郭 交 李仪邦 董思意 张伟涛

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100；2.陕西省农业信息感知与智能服务重点实验室， 陕西杨凌 712100；3.西安电子科技大学先进遥感技术研究院， 西安 710071)

0 引言

通过遥感技术对农作物进行精准分类，对于指导农业生产具有重要的意义。在遥感技术方面，涌现出普通光学遥感、多光谱遥感、微波遥感等一系列遥感技术。其中高光谱遥感技术作为一种新型的对地观测方法，相较于普通光学遥感，具有空间信息与光谱信息合一、光谱分辨率高的特点，可提供丰富的观测信息，进而实现精准的作物参数反演、病虫害检测、作物估产与精细分类。高光谱遥感技术逐渐在农业遥感及精准农业领域获得了广泛的应用[1-4]。

高光谱遥感地物分类的过程中，原始光谱数据维度高，若直接使用完整的原始光谱信息进行分类，会导致Hughes现象[5]，严重影响高光谱遥感影像地物分类的精度。此外，在大尺度的高光谱影像地物分类任务中，难以完整获取准确的地面真实分布信息，存在训练样本过少的问题，无法有效地发挥神经网络技术的分类能力。如何有效利用原始影像数据中丰富的光谱信息，在尽可能使用少量的训练样本下提升分类精度，同时避免Hughes现象，成为研究热点[6]。对于传统的高光谱影像，地物分类方法都采用先降维后分类的处理思路。在高光谱影像特征降维方面，通常采用主成分分析(Principal component analysis，PCA)、独立分量分析(Independent component analysis，ICA)等算法[7-8]进行特征降维，但这类方法仅利用了光谱信息，没有利用空间信息。……