利用支持向量机和随机森林模型，在青桐峡灌溉区构建了一个用于耕地和作物分类的层次化框架

《Scientific Reports》：A hierarchical framework for cropland and crop classification in the Qingtongxia irrigation district using support vector machine and random forest models

　　

摘要

在干旱灌溉区，准确分类耕地和作物类型对于农业管理至关重要，但由于作物之间的光谱相似性以及非耕地背景的干扰，这一任务仍然具有挑战性。为了解决这些问题，本研究利用Google Earth Engine平台上的Sentinel-2时间序列数据，开发了一个用于耕地和作物类型制图的层次化框架。该框架采用了两阶段策略：首先利用基于多时相光谱特征和指数的支持向量机（SVM_RBF）来划定耕地范围；随后在耕地范围内，结合物候驱动的时间特征，使用随机森林（RF）模型进行作物分类。通过使用Sentinel-2影像（分辨率为10米）和青同峡灌溉区的实地验证样本，所提出的方法在耕地分类方面的总体准确率达到94.61%。与现有的高分辨率土地覆盖产品相比，耕地面积的过度估计现象减少了9.7%（而现有产品的过度估计率通常在17%至19%之间）。对于玉米和水稻等主要作物，分类准确率超过了86%，比单阶段分类方法提高了5%至10%。此外，本研究还对生成的耕地地图与现有的高分辨率土地覆盖产品进行了系统比较，指出了这些产品在应用于异质灌溉区环境时可能遇到的挑战。总体而言，本研究为改善复杂灌溉环境中的作物制图提供了一个可解释且实用的框架。