基于高分二号图像的农作物识别研究文献综述

农作物识别是农业遥感领域的重要研究方向，对于农业资源监测、产量估算和灾害预警等方面具有重要意义。

高分二号(GF-2)卫星作为我国高分辨率对地观测系统的重要组成部分，具备高空间分辨率、高时间分辨率和高光谱分辨率的特点，为精准农作物识别提供了数据基础。

本文针对基于GF-2图像的农作物识别研究进行综述，首先介绍了GF-2数据特点、农作物识别概念及常用评价指标，然后从光谱特征、纹理特征、几何形状特征和多特征融合等方面归纳了农作物特征提取方法，并总结了支持向量机、随机森林、深度学习等农作物识别方法，最后对GF-2图像农作物识别研究进行总结和展望。

关键词：高分二号；农作物识别；特征提取；机器学习；深度学习

农作物识别是指利用遥感技术获取农作物信息，并根据其光谱、纹理、几何形状等特征，将其从其他地物中区分出来的过程。

准确识别农作物类型和种植面积对于农业生产管理、资源监测、灾害预警等方面具有重要意义[1]。

高分二号(GF-2)卫星是我国自主研发的首颗空间分辨率优于1米的民用光学遥感卫星，其搭载的高分辨率相机具备亚米级空间分辨率、高时间分辨率和高光谱分辨率的特点，能够获取更加精细的农作物信息，为精准农作物识别提供了数据基础[2-3]。

利用GF-2图像进行农作物识别，能够有效提高识别精度和效率，为农业生产提供更加科学的决策依据。

农作物识别常用的评价指标包括总体精度(OverallAccuracy,OA)、生产者精度(ProducerAccuracy,PA)、用户精度(UserAccuracy,UA)以及Kappa系数等。

其中，OA是指正确分类的样本数占总样本数的比例，PA是指某一类地物被正确分类的样本数占该类地物总样本数的比例，UA是指被分类为某一类地物的样本中真正属于该类地物的样本数占该类地物总样本数的比例，Kappa系数则是衡量分类结果与随机分类结果之间差异的一种指标[4]。