CN107085705B - 一种特征选择的森林参数遥感估测方法 - Google Patents
一种特征选择的森林参数遥感估测方法 Download PDFInfo
- Publication number
- CN107085705B CN107085705B CN201710190338.1A CN201710190338A CN107085705B CN 107085705 B CN107085705 B CN 107085705B CN 201710190338 A CN201710190338 A CN 201710190338A CN 107085705 B CN107085705 B CN 107085705B
- Authority
- CN
- China
- Prior art keywords
- forest
- remote sensing
- rmse
- optimal
- estimation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种高效特征选择的森林参数遥感估测方法,所述高效特征选择是指为最近邻法k‑NN(k‑nearest neighbor)在森林参数遥感估测的应用中提高获得最优特征组合的效率,其特征在于,包括以下步骤,从森林资源样地调查数据(样地数为n)和遥感影像(影像包含m个特征)中提取训练数据F,以留一法交叉验证相应的k最近邻法即k‑NN估测模型反演的森林参数的均方根误差RMSE最小为原则,通过依次迭代选取遥感特征获得最优特征子集Fs,通过最优特征子集Fs优化区域森林参数的k‑NN估测模型以实现森林参数遥感估测。
Description
技术领域
本发明属于森林参数遥感定量估测领域,特别是一种高效特征选择的森林参数遥感估测方法,所述高效特征选择是指为最近邻法k-NN(k-nearest neighbor)在森林参数遥感估测的应用中提高获得最优特征组合的效率。
背景技术
基于遥感的森林参数(如生物量、蓄积量、叶面积指数等)估测是指通过数学手段,在遥感、计算机技术和数学或物理模型驱动下,利用遥感影像特征判读数据,结合少量的地面调查资料或地面临时样地资料,建立森林调查数据和遥感影像之间的数学或物理机理模型。此领域已有大量研究表明,结合多源遥感数据及其派生的纹理、植被指数等遥感特征因子可以提高森林参数定量估测精度。但随着遥感特征因子数据维度的提升,会带来信息冗余进而产生维度灾难,使分析和处理变得复杂,若不通过一定的方法进行特征选择,甚至会降低森林结构参数定量估测精度。因此,解决如何从海量的遥感特征组合中高效选取优化的特征进行建模成为森林参数估测的首要问题,即特征选择问题。
特征选择是指,从一组数量为m的特征中去除冗余或不相关特征,并选取数量为n(n≤m)的一组最优特征。当前特征选择方法主要分为如下几类:第一类是穷举法,穷举法是指遍历特征空间中所有特征组合,选取最优特征组合子集的方法。假设特征个数为m时,计算复杂度为O(2m),其优点在于一定能得到最优子集,但在实际应用中由于特征空间通常较为庞大,时间耗费和计算复杂度太大,导致实用性不强;第二类是随机法,该方法随机产生一批特征子集,根据一定的评价函数给这些特征子集评分,并选取评价函数值最高的特征子集。常用的方法有LVF(Las Vegas Filter)算法、遗传算法、模拟退火算法等;第三类是启发法,启发式方法为一种近似算法,通过采用期望的人工机器调度规则,重复迭代产生递增的特征子集,特征个数为N时,其复杂度一般小于O(m2)。
上述方法都可以在一定程度上实现特征选择,但在森林参数遥感定量估测这一研究领域,特征选择这一问题研究较少。虽然已有研究学者提出一些特征选择方法,如Pearson相关系数、随机森林(RF)算法等,但这些方法稳健性不够,且需人为选取参数,不仅操作复杂、费时,而且特征选择结果受主观因素影响大。因此,为了实现基于遥感的森林参数高精度估测,并能有效选取森林参数相关特征,需要研究新的针对森林参数遥感定量估测的自动、高效、稳定的特征选择方法。
发明内容
本发明针对现有技术中存在的缺陷或不足,提供一种高效特征选择的森林参数遥感估测方法,所述高效特征选择是指为最近邻法k-NN(k-nearest neighbor)在森林参数遥感估测的应用中提高获得最优特征组合的效率。
本发明的技术方案如下:
一种高效特征选择的森林参数遥感估测方法,其特征在于,包括以下步骤,从森林资源样地调查数据(样地数为n)和遥感影像(影像包含m个特征)中提取训练数据F,以留一法交叉验证相应的k最近邻法即k-NN估测模型反演的森林参数的均方根误差RMSE最小为原则,通过依次迭代选取遥感特征获得最优特征子集Fs,通过最优特征子集Fs优化区域森林参数的k-NN估测模型以实现森林参数遥感估测。
所述F={f1,f2,...,fm},fp=[xp1,xp2,...,xpn]T,式中1≤p≤m,xpi为第i个样地对应第p个特征所在影像像元的像元值,1≤i≤n,T为矩阵的转置。
初始化最优特征子集Fs为空,即初始最优特征子集Fs=null;初始化最优模型均方根误差为RMSEO。
依次利用特征{f1,Fs},{f2,Fs},...,{fi-1,Fs},{fi+1,Fs},...,{fm,Fs},其中fi∈F-Fs,建立森林参数的k-NN估测模型,则共得到m-s个k-NN估测模型及每个模型对应的RMSE,s为最优特征子集的特征个数。
所述RMSE采用留一法交叉验证计算得到,即每次从n个样地中不重复地抽取一个样地i,利用剩余的n-1个样地采用k-NN法估测样地i的森林参数值重复该过程共n次;设样地i的森林参数值为yi,n次共得到n对(yi),
确定最优RMSE,即RMSE最小值,若最优RMSE<RMSEO则将最优RMSE值赋给RMSEO,将最优RMSE对应的特征子集赋给Fs以进行下一轮迭代运算,反之迭代结束。
迭代结束后,利用迭代运算获得的最优特征子集得到最优遥感特征组合结合k-NN模型进行区域森林参数反演。
所述Wp,pi权重值与待估像元特征向量xp到样地像元特征向量xpi距离dp,pi成反比,即:
所述距离dp,pi通过以下公式求得:
所述最优遥感特征组合是指RMSE最小时所对应的特征子集Fs,在具体应用中,最优特征子集有所不同。
本发明的技术效果如下:本发明一种高效特征选择的森林参数遥感估测方法,针对利用高维度遥感特征因子进行森林参数估测数据维度高,信息冗余,易造成估测模型过拟合等问题,从高维度遥感特征因子中高效优化特征组合,优化区域森林地上生物量k-NN估测模型。KNN-FIFS通过留一交叉验证,可以最大程度的利用样地数据并排除随机分配训练和检验样本带来的随机误差,其估测结果是渐进无偏的。同时,KNN-FIFS方法可以实现高效特征选择。设特征数为m,则共计产生可能的特征组合数为(其中为m从个特征中取出n个不同的特征进行组合)。而对于KNN-FIFS,通过其迭代机制,该方法仅由至多次特征组合即可完成特征选择。如图2所示,随特征数的增加特征组合数几何式急速增加,KNN-FIFS方法仍可以小数量级的特征组合次数完成特征寻优,从而极大的提升特征选择效率。
本发明具有如下优势:1)减少森林参数遥感估测预算的复杂度和运算量;2)在可控精度内移除冗余信息;3)尽可能降低过拟合风险;4)算法结构体清晰,易解析。基于IDL编程语言(Interactive Data Language,IDL,交互式数据语言),KNN-FIFS实现了训练数据获取-特征选择-区域森林参数反演全过程的自动化,为基于高维度遥感数据的森林参数多尺度,精准,高效估测提供了一种有效的业务化运行方法。
附图说明
图1遥感影像和样地数据提取训练数据示意图。图1中5*5的方格中每一个小格及其数字表示一个遥感影像像元及其像元值,带圆环小格及其数字表示样地中心点所在的遥感影像像元及其像元值;带圆环小格周边的其他小格属于未知地块。
图2是实施本发明一种高效特征选择的森林参数遥感估测方法(KNN-FIFS:k-nearest neighbor with fast iterative features selection)中的高效特征选择与现有技术中特征组合遍历之间的效率对比示意图。图2中横轴为遥感特征数,竖轴为特征组合数,带点实线为采用现有技术中特征组合遍历时特征组合数随遥感特征数的变化,带点虚线为采用本发明中高效特征选择时特征组合数随遥感特征数的变化。图2中阴影区为局部放大效果图。
图3是实施本发明一种高效特征选择的森林参数遥感估测方法的流程示意图。图3中上部左边第1个框为样地数据,第2个框为森林遥感特征数据。上部右边自上而下第1个框为训练数据提取步骤,即训练数据F={f1,f2,...,fm},式中括弧内表示第1个遥感特征至第m个遥感特征;第2个框为初始化最优特征组合步骤,即初始化最优特征子集Fs为空,即Fs=null。第3个框为初始化最优均方根误差设定步骤,即RMSEO(root mean square error,RMSE)的值,例如,设置RMSEO=255t·ha-1;(吨/公顷)。第4个框为建立森林参数的k-NN(k-nearest neighbor)估测模型所依次利用特征{f1,Fs},{f2,Fs},...,{fi-1,Fs},{fi+1,Fs},...,{fm,Fs},(其中fi∈F-Fs)。中部三列(9个框)为依次利用上述第4个框的特征共得到m-s(s为最优特征子集的特征个数)个k-NN(或KNN)估测模型及每个模型对应的RMSE(rootmean square error,均方根误差)。下部包括最优特征fj和最优RMSE,即RMSE最小值,若最优RMSE<RMSEO则将最优RMSE值赋给RMSEO,将最优RMSE对应的特征子集赋给Fs,即(Fs={Fs,fj};RMSEO=最优RMSE),并返回依次利用特征建模步骤,反之迭代结束;如果最优RMSE<RMSEO不成立,则进行区域森林参数反演以获得区域森林参数,例如AGB(above-groundbiomass,AGB,地上生物量)参数。
具体实施方式
下面结合附图(图1-图3)对本发明进行说明。
图1遥感影像和样地数据提取训练数据示意图。图2是实施本发明一种高效特征选择的森林参数遥感估测方法(KNN-FIFS:k-nearest neighbor with fast iterativefeatures selection)中的高效特征选择与现有技术中特征组合遍历之间的效率对比示意图。图3是实施本发明一种高效特征选择的森林参数遥感估测方法的流程示意图。如图1至图3所示,本发明属于一种高效特征选择的森林参数遥感估测方法—快速迭代特征选择的k最近邻法(KNN-FIFS)。本发明以森林资源样地调查数据计算的森林参数为参考,以留一法交叉验证相应的k最近邻(k-NN)模型反演的森林参数的均方根误差(RMSE)最小为原则,依次迭代选取遥感特征,从而优化区域森林参数的k-NN估测模型。KNN-FIFS方法可以高效选取相关遥感特征进行森林参数估测,有效提升森林参数遥感估测效率和精度。
为了能够更加清晰的对本发明进行介绍,有必要对k-NN法在森林参数估测中的应用进行说明。作为一种非参机器学习方法,k-NN不依赖于特定的函数分布,也无需样本测量值与遥感影像特征间的先验知识,不仅可以用于若干森林参数的估计,还能融合各种空间数据到因变量估测当中,尤其是在样本数量较少的情况下易于估算缺失值,已被广泛应用于感森林参数遥感估测领域。k-NN法通过搜索相似单元,待估像元的属性值由距离其最近的k个样地的属性值加权求得,即:
其中Wp,pi为权重,与待估像元特征向量(xp)到样地所在像元特征向量(xpi)距离(dp,pi)成反比,即:
其中dp,pi可以采用多种度量标准,其中马氏距离在一定程度上克服了变量量纲的影响,它既考虑了特征向量的离散度,也考虑向量分布的协相关,可以排除变量之间的相关性干扰,基于上述原因,本发明采取马氏距离对dp,pi进行度量,即:
其中C为样本协方差矩阵,C-1为样本协方差矩阵的逆矩阵,T为矩阵的转置。
本发明的技术方案为一种高效特征选择的森林参数遥感估测方法,包括以下步骤(设样地数为n,特征数为m)。
步骤一,提取各样地中心点对应遥感影像像元对应的影像值作为训练数据F={f1,f2,...,fm}(如图1,其中每个矩形代表一个遥感影像像元,像元值由数字表示,带圆环小格代表样地中心点所在遥感影像像元),其中fp=[xp1,xp2,...,xpn]T,(1≤p≤m),xpi为第i个样地对应第p个特征所在像元的值;
步骤二,初始化最优特征子集Fs为空,即Fs=null;初始化最优模型均方根误差—RMSEO,RMSEO为一理论极大值,根据具体情况而设,一般可设为255;
步骤三,依次利用特征{f1,Fs},{f2,Fs},...,{fi-1,Fs},{fi+1,Fs},...,{fm,Fs}(其中fi∈F-Fs)建立森林参数的k-NN估测模型,则共得到m-s(s为最优特征子集的特征个数)个k-NN估测模型及每个模型对应的RMSE。RMSE采用留一法交叉验证计算得到,即每次从n个样地中不重复地抽取一个样地i,利用剩余的n-1个样地采用k-NN法估测样地i的森林参数值重复该过程共n次。设样地i的森林参数值为yi,n次共得到n对(yi),则RMSE计算公式为:
步骤四,选取步骤三中得到的最优RMSE,即RMSE最小值,若最优RMSE<RMSEO则将最优RMSE值赋给RMSEO;将最优RMSE对应的特征子集赋给Fs并返回步骤3),反之迭代结束;
步骤五,以步骤一至四得到的特征组合结合k-NN模型进行区域森林参数反演。
本发明的一个具体应用例,即森林地上生物量(AGB)遥感定量估测进行KNN-FIFS方法进一步详细说明。应当理解,此处描述的具体实施例仅用于解释本发明,并不用于限定本发明在其它森林结构参数估测中的应用。
本发明技术方案已采用计算机软件技术实现自动化运行流程,以下结合图3详述KNN-FIFS方法森林参数估测具体步骤。
步骤一,由样地数据和遥感特征提取训练数据F={f1,f2,...,fm},其中fp=[xp1,xp2,...,xpn]T,(1≤p≤m),xpi为第i个样地对应第p个特征所在像元的值。实施例遥感特征因子包括1)Landsat-8 OLI B1-B7光谱信息,2)由B1-B7派生的四种植被指数(归一化植被指数、增强型植被指数、大气阻抗植被指数以及简单比值植被指数),3)B1-B7各波段方差、均一性、对比度、相异性、熵、二阶矩和相关性,4)地形因子(海拔、坡度和坡向)以及5)机载P-波段HV极化后向散射强度数据等共计64个遥感特征因子(遥感影像空间分辨率为30m);实施例森林资源调查数据包括56块样地数据,样地形状为矩形(包括30×30m和45×45m两种规格);
步骤二,初始化最优特征子集Fs为空,即Fs=null;初始化最优模型均方根误差RMSEO=用于对比迭代过程中得到的RMSE,设置RMSEO=255t·ha-1(吨/公顷);
步骤三,依次利用特征{f1,Fs},{f2,Fs},...,{fi-1,Fs},{fi+1,Fs},...,{fm,Fs}(其中fi∈F-Fs)建立森林参数的k-NN估测模型,则共得到m-s(s为最优特征子集的特征个数)个k-NN估测模型及每个模型对应的RMSE;
步骤四,选取步骤三中得到的最优RMSE,即RMSE最小值,若最优RMSE<RMSEO则将最优RMSE值赋给RMSEO;将最优RMSE对应的特征子集赋给Fs并返回步骤三,反之迭代结束;
步骤五,以步骤一至四得到的最优特征组合,包括即机载P-波段HV极化后向散射强度数据、B6波段均一性、B7波段二阶矩、B6波段二阶矩、B1波段相关性、B5波段相关性、B1波段对比度以及增强型植被指数结合k-NN模型进行区域森林参数反演。
本领域相关研究人员可以理解,本发明提出的KNN-FIFS方法对于森林参数遥感估测中的特征选择问题具有广泛的通用性;同时,采用留一交叉验证,可以最大程度的利用样地数据并排除随机分配训练和检验样本带来的随机误差,由于排除了随机因素带来的误差,保证了特征选择的稳定和唯一性,其估测结果更为可信。由模拟实验实际测试效果表明,该方法具有较高的精度,估测结果与实测森林样地相关系数R2可达0.77,RMSE为22.74t·ha-1(吨/公顷),该精度满足森林AGB遥感定量估测要求。
在此指明,以上叙述有助于本领域技术人员理解本发明创造,但并非限制本发明创造的保护范围。任何没有脱离本发明创造实质内容的对以上叙述的等同替换、修饰改进和/或删繁从简而进行的实施,均落入本发明创造的保护范围。
Claims (6)
1.一种特征选择的森林参数遥感估测方法,其特征在于,包括以下步骤,从森林遥感影像中确定n个森林资源样地各自所在的遥感影像像元得到n个像元值,利用n个像元值得到m个遥感特征,利用m个遥感特征得到训练数据F,以留一法交叉验证相应的k最近邻法即k-NN估测模型反演的森林参数的均方根误差RMSE最小为原则,通过依次迭代选取遥感特征获得最优特征子集Fs,通过最优特征子集Fs优化区域森林参数的k-NN估测模型以实现森林参数遥感估测;所述F={f1,f2,...fp...,fm},fp=[xp1,xp2,...,xpn]T,式中1≤p≤m,xpi为第i个样地对应第p个特征所在影像像元的像元值,1≤i≤n,T为矩阵的转置;初始化最优特征子集Fs为空,即初始最优特征子集Fs=null;初始化最优模型均方根误差为RMSEO;依次利用特征{f1,Fs},{f2,Fs},...,{fi-1,Fs},{fi,Fs},{fi+1,Fs},...,{fm,Fs},其中fi∈F-Fs,建立森林参数的k-NN估测模型,则共得到m-s个k-NN估测模型及每个模型对应的RMSE,s为最优特征子集的特征个数。
3.根据权利要求2所述的一种特征选择的森林参数遥感估测方法,其特征在于,确定最优RMSE,即RMSE最小值,若最优RMSE<RMSEO则将最优RMSE值赋给RMSEO,将最优RMSE对应的特征子集赋给Fs以进行下一轮迭代运算,反之迭代结束。
4.根据权利要求3所述的一种特征选择的森林参数遥感估测方法,其特征在于,迭代结束后,利用迭代运算获得的最优特征子集得到最优遥感特征组合结合k-NN模型进行区域森林参数反演。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710190338.1A CN107085705B (zh) | 2017-03-28 | 2017-03-28 | 一种特征选择的森林参数遥感估测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710190338.1A CN107085705B (zh) | 2017-03-28 | 2017-03-28 | 一种特征选择的森林参数遥感估测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107085705A CN107085705A (zh) | 2017-08-22 |
CN107085705B true CN107085705B (zh) | 2020-08-04 |
Family
ID=59614342
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710190338.1A Expired - Fee Related CN107085705B (zh) | 2017-03-28 | 2017-03-28 | 一种特征选择的森林参数遥感估测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107085705B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229403A (zh) * | 2018-01-08 | 2018-06-29 | 中国科学院遥感与数字地球研究所 | 一种用于估算植被叶面积指数的混合模型构建方法 |
CN110379463B (zh) * | 2019-06-05 | 2021-10-26 | 山东大学 | 基于机器学习的海洋藻类成因分析及浓度预测方法和系统 |
CN113343809A (zh) * | 2021-05-27 | 2021-09-03 | 海南省林业科学研究院(海南省红树林研究院) | 一种特征选择的热带森林参数遥感估测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425994A (zh) * | 2013-07-19 | 2013-12-04 | 淮阴工学院 | 一种用于模式分类的特征选择方法 |
CN104504373A (zh) * | 2014-12-18 | 2015-04-08 | 电子科技大学 | 一种用于fmri数据的特征选择方法 |
CN104794496A (zh) * | 2015-05-05 | 2015-07-22 | 中国科学院遥感与数字地球研究所 | 一种改进mRMR算法的遥感特征优选算法 |
CN105654095A (zh) * | 2015-12-22 | 2016-06-08 | 浙江宇视科技有限公司 | 一种特征的选择方法和装置 |
CN105975973A (zh) * | 2016-04-29 | 2016-09-28 | 连云港职业技术学院 | 一种用于森林生物量的遥感影像特征选择方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120220875A1 (en) * | 2010-04-20 | 2012-08-30 | Suri Jasjit S | Mobile Architecture Using Cloud for Hashimoto's Thyroiditis Disease Classification |
-
2017
- 2017-03-28 CN CN201710190338.1A patent/CN107085705B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103425994A (zh) * | 2013-07-19 | 2013-12-04 | 淮阴工学院 | 一种用于模式分类的特征选择方法 |
CN103425994B (zh) * | 2013-07-19 | 2016-09-21 | 淮阴工学院 | 一种用于模式分类的特征选择方法 |
CN104504373A (zh) * | 2014-12-18 | 2015-04-08 | 电子科技大学 | 一种用于fmri数据的特征选择方法 |
CN104794496A (zh) * | 2015-05-05 | 2015-07-22 | 中国科学院遥感与数字地球研究所 | 一种改进mRMR算法的遥感特征优选算法 |
CN105654095A (zh) * | 2015-12-22 | 2016-06-08 | 浙江宇视科技有限公司 | 一种特征的选择方法和装置 |
CN105975973A (zh) * | 2016-04-29 | 2016-09-28 | 连云港职业技术学院 | 一种用于森林生物量的遥感影像特征选择方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于多源数据的根河实验区生物量反演研究;李春梅 等;《北京林业大学学报》;20160531;第38卷(第3期);第67-69页 * |
基于随机森林的特征选择算法;姚登举 等;《吉林大学学报(工学版)》;20140131;第44卷(第1期);第139页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107085705A (zh) | 2017-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tuia et al. | Automatic feature learning for spatio-spectral image classification with sparse SVM | |
CN110827921B (zh) | 一种单细胞聚类方法、装置、电子设备及存储介质 | |
CN111161199B (zh) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 | |
CN107085705B (zh) | 一种特征选择的森林参数遥感估测方法 | |
CN105095913B (zh) | 基于近邻正则联合稀疏表示的遥感图像分类方法及系统 | |
CN103440505A (zh) | 空间邻域信息加权的高光谱遥感图像分类方法 | |
CN106886793B (zh) | 基于判别信息和流形信息的高光谱图像波段选择方法 | |
CN104156943B (zh) | 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法 | |
CN103440493A (zh) | 基于相关向量机的高光谱影像模糊分类方法及装置 | |
CN109409438B (zh) | 基于ifcm聚类与变分推断的遥感影像分类方法 | |
CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
CN110348287A (zh) | 一种基于字典和样本相似图的无监督特征选择方法和装置 | |
Barua et al. | Quality evaluation of gans using cross local intrinsic dimensionality | |
CN112651317A (zh) | 一种样本关系学习的高光谱图像分类方法及系统 | |
Tapamo et al. | Linear vs non-linear learning methods A comparative study for forest above ground biomass, estimation from texture analysis of satellite images | |
Barreto S et al. | Improving the correlation hunting in a large quantity of SOM component planes: classification of agro-ecological variables related with productivity in the sugar cane culture | |
CN114140658A (zh) | 一种面向目标特性的多目标优化高光谱图像波段选择方法 | |
CN111797988A (zh) | 一种基于排序多变异的多目标差分进化的高光谱端元提取方法及装置 | |
CN111553338A (zh) | 一种基于模拟退火算法的高光谱特征选择方法 | |
Streltsov et al. | Automated building energy consumption estimation from aerial imagery | |
CN114882262B (zh) | 一种基于拓扑流形的多视图聚类方法及系统 | |
CN118097313B (zh) | 基于频域主动学习的高光谱图像分类方法 | |
CN115688229B (zh) | 基于深度学习的网壳结构最不利缺陷模态创建方法 | |
CN117437973B (zh) | 一种单细胞转录组测序数据插补方法 | |
CN112613536B (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200804 |