根據(jù)預(yù)處理后得到影像光譜反射數(shù)據(jù)，計(jì)算4種植被指數(shù)，計(jì)算公式如下。

式中，ρNIR、ρRED、ρBLUE、ρGREEN分別為近紅外波段、紅波段、藍(lán)波段、綠波段反射率；G為增益因子，取值為2.5[12]；C1、C2分別為大氣修正紅光、藍(lán)光校正參數(shù)，取值為6和7.5[12]；L為土壤調(diào)節(jié)參數(shù)，取值為1[12]。

2.3 植被指數(shù)時(shí)間序列構(gòu)建

根據(jù)9景GF-1/WFV時(shí)序影像光譜數(shù)據(jù)，分別計(jì)算NDVI、NDWI、EVI、RVI 4種植被指數(shù)值，每種植被指數(shù)生成9景影像，結(jié)合實(shí)地采集研究區(qū)作物樣本數(shù)據(jù)，將每景植被指數(shù)影像中各類作物樣本點(diǎn)對(duì)應(yīng)值求和后取平均值，得到各時(shí)期各地物4種植被指數(shù)值，構(gòu)建研究區(qū)4～10月整個(gè)物候期內(nèi)植被指數(shù)時(shí)間序列。

2.4 地物分類

使用SVM分類器對(duì)作物分類提取，SVM分類器已廣泛應(yīng)用于遙感影像分類和作物種植結(jié)構(gòu)提取研究，是一種廣義線性分類器，引入結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理和最優(yōu)化理論在樣本空間尋找超平面，引入核函數(shù)后，可將非線性數(shù)據(jù)映射到高維空間線性劃分，具有適應(yīng)性強(qiáng)、全局優(yōu)化和泛化性能優(yōu)良等優(yōu)點(diǎn)。

SVM分類器核函數(shù)參數(shù)和懲罰因子選取直接影響分類器分類精度，而對(duì)遙感影像分類時(shí)不易確定最優(yōu)核函數(shù)參數(shù)和懲罰因子，針對(duì)此情況，引入AMPSO算法優(yōu)化SVM分類器。AMPSO算法克服粒子群算法早熟收斂，易得到局部最優(yōu)解缺陷，通過變異操作，改變粒子前進(jìn)方向，跳出局部最優(yōu)點(diǎn)，可找到全局最優(yōu)解[13]。將SVM分類器中核函數(shù)參數(shù)和懲罰因子設(shè)為AMPSO優(yōu)化算法中粒子，即可找到最優(yōu)參數(shù)值，提升SVM分類器分類效果。

將生成4種植被指數(shù)9個(gè)時(shí)間序列共計(jì)36景影像融合，在獲取1 244個(gè)實(shí)地采集樣本中，根據(jù)各地物樣本數(shù)量，隨機(jī)按照7∶3比例[14]，將樣本點(diǎn)分為訓(xùn)練集和驗(yàn)證集，其中訓(xùn)練集樣本870個(gè)，驗(yàn)證集樣本374個(gè)，將融合后影像與訓(xùn)練集樣本分別輸入優(yōu)化前后SVM分類器中分類，得到分類結(jié)果。

2.5 精度評(píng)價(jià)

遙感分類精度評(píng)價(jià)一般通過比較分類圖像與參考圖像一致性反映分類結(jié)果?；煜仃囀亲顬槌Ｓ靡环N精度評(píng)價(jià)方法，在混淆矩陣中精度評(píng)價(jià)參數(shù)主要包括總體分類精度、制圖精度、用戶精度和Kappa系數(shù)[15-16]。本文基于實(shí)地采集數(shù)據(jù)劃分驗(yàn)證集，通過混淆矩陣驗(yàn)證分類精度。

總體分類精度為正確分類像元數(shù)與總像元數(shù)比值；制圖精度為像元被正確分為某類數(shù)量與該類總像元數(shù)之比；用戶精度為正確分到某類像元數(shù)與分類器將像元分為該類像元總數(shù)之比；Kappa系數(shù)是基于混淆矩陣衡量精度方法，計(jì)算公式如下:

其中，k為kappa系數(shù)，P0為實(shí)際一致率，Pe為理論一致率。

3 結(jié)果與分析

3.1 作物植被指數(shù)變化分析

基于GF-1/WFV影像數(shù)據(jù)，結(jié)合研究區(qū)域作物物候特征，構(gòu)建4種植被指數(shù)時(shí)間序列變化曲線，如圖3所示。玉米與水稻播種期在4月末至5月中旬，因此4月4日和4月28日玉米種植區(qū)域4種植被指數(shù)值接近裸地狀態(tài)，由于水稻插秧前需對(duì)稻田灌水，因此NDVI、EVI值略有下降；大蒜播種期是4月上中旬，同期大蒜種植區(qū)DNVI、EVI值略高于玉米和水稻。5月19日玉米處在出苗期，水稻處于插秧期，4種植被指數(shù)值變化差異細(xì)微；此時(shí)大蒜處于分瓣期，NDVI、EVI值緩慢上升，NDWI值緩慢下降。6月12日玉米開始分葉，水稻進(jìn)入分蘗拔節(jié)期，NDVI、EVI值開始上升，水稻EVI值上升速度明顯高于玉米，可有效區(qū)分兩種作物；大蒜進(jìn)入蒜薹伸長(zhǎng)期與鱗莖膨大期，NDVI值也開始上升，但NDWI值開始下降，與水稻和玉米時(shí)序曲線差異明顯，可實(shí)現(xiàn)與玉米和水稻有效區(qū)分。7月28日玉米處于抽雄吐絲期，水稻處于抽穗期，兩種作物NDVI、EVI、RVI值迅速上升，NDWI值迅速下降，此時(shí)水稻RVI值明顯高于玉米，可通過該植被指數(shù)區(qū)分水稻和玉米兩種作物；由于大蒜在7月上旬已收割，7月中下旬時(shí)，該地區(qū)接茬白菜，因此在7月28日影像中，NDVI、EVI和RVI值明顯低于玉米和水稻，NDWI值高于玉米和水稻。8月22日，水稻處于楊花灌漿期，其NDVI、EVI、RVI值開始回落，NDWI值開始回升；玉米到達(dá)灌漿期，4種植被指數(shù)趨勢(shì)與水稻大致相同，但回落速度明顯慢于水稻，其中EVI、RVI最為明顯，可以此區(qū)分這兩種作物；此時(shí)接茬大蒜白菜處于生長(zhǎng)發(fā)育期，植被指數(shù)呈上升趨勢(shì)，但NDVI、RVI值明顯低于玉米和水稻，可以此區(qū)分白菜。9月19日玉米和水稻均處于灌漿成熟期，玉米NDVI、EVI值明顯高于水稻，而白菜EVI、RVI值均明顯高于玉米和水稻，幾種作物可實(shí)現(xiàn)有效區(qū)分。10月1日白菜NDVI值與EVI值達(dá)到最高，明顯高于其他作物，而其他幾種作物植被指數(shù)值均呈迅速回落趨勢(shì)。10月18日幾種作物均到收獲時(shí)節(jié)，植被指數(shù)值較接近，差異較小。

此外，對(duì)其他幾種非作物地物分類時(shí)，水體與植被差異很大，可由NDVI、NDWI、EVI明顯區(qū)分。建筑用地在整個(gè)物候期時(shí)序曲線整體變化趨于穩(wěn)定，也可通過幾種植被指數(shù)區(qū)分。其他植被，主要包括林區(qū)、草地和小面積其他作物等，其中林區(qū)分布較為集中，除作物生長(zhǎng)高峰期外，其他時(shí)期幾種植被指數(shù)值均高于作物，易區(qū)分；而草地和其他作物分布較零散，可通過NDVI對(duì)低植被覆蓋具有增強(qiáng)作用和EVI對(duì)高植被覆蓋具有高敏感性特點(diǎn)，實(shí)現(xiàn)與大面積種植主要作物有效區(qū)分。

3.2 分類結(jié)果

將植被指數(shù)融合后影像與訓(xùn)練樣本集分別輸入至SVM分類器和AMPSO-SVM分類器中，根據(jù)樣本集NDVI、EVI、RVI、NDWI 4種植被指數(shù)對(duì)研究區(qū)作物分類提取，利用ArcMap軟件對(duì)4種分類器分類結(jié)果制圖，研究區(qū)內(nèi)地物空間分布如圖4～5所示。

對(duì)比圖4和圖5可見，分類器分類結(jié)果與當(dāng)?shù)貙?shí)際數(shù)據(jù)具有較高吻合度。阿城區(qū)東部為山區(qū)，基本被林地覆蓋，道路兩旁開辟出少量耕地，且由于水源和地勢(shì)限制僅種植玉米，玉米呈零星分布。作物種植區(qū)主要集中在西部平原地區(qū)及城區(qū)周圍，水稻種植一般分布于河流沿岸，阿城區(qū)水稻種植于阿什河兩岸，如圖中藍(lán)色帶狀區(qū)域，大多與玉米相鄰；大蒜/白菜大多集中分布在城中區(qū)東南部，少量與玉米混種在其他區(qū)域；種植量最大作物為玉米，其中混有少量其他作物。

3.3 精度評(píng)價(jià)

本研究中使用實(shí)地采集374個(gè)樣本點(diǎn)對(duì)SVM分類器和AMPSO-SVM分類器分類結(jié)果實(shí)施精度驗(yàn)證。驗(yàn)證樣本點(diǎn)包含玉米108個(gè)、水稻99個(gè)、大蒜/白菜71個(gè)、水體23個(gè)、建筑用地44個(gè)和其他植被29個(gè)。計(jì)算得到2種分類器混淆矩陣見表3～4。

由表3可見，SVM分類器已取得較為理想分類結(jié)果，在選取374個(gè)驗(yàn)證樣本集中，被正確分類樣本個(gè)數(shù)為340個(gè)。玉米驗(yàn)證樣本總量為108個(gè)，其中有96個(gè)被正確分類；水稻驗(yàn)證樣本總量為99個(gè)，91個(gè)被正確分類；大蒜/白菜驗(yàn)證樣本總量為71個(gè)，61個(gè)被正確分類；水體驗(yàn)證樣本總量為23個(gè)，22個(gè)被正確分類；建筑用地驗(yàn)證樣本總量為44個(gè)，均被正確分類；其他植被驗(yàn)證樣本總量為29個(gè)，26個(gè)被正確分類。最終總體分類精度為90.91%，Kappa系數(shù)為0.8851。水稻制圖精度和用戶精度均超過90%，玉米制圖精度和用戶精度均低于90%，大蒜/白菜制圖精度僅有85.92%。

由表4可知，使用AMPSO算法優(yōu)化SVM分類器后，玉米驗(yàn)證樣本正確分類個(gè)數(shù)增加5個(gè)、水稻驗(yàn)證樣本正確分類個(gè)數(shù)增加4個(gè)、大蒜/白菜驗(yàn)證樣本正確分類個(gè)數(shù)增加4個(gè)。從優(yōu)化前后精度對(duì)比結(jié)果可見，優(yōu)化后分類器總體分類精度比優(yōu)化前SVM分類器提升3.48%，Kappa系數(shù)提升0.0436，玉米制圖精度和用戶精度分別提升4.36%和3.77%，水稻制圖精度和用戶精度分別提升4.04%和2.15%，大蒜/白菜制圖精度提升5.63%。對(duì)于作物玉米和水稻而言，優(yōu)化后模型得到分類地塊完整程度明顯更高，避免誤分現(xiàn)象。

對(duì)比圖4～5分類結(jié)果與表3～4混淆矩陣計(jì)算結(jié)果可見，水稻整體分類效果最好，僅少量被誤分為玉米和其他植被；大蒜/白菜部分誤分到玉米中，因與玉米混種，在交界處形成混合像元造成誤分，少量誤分到建筑用地中，或因7月上旬大蒜收割后，未及時(shí)接茬白菜，導(dǎo)致相應(yīng)區(qū)域植被指數(shù)值接近裸地，造成誤分；玉米種植面積最大，且與其他植混種較多，故玉米主要被誤分入大蒜/白菜和其他植被。

表3 SVM分類器地物識(shí)別混淆矩陣Table 3 Confusion matrix of crops recognition based on SVM classifier

表4 AMPSO-SVM分類器地物識(shí)別混淆矩陣Table 4 Confusion matrix of crops recognition based on AMPSO-SVM classifier

4 結(jié)論

本文以黑龍江省哈爾濱市阿城區(qū)為研究區(qū)域，以多景GF-1/WFV遙感影像為數(shù)據(jù)源，構(gòu)建覆蓋作物完整生長(zhǎng)期NDVI、NDWI、EVI、RVI共4種植被指數(shù)時(shí)間序列，結(jié)合實(shí)地采集樣本數(shù)據(jù)，采用SVM分類器對(duì)研究區(qū)作物分類識(shí)別，并提出使用自適應(yīng)變異粒子群算法優(yōu)化SVM分類器，構(gòu)建AMPSO-SVM分類器，探索改進(jìn)后分類器分類效果。

a.基于GF-1/WFV遙感影像計(jì)算得到4種植被指數(shù)NDVI、NDWI、EVI、RVI可描述研究區(qū)內(nèi)不同作物不同時(shí)期生長(zhǎng)狀態(tài)，4種植被指數(shù)時(shí)間序列組合，準(zhǔn)確表達(dá)各地物動(dòng)態(tài)變化過程，有效識(shí)別研究區(qū)內(nèi)各地物。

b.玉米和水稻生育期與大蒜/白菜差異較大，植被指數(shù)時(shí)間序列曲線差異明顯，容易區(qū)分；玉米與水稻生育期接近，光譜信息相似，區(qū)分難度較大，但光譜指數(shù)增長(zhǎng)與回落趨勢(shì)不同，借助NDVI、RVI和EVI可實(shí)現(xiàn)有效區(qū)分。

c.使用SVM分類器對(duì)研究區(qū)作物分類，分類結(jié)果較為理想。表明基于GF-1/WFV遙感影像構(gòu)建4種植被指數(shù)時(shí)間序列混合使用可作為分類器分類特征，實(shí)現(xiàn)作物較高精度分類。SVM分類器總體分類精度為90.91%，Kappa系數(shù)為0.8851，表明SVM分類器適用于大區(qū)域遙感影像作物分類。

d.采用自適應(yīng)變異粒子群算法優(yōu)化SVM分類器，構(gòu)建AMPSO-SVM分類器，分類效果得到明顯提升。確定當(dāng)核函數(shù)參數(shù)為0.135，懲罰因子為221.67時(shí)，分類效果最佳，總體分類精度達(dá)到94.39%，Kappa系數(shù)為0.9287，對(duì)比優(yōu)化前SVM分類器，分類精度提升3.48%，Kappa系數(shù)提高0.0436。

e.GF-1/WFV影像具有寬覆蓋特征，幅寬高達(dá)800 km，同時(shí)具有較高空間分辨率及較短重訪周期，使用其影像數(shù)據(jù)作為分類數(shù)據(jù)源，可達(dá)到理想分類精度，為大區(qū)域作物分類提供數(shù)據(jù)支撐，具有參考價(jià)值。