李颖

(1.中国气象局 河南省农业气象保障与应用技术重点实验室，郑州 450003；2.河南省气象科学研究所，郑州 450003)

1 引 言

近年来，田间杂草识别研究普遍利用RGB相机影像或多光谱影像基于机器视觉开展[1-2]。由于此类方法利用的光谱信息有限，主要借助形状特征进行识别，当杂草与作物形态相似时，很难取得理想的识别精度。成像光谱技术的诞生使光学遥感进入了一个崭新的阶段，解决了传统遥感科学领域“成像无光谱”和“光谱不成像”的历史问题[3]。在田间杂草识别研究中，使用成像光谱技术能够细致、全面地获取田间不同种类植物的光谱特征，以像元为识别单元时可以取得令人满意的识别精度[4]。

遥感数据的分类识别算法众多，其中，SVM算法不受“维数灾难”的影响，在小样本学习、学习效率、抗噪声性能、推广性等方面表现优秀，近年来得到了广泛的应用[5-7]。Pal和Mather[8]应用SVM对DAIS高光谱数据进行分类，结果表明，无论在高维特征空间还是利用降维后的特征，SVM算法的分类精度普遍高于其他算法。Melgani和Bruzzone[9]将SVM算法用于AVIRIS高光谱数据的分类实验，证明了使用RBF核函数的SVM分类精度高于RBF人工神经网络、K-最近邻法等。

本研究利用地面成像光谱仪获取田间影像，鉴于SVM算法的优越性，将SVM算法用于成像光谱数据田间杂草识别。在高空间分辨率成像光谱数据中，地物光谱存在较强的不确定性，加之田间作物杂草的光谱通常较为相近，使得仅使用原始光谱特征进行杂草识别时的精度受到制约。……