《表3 多光谱影像农作物分类特征选取》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《无人机遥感的农作物精细分类研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：RGRI为红绿比值指数，NDRE为归一化红边指数，CVI为叶绿素植被指数，GSAVI为绿色土壤调节植被指数，RDVI为再归一化差值植被指数，NDVIR-edge为红边归一化植被指数，RVI为比值植被指数，DVI为差值植被指数，PVI为垂直植被指数，NDGI为归一化差异绿度指数，OSAVI为优化土壤调

多光谱影像农作物分类选取的分类特征主要有光谱特征和空间特征。在光谱特征的选取方面，由于农作物的光谱特征差异在近红外波段更明显，因此国内外学者多使用农作物在各波段的反射率、波段反射率统计量（均值、方差、标准差等）和植被指数开展农作物分类研究。如Stroppiana[43]等利用低空无人机搭载了高分辨率多光谱相机对稻田杂草进行监测，使用各波段光谱反射率、归一化植被指数NDVI(Normalized difference vegetation index）、土壤调节植被指数SAVI(Soil-adjusted vegetation index）等多种植被指数和纹理特征进行分类，结果表明基于植被指数的分类效果好，总体分类精度为96.50%。空间特征主要包括影像中地物的纹理、形态、上下文、结构等特征。随着影像空间分辨率的提高，地物的空间特征信息得到加强，因此，众多学者尝试将各种空间特征用于农作物分类研究以改善分类效果。如Pe?a[42]等基于六波段多光谱影像，选取光谱、上下文和形态学特征对西班牙玉米试验田的杂草进行制图研究，最终以86%的总精度成功绘制了3种杂草类型覆盖图。B?hler[44]等从无人机可见光和多光谱影像中提取了均值、标准差、信息熵等纹理特征参数，结合形态学特征对苏黎世州瑞士高原的玉米、甜菜、谷物、草地、油菜籽进行分类，总体分类精度为86.30%。表3列出了近年来国内外使用无人机多光谱影像进行农作物分类所选取的特征。从表3可以看出，现有研究大多使用光谱特征结合空间特征进行多光谱影像农作物分类研究，分类精度较高；仅使用空间特征用于多光谱影像农作物分类研究很少，分类精度较低。由此可见，光谱特征在多光谱影像农作物分类研究中发挥着重要作用。