不同样本集划分策略对农作物遥感分类精度的影响

农作物分布的提取精度对于后续的农田参数反演和作物单产估算等均具有深刻的影响,而农作物分类识别过程中,训练样本的准确性和数量对其最终分类结果的影响是至关重要的。针对样本较少且分布不均匀的问题,通过实地标识和目视解译2种方式构建农作物分类样本数据集,设计5种样本数据集构建方案:方案(1)全部采用实测样点(70%训练、30%验证);方案(2)全部采用目视解译样点(70%训练、30%验证);方案(3)实测样点与目视样点分别选取相同比例的训练样本与验证样本,再结合构建训练样本集与验证样本集(70%训练、30%验证);方案(4)目视解译样点作为训练样本,实测样点作为验证样本;方案(5)目视样点与实测样点选取相同数量的样本进行结合构建样本集(70%训练、30%验证)。研究不同方案下的农作物遥感分类精度。结果表明,除方案(4)外,(1)(2)(3)(5)4种样本数据集划分方案的整体精度均在95%以上,分类结果较好,表明采用目视解译补充样本点,可以有效解决样本点较少和分布不均匀的情况。方案(3)作为研究区作物识别提取的最佳分类方案,总体精度达到97.6%,Kappa系数达到0.970,且玉米、水稻、大豆单类精度均超过97%,表明目视解译样点与实测样点分别选取训练样本与验证样本再结合构建训练样本集与验证样本集,不仅可以提升分类结果的精度,而且可以提高分类结果的真实性、准确性。

我来编辑部开会啦

受邀开会 “啊？邀请你们这帮小孩儿去编辑部开座谈会？你们能谈个啥？”妈妈说这些话时，撇着嘴，眼睛瞪得圆圆的，脸上写着“不可思议”和“不屑一顾”。