南方农业学报

作者：刘珊珊, 刀剑, 郑舒元,

关键词：农作物, GF-2影像, Sentinel-2影像, 影像融合, 类型识别, 决策树,

【目的】基于GF-2 PAN影像与Sentinel-2 MSI影像的融合影像，提出逐级分层提取策略的农作物类型识别方法，为复杂种植区域的农作物分类研究提供技术支撑。【方法】以云南省曲靖市麒麟区沿江街道的主要种植区域为研究区，分别获取GF-2 MSI数据、GF-2 PAN数据与Sentinel-2 MSI数据，通过不同融合方法对原始数据进行融合，基于决策树提取农作物种植区域，然后经分类波段选取、植被指数选取、基于ReliefF的纹理特征优选及基于ESP2的最优分割尺度判别筛选，确定出最优分类配置，再利用支持向量机（SVM）、随机森林分类（RF）、最邻近算法分别对提取得到的种植区域进行面向对象分类。【结果】综合融合影像评价，可选用PCA融合法及db3小波法、Sym3小波法和Coif5小波法获得的融合影像进行农作物分类操作。在最优分类特征配置（DVI+Red-3+B-信息熵+NIR-协同性+G-协同性+　B-协同性+SWIR2-协同性+R-协同性+SWIR1-协同性+G-信息熵+SWIR2-信息熵）下，基于eCognition 9.0软件，选用SVM、RF及最邻近算法对种植区域不同农作物进行分类，结果发现以Coif5小波法结合RF分类的总体分类精度最高（90.42%），Kappa系数为0.8739；不同农作物中以葡萄及其他地物的分类精度相对较高，蔬菜的分类精度次之，小麦和豆类的分类精度相对较低。【结论】经Coif5小波法融合得到的影像效果最佳，将其结合BSI、EIBI、WI2015与KT变换湿度分量构建决策树，再与ReliefF+DVI+Red-3结合RF分类器的不同农作物面向对象分类模型拥有较好的分类性能，即基于融合影像计算获得的纹理特征、光谱特征、波段特征能对复杂种植区域不同农作物进行有效识别，通过对大面积无关地物进行掩膜能减少误分现象，而红边波段及DVI的引入使得融合影像在不同农作物识别中更具优势。

来源：2026年第2期

《南方农业学报》期刊编辑部

查看南方农业学报杂志2026年第2期