CN108304791A - 一种基于云模型的山区易混淆树种多光谱遥感识别方法 - Google Patents
一种基于云模型的山区易混淆树种多光谱遥感识别方法 Download PDFInfo
- Publication number
- CN108304791A CN108304791A CN201810064000.6A CN201810064000A CN108304791A CN 108304791 A CN108304791 A CN 108304791A CN 201810064000 A CN201810064000 A CN 201810064000A CN 108304791 A CN108304791 A CN 108304791A
- Authority
- CN
- China
- Prior art keywords
- cloud model
- dimensional
- seeds
- identification
- cloud
- 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.)
- Pending
Links
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于云模型的山区易混淆树种多光谱遥感识别方法,该方法以资源三号多光谱遥感影像为基础,将云模型方法应用于山区易混淆树种麻栎和刺槐的识别。首先,筛选出树种的敏感光谱指数;其次,构建树种识别云模型;再次,根据最大判别法实现树种识别。同时,利用支持向量机法对相同数据进行分类,作为对照。结果表明:基于云模型的麻栎分类精度达到91.65%,刺槐分类精度达到89.49%,总体精度达到90.80%,高于支持向量机的分类精度。云模型树种识别方法有助于实现森林树种的快速识别和精准管理,为易混淆树种的分类识别提供了新的技术支持。
Description
技术领域
本发明涉及一种树种识别方法,具体地说,涉及一种基于云模型的山区易混淆树种多光谱遥感识别方法。
背景技术
森林作为陆地上面积最大的生态系统,对全球的环境保护和经济发展非常重要。麻栎和刺槐是泰山的重要建群树种,其果实及树皮、叶均具有巨大实用价值和药用价值,也是营造防风林、防火林、水源涵养林的重要树种,两者同属落叶乔木,生长环境近似,树皮均呈灰黑褐色,为山区易混淆树种,遥感识别难度大。对其正确识别是了解其分布状况、保护森林资源、发挥其经济和生态价值的基础。泰山地形复杂,交通不便,采用野外调查的方法,需要耗费大量人力、物力和财力,且在短时间内难以实现大空间尺度调查。近年来,遥感技术被广泛应用于森林树种的分类识别,数据处理和分析算法的相对滞后,在一定程度上影响了遥感技术在森林树种识别应用中的发展,为了更高效地处理和利用遥感影像数据,提高树种识别的分类精度,开发新的树种识别算法十分重要。
现有树种识别算法有最小距离分类法、最大似然估计法、决策树分类法、神经网络分类法以及支持向量机分类法等。最小距离法和最大似然估计法是遥感图像分类中的传统算法,应用十分广泛,比较成熟,特点是实现较简单、计算量小且速度快,缺点是分类精度不够,只能将特征十分明显的样本正确分类。岳俊等基于不同分辨率遥感数据的光谱与纹理特征,分别运用最大似然法、马氏距离、神经网络、支持向量机4种分类方法,对南疆盆地4种主栽果树(核桃、红枣、香梨和苹果)进行了遥感识别,在分辨率为2米的遥感影像中,各方法分类精度分别为58.32%、58.70%、68.70%和69.71%;刘晓娜等基于Landsat数据和MODIS-NDVI数据,以决策树分类方法对中老缅交界地区的橡胶林地进行分类,其中橡胶幼林分类精度为75%,橡胶成林分类精度达到90%;王吉斌等基于安徽省砀山县EO-1Hyperion影像,采用改进的BP神经网络模型完成了落叶松、油松、侧柏、栎树、板栗、杨树的信息提取,总体识别精度为82.3%;申鑫等基于高分辨率与高光谱遥感影像,通过提取并优化特征变量的方法对江苏南部丘陵地区北亚热带马尾松及次生落叶树种进行了分类,用全部特征变量对马尾松、麻栎、枫香树、板栗4个典型树种分类时,总体精度为64.6%,针对森林类型的分类精度为81.1%,高于利用选取的优化特征变量对4个典型树种的分类精度;林丽群等从植物地理学、遥感、GIS三者相结合的角度,将多源、多时相遥感数据与物种物候特性、专家知识进行有效整合,提出了一种乔木树种识别的方法,其中常绿乔木刺叶栎识别精度为70.18%,落叶乔木识别精度最高的为漆树的65.21%。综上所述,支持向量机法在精细树种识别中应用较广泛且分类精度较高于其它方法,优化并综合运用遥感数据特征值也可提高树种识别精度,但其精度仍有待提高,新的分类方法也在不断的探索中。
近年来,云模型理论已逐渐应用于遥感影像解译等数据挖掘领域,秦昆等利用云模型的FCM聚类方法和传统的FCM聚类方法对遥感图像进行分割实验,实验表明采用云模型的FCM方法具有较好的分割效果,且提高了效率;丁玉琦等基于影像灰度值提出了以云模型和期望最大聚类进行遥感影像分割的新算法;宋岚等提出了一种基于云模型、图论和互信息的影像分割方法。自杜鹢等提出基于云模型的云变换概念划分方法,根据数据的实际分布将数量型属性的定义域划分为多个基于云的定性概念,证明了云模型在遥感影像分类中的可行性。云模型分类方法简单、计算量小,可通过其特有的识别算法有效表达遥感影像分类中数据(同谱异物、异物同谱)、其分类过程及分类结果的不确定性,具有很好的发展前景。目前利用云模型进行树种(尤其易混淆树种)的分类识别还比较少,对于麻栎、刺槐的识别更未见报道,且在现有基于遥感影像进行云模型树种识别中,多直接利用光谱信息,通过建立敏感光谱指数来扩大树种间差异、提高树种识别精度的方法还很少见。
发明内容
本发明的目的在于提供一种基于云模型的山区易混淆树种多光谱遥感识别方法。该方法基于资源三号遥感影像数据,通过提取并建立敏感光谱指数,建立云模型进行树种分类识别,旨在为树种(尤其易混淆树种)识别提供更加可行简便的方法。
其具体技术方案为:
一种基于云模型的山区易混淆树种多光谱遥感识别方法,包括以下步骤:
利用预处理后的资源3号多光谱数据,筛选敏感光谱指数,构建云模型,开展树种分类识别和精度验证,运用数学运算法,将多光谱影像的各波段反射率通过数学变换建立光谱指数,基于4个波段共建立了166个光谱指数将已建光谱指数与两树种类型进行相关性分析,根据显著性高低筛选出10个光谱指数作为敏感光谱指数。通过构建一维云模型分别筛选出麻栎、刺槐一维云模型识别精度最高的三个敏感光谱指数作为最佳敏感光谱指数;
选取三维云模型为代表,在一维云模型基础上建立三维云模型,进行精度比较。云模型分类算法分为3个步骤:一是一维逆向云发生器生成每个树种的云模型;二是利用X条件云发生器(一维、三维)计算每个待测样本的隶属度,三是用极大判定法进行分类;
通过核函数将数据从原始特征空间映射到高维特征空间,使线性内积运算非线性化,然后在特征空间建立使分类间隔最大化的最优超平面,并基于该超平面实现对未知样本的判别。
步骤1、基于样区光谱数据构建各树种光谱指数,并筛选敏感光谱指数。
步骤2、基于敏感光谱指数构建一维逆向云发生器,得出各树种的期望(Ex)、熵(En)、超熵(He),得到树种识别一维云模型。利用一维逆向云发生器计算待测样本的隶属度,并通过最大判定法则对待测样本进行分类,得出一维云模型分类精度。
步骤3、选出分类精度最高的三组敏感光谱指数,作为最佳敏感光谱指数构建三维条件云发生器,最大判定法对待测样本进行分类,得出三维云模型树种识别精度。
进一步,将一维、三维云模型树种识别精度进行对比,得出树种识别最佳云模型。
进一步,得出麻栎三维云模型识别的最佳敏感光谱指数为:(R3/R4)/500(R3-R4)、lnR3/3000(R3-R4)、lnR4/2000(R4-R3);刺槐三维云模型识别的最佳敏感光谱指数为R3-R4、(R3-R4)/(eR3)、(R4-R3)/(eR4),(其中R3、R4分别代表9月29日影像的第3、4波段反射率值,e为自然底数,e=2.718281828459)。同时得出一维云模型树种识别精度总体高于三维云模型,且计算简单,易于操作。
与现有技术相比,本发明的有益效果:
本发明以资源三号多光谱遥感影像为基础,将云模型方法应用于山区易混淆树种麻栎和刺槐的识别。首先,筛选出树种的敏感光谱指数;其次,构建树种识别云模型;再次,根据最大判别法实现树种识别。同时,利用支持向量机法对相同数据进行分类,作为对照。结果表明:基于云模型的麻栎分类精度达到91.65%,刺槐分类精度达到89.49%,总体精度达到90.80%,高于支持向量机的分类精度。云模型树种识别方法有助于实现森林树种的快速识别和精准管理,为易混淆树种的分类识别提供了新的技术支持。
附图说明
图1是样区分布图;
图2是本发明基于云模型的山区易混淆树种多光谱遥感识别方法的流程图;
图3是一维、三维逆向云发生器,其中,图3(a)为一维逆向云发生器,图3(b)为三维逆向云发生器;
图4是一维云模型、三维云模型极大判定法原理图,其中,图4(a)为一维云模型极大判定法原理,图4(b)为三维云模型极大判定法原理。
具体实施方式
下面结合附图和具体实施方案对本发明的技术方案作进一步详细地说明。
1材料与方法
1.1研究区概况
以山东省泰山为研究区,实验对象为常见落叶乔木树种:麻栎、刺槐。该研究区位于山东省中部,地处116°50'~117°12'E,36°11'~36°31'N之间,东西长约200km,南北宽约50km,属暖温带半湿润季风气候,四季分明,光温同步,雨热同季。泰山是暖温带森林的典型分布区,森林覆盖率80%以上,以人工林和次生天然林为主,纯林比重较大。通过野外调查结合已有的林业数据确定其主要建群种为麻栎(Quercus acutissima)、刺槐(Robiniapseudoacacia)、油松(Pinus tabulaeformis)、侧柏(Platycladus orientalis)、落叶松(Larch)、竹林(Bamboo forest)等。
1.2数据
选用资源3号(ZY-3)2014年12月7号的多光谱数据作为树种识别的遥感数据源。12月初是落叶阔叶林落叶时节,易与针叶林区分,且两树种新鲜落叶和冠层特征差别均较大,比其它时相更易识别。影像有4个波段,波谱范围分别为0.45-0.52um、0.52-0.59um、0.63-0.69um、0.77-0.89um,空间分辨率为5.8m。为了更好地提取遥感影像信息,数据在使用之前已进行正射校正、几何精校正、地形辐射校正、去云及阴影处理、图像裁剪等预处理。
本着树种典型、布点均匀、测定方便的原则,共选取麻栎样区119个、刺槐样区88个,其分布如图1。为兼顾样本区内不同像元的差异,最终以样区内像元作为实验单元,共选取麻栎像元2550个,刺槐像元1656个。运用等距抽样的方法,每个树种选择2/3像元建模,1/3像元验证,麻栎1700个像元用于建模,850个用于验证,刺槐1104个像元用于建模,552个用于验证。
1.3研究方法
1.3.1技术路线利用预处理后的资源3号多光谱数据,筛选敏感光谱指数,构建云模型,开展树种分类识别和精度验证,其技术路线如图2所示。
1.3.2树种光谱指数构建及筛选运用数学运算法,将多光谱影像的各波段反射率通过数学变换建立光谱指数(表1),基于4个波段共建立了166个光谱指数。将已建光谱指数与两树种类型进行相关性分析,根据显著性高低筛选出10个光谱指数作为敏感光谱指数。通过构建一维云模型分别筛选出麻栎、刺槐一维云模型识别精度最高的三个敏感光谱指数作为最佳敏感光谱指数。
表1光谱指数构建方法
Table 1Constuction methods of spectral indices
注:Ri(i=1,2,3,4):各波段反射率Reflectance of each band.
1.3.3云模型云模型(Cloud model)是中国工程院李德毅院士在1995年提出的定性和定量转换模型。云的数字特征用期望Ex、熵En和超熵He来反映定性概念A整体上的定量特征。期望Ex(Expectation):在数域空间最能够代表定性概念A的点,或者说是这个概念量化的最典型样本点。熵En(Entropy):熵反映定性概念A的不确定性,通常,熵越大,概念越宏观,模糊性和随机性也越大,确定性量化越难。超熵He(Hyper Entropy):超熵是熵的不确定性的度量,即熵的熵。
本着计算简便,兼具多维云模型特点的原则,选取三维云模型为代表,在一维云模型基础上建立三维云模型,进行精度比较。云模型分类算法分为3个步骤:一是一维逆向云发生器生成每个树种的云模型;二是利用X条件云发生器(一维、三维)计算每个待测样本的隶属度,三是用极大判定法进行分类。
(1)逆向云发生器逆向云发生器(Backward Cloud Generator)是实现定量值到定性概念的转换模型。利用建模样本数据分别建立一维、三维云模型,根据逆向云发生器算法和计算步骤得出建模样本的均值、期望值、熵和超熵。一维逆向云发生器如图3(a),三维逆向云发生器如图3(b)。其算法为:
输入:n个建模样本的敏感光谱指数值xi,其中i=1,2...,n。
输出:表征n个建模样本具体树种类别的期望值Ex,熵En和超熵He。
(2)X条件云发生器正向云发生器(Forward Cloud Generator)是从定性概念到其定量表示的映射,给定条件x=x0后,则称为X条件云发生器。利用云的数字特征(Ex,En,He)、给定条件x0、一维、三维云模型的隶属度计算公式得出检验样本对给定概念的隶属度,一维X条件云发生器如图4(a),三维X条件云发生器如图4(b)。其算法为:
输入:三个数字特征值Ex,En,He,以及给定检验样本的敏感光谱指数x0、检验样本数n.
输出:n个检验样本的敏感光谱指数值以及每个检验样本对具体树种类别的隶属度(x0,CT(xi)).
(3)极大判定法以麻栎的待测样本为例,根据X条件云发生器计算出麻栎的待测样本x0对麻栎的隶属度Uo1,Uo2,…,Uom,同时计算出待测样本x0对刺槐的隶属度Vo1,Vo2,…,Vom,若Uo1>Vo1,则将x0划分到麻栎一类,若Uo1<Vo1,则将x0划分到刺槐一类,若Uo1=Vo1,则将x0随机分给麻栎一类或刺槐一类,同理,若Uo2>Vo2,则将x0划分到麻栎一类,若Uo2<Vo2,则将x0划分到刺槐一类,若Uo2=Vo2,则将x0随机分给麻栎一类或刺槐一类……以此类推,直到对m个待测样本都进行测定,实现对待测样本的全部分类。另外,若测定结果表示有a个样本属于麻栎一类,则有(m-a)个样本属于刺槐一类,则在此敏感指数基础上,麻栎的云模型分类精度为:a/m。同理,进行刺槐待测样本隶属度的计算与分类,并计算分类精度。一维云模型极大判定法原理如图4(a),三维云模型极大判定法原理如图4(b)。
1.3.4精度交叉验证为了保证云模型识别精度结果的无偏性,进行了交叉验证测试,即分别选取麻栎、刺槐全部建模样本代入对方识别模型中,进行精度验证。由于云模型树种识别过程采用了极大判定法,在初次以麻栎检验样本进行麻栎树种识别中需引入刺槐期望值Ex,若将麻栎检验样本代入刺槐模型(包含刺槐期望Ex)来进行精度交叉验证,则两者识别精度之和为1,无需再次验证。所以,本次精度交叉验证选取麻栎建模样本代入刺槐一维、三维云模型中,得出分类精度;同理,将刺槐建模样本代入麻栎一维、三维云模型中,得出分类精度。
1.3.5支持向量机Zhu等[20]已经利用支持向量机的方法对ASTER数据进行过很好的分类,证明SVM在分类精度上有较高的优越性。本发明运用支持向量机的方法对比说明云模型进行易混淆树种分类识别的可行性。支持向量机(SVM)是一种统计学习理论的模式识别方法,其基本思想是通过核函数将数据从原始特征空间映射到高维特征空间,使线性内积运算非线性化,然后在特征空间建立使分类间隔最大化的最优超平面,并基于该超平面实现对未知样本的判别。
目前研究较多的常用核函数有:线性核函数、多项式核函数、径向核函数(RBF)、Sigmoid核函数,研究表明,使用径向核函数构造的SVM分类器分类结果较好,所以本发明选用径向核函数来构造SVM分类器。
2结果与分析
2.1树种敏感光谱指数分析
表2树种类型的敏感光谱指数及相关系数
Table 2Sensitive spectral indices for tree species and correlationcoefficient
由表2可以看出,敏感指数的波段构成集中在3、4波段,表明麻栎、刺槐光谱反射率的3、4波段组成的光谱指数与植被种类有较好的相关性。
2.2一维云模型精度分析
表3麻栎、刺槐一维云模型特征值及识别精度
Table 3One dimensional cloud model eigenvalue and recognitionaccuracy of Quercus acutissima and Robinia pseudoacacia
注:X1-X10分别对应表2中的敏感光谱指数序号
由表3可以看出,麻栎的一维云模型识别精度均在80%以上,其中X5、X9、X10的识别精度最高,分别为91.65%、90.12%和90.47%,X4的识别精度最低,为82.82%;刺槐的一维云模型识别精度较低于麻栎,其中X1、X2、X7、X8的识别精度最高,分别为89.49%、89.49%、89.13%和89.31%,X9的识别精度最低,为78.32%。
选取X5、X9、X10作为构建麻栎三维云模型的最佳敏感光谱指数;在刺槐一维云模型精度比较中,X1与X2识别精度相同,经过自相关分析得出X1与X2的相关性较高;且在麻栎建模样本带入刺槐三维云模型的交叉检验中,以X1、X2、X7为最佳敏感光谱指数的检验精度为15.06%,以X1、X7、X8为最佳敏感光谱指数的检验精度为14.88%,以X1、X7、X8为基础的反检验精度较低,则其树种识别精度较高,所以,选择X1、X7、X8作为构建刺槐三维云模型的最佳敏感光谱指数。
2.3三维云模型精度分析
表4麻栎、刺槐的3个最佳敏感光谱指数及云模型识别精度
Table 4The three best sensitive spectral index& one dimensional andthree dimensional cloud model recognition accuracy of Quercus acutissima andRobinia pseudoacacia
运用麻栎、刺槐的三个最佳敏感光谱指数分别构建三维云模型,其树种识别精度分别为90.47%、89.31%,三维云模型树种识别的总体精度为89.89%。将麻栎、刺槐的三维云模型树种识别精度分别与其一维云模型识别精度进行比较得出,麻栎三维云模型识别精度(90.47%)低于一维云模型最高识别精度(91.65%),刺槐三维云模型识别精度(89.31%)低于一维云模型最高识别精度(89.49%)。
总之,三维云模型识别精度不高于一维云模型,且需要考虑多个光谱指数,较一维云模型计算更加复杂,不符合开发更加简便的树种识别算法的初衷,因此,选择三、四两个敏感波段构成的一维云模型作为麻栎、刺槐树种识别模型,麻栎、刺槐的识别精度分别为91.65%、89.49%。
2.4交叉验证精度分析
表5麻栎、刺槐数据交叉验证识别精度
Table 5Cross validation recognition accuracy of Quercus acutissimaand Robinia pseudoacacia data
由表5可以看出,将刺槐样本代入麻栎一维云模型中,X7树种识别精度最低为8.80%,X9树种识别精度最高为33.64%,其中有三个敏感光谱指数的识别精度低于10%,4个敏感光谱指数的识别精度高于30%,不到35%,其余敏感光谱指数识别精度位于10%-30%之间。将刺槐建模样本带入麻栎三维云模型中的识别精度为22.46%。将麻栎样本代入刺槐一维云模型中,X5树种识别精度最低为8.18%,X4树种识别精度最高为18.18%,其中有三个敏感光谱指数的识别精度低于10%,其余敏感光谱指数识别精度均位于10%-20%之间。将麻栎建模样本带入刺槐三维云模型中的识别精度为14.88%。
由于麻栎、刺槐两树种本身光谱反射率存在差异,敏感光谱指数的建立扩大了其差异性,且两树种选择的最佳敏感光谱指数不同,精度最高的一维云模型所选光谱指数也不同,不可避免地会出现麻栎、刺槐的最佳敏感光谱指数交叉验证时精度偏高。综上所述,麻栎、刺槐建模数据交叉验证精度结果总体偏低,符合预期设想,证明了云模型进行树种识别的有效性。
2.5误差分析
表6麻栎、刺槐一维云模型树种识别误差矩阵
Table 6The trror matrix of Quercus acutissima and Robiniapseudoacacia one dimensional cloud model species recognition
分别选取麻栎、刺槐一维云模型识别精度最高的敏感光谱指数X5、X1进行误差分析,误差矩阵如表6,其中对角线部分为正确识别树种检验样本数。
表7分类精度评价
Table 7 classification precision evaluation
根据误差矩阵得出树种识别的各精度评价指标值,如表7,麻栎的制图精度较低于用户精度,漏分误差较高于错分误差;刺槐的制图精度较高于用户精度,漏分误差较低于错分误差。
2.6支持向量机精度比较分析
运用DPS软件进行支持向量机分类,分别选择10个敏感光谱指数、3个最佳敏感光谱指数、一维云模型识别精度最大的1个敏感光谱指数作为支持向量机分类的条件属性,麻栎、刺槐两树种类别作为决策属性,建立三种支持向量机模型SVM10、SVM3、SVM1,通过参数优选、建模、验证等比较分析,选择支持向量机类型为C-SVC,核函数类型为RBF,支持向量机模型参数及精度如表8,模型精度比较如表9。
表8支持向量机模型参数
Table 8The model parameter of support vector machines
表9云模型与支持向量机识别精度比较
Table 9Recognition accuracy comparison of Cloud model and SVM
由表9可以看出,利用支持向量机法,分别选择10个敏感光谱指数、3个最佳敏感光谱指数、一维云模型识别精度最大的1个敏感光谱指数作为支持向量机分类的条件属性得出麻栎的分类精度分别为87.84%、88.94%、90.45%,低于云模型对麻栎的分类精度(91.65%),得出刺槐的分类精度分别为73.36%、86.78%、83.51%,低于云模型对刺槐的分类精度(89.49%)。表明利用云模型进行易混淆树种的识别精度更高,更具可行性。
3.结论
本发明基于资源3号(ZY-3)2014年12月7号的多光谱影像,结合对泰山野外实地调查选取的样本,充分利用多光谱影像中的光谱特征,运用一维和三维云模型的分类方法对泰山易混淆树种进行分类识别,并利用支持向量机的分类方法作对比研究,通过了预期精度验证,得出如下主要结论:
(1)敏感指数的波段构成集中在3、4波段。表明3、4波段是麻栎、刺槐树种识别的敏感波段,其组成的光谱指数与植被种类有较好的相关性;构建光谱指数是为扩大光谱间微小差异,不可避免地相似性较高。
(2)将云模型引入具体树种(尤其易混淆树种)的分类识别中,进行了麻栎、刺槐的分类识别。
(3)云模型分类方法简单易行、计算量小。利用云模型进行树种分类识别只需运用相应公式求取期望值Ex、熵En和超熵He 3个特征值,并获取随机数Enn,且其处理过程可用MATLAB等软件实现,操作过程用时短,简单方便。
(4)精度高。利用云模型的分类方法,麻栎的分类精度达到91.65%,刺槐的分类精度达到89.49%,总体精度达到90.80%。在利用支持向量机法对同组数据分类作对比中,麻栎的分类精度为90.45%,刺槐的分类精度为83.51%,云模型的分类精度明显高于支持向量机的分类精度。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (3)
1.一种基于云模型的山区易混淆树种多光谱遥感识别方法,其特征在于,包括以下步骤:
步骤1、基于样区光谱数据构建各树种光谱指数,并筛选敏感光谱指数。
步骤2、基于敏感光谱指数构建一维逆向云发生器,得出各树种的期望、熵、超熵,得到树种识别一维云模型。利用一维逆向云发生器计算待测样本的隶属度,并通过最大判定法则对待测样本进行分类,得出一维云模型分类精度。
步骤3、选出分类精度最高的三组敏感光谱指数,作为最佳敏感光谱指数构建三维条件云发生器,最大判定法对待测样本进行分类,得出三维云模型树种识别精度。
2.根据权利要求1所述的基于云模型的山区易混淆树种多光谱遥感识别方法,其特征在于,将一维、三维云模型树种识别精度进行对比,得出树种识别最佳云模型。
3.根据权利要求1所述的基于云模型的山区易混淆树种多光谱遥感识别方法,其特征在于,得出麻栎三维云模型识别的最佳敏感光谱指数为:(R3/R4)/500(R3-R4)、lnR3/3000(R3-R4)、lnR4/2000(R4-R3);刺槐三维云模型识别的最佳敏感光谱指数为R3-R4、(R3-R4)/(eR3)、(R4-R3)/(eR4),其中R3、R4分别代表9月29日影像的第3、4波段反射率值,e为自然底数,e=2.718281828459,同时得出一维云模型树种识别精度总体高于三维云模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810064000.6A CN108304791A (zh) | 2018-01-23 | 2018-01-23 | 一种基于云模型的山区易混淆树种多光谱遥感识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810064000.6A CN108304791A (zh) | 2018-01-23 | 2018-01-23 | 一种基于云模型的山区易混淆树种多光谱遥感识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304791A true CN108304791A (zh) | 2018-07-20 |
Family
ID=62866213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810064000.6A Pending CN108304791A (zh) | 2018-01-23 | 2018-01-23 | 一种基于云模型的山区易混淆树种多光谱遥感识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304791A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409261A (zh) * | 2018-10-11 | 2019-03-01 | 北京师范大学 | 一种农作物分类方法及系统 |
CN110220502A (zh) * | 2019-06-11 | 2019-09-10 | 长江水利委员会长江科学院 | 一种基于立体监测技术的涉水建筑动态监测方法 |
CN111488822A (zh) * | 2020-04-09 | 2020-08-04 | 北华航天工业学院 | 一种基于全谱段相关分析算法的树种信息识别方法 |
CN113780093A (zh) * | 2021-08-13 | 2021-12-10 | 广州电力设计院有限公司 | 一种基于航空摄影的树种识别方法 |
CN117975280A (zh) * | 2024-03-29 | 2024-05-03 | 国家海洋局北海海洋技术保障中心 | 一种基于贝叶斯网络的植被生态学分类识别方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831316A (zh) * | 2012-08-24 | 2012-12-19 | 安徽农业大学 | 一种基于云本体的茶树虫害智能诊断原型系统 |
CN106777845A (zh) * | 2017-03-22 | 2017-05-31 | 南京农业大学 | 基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法 |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
-
2018
- 2018-01-23 CN CN201810064000.6A patent/CN108304791A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831316A (zh) * | 2012-08-24 | 2012-12-19 | 安徽农业大学 | 一种基于云本体的茶树虫害智能诊断原型系统 |
CN106777845A (zh) * | 2017-03-22 | 2017-05-31 | 南京农业大学 | 基于子窗口重排法提取敏感参数构建小麦叶片白粉病早期监测模型的方法 |
CN107271382A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种不同生育期油菜叶片spad值遥感估算方法 |
Non-Patent Citations (1)
Title |
---|
郑倩: "基于云模型的山区易混淆树种多光谱遥感识别及应用", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409261A (zh) * | 2018-10-11 | 2019-03-01 | 北京师范大学 | 一种农作物分类方法及系统 |
CN110220502A (zh) * | 2019-06-11 | 2019-09-10 | 长江水利委员会长江科学院 | 一种基于立体监测技术的涉水建筑动态监测方法 |
CN111488822A (zh) * | 2020-04-09 | 2020-08-04 | 北华航天工业学院 | 一种基于全谱段相关分析算法的树种信息识别方法 |
CN113780093A (zh) * | 2021-08-13 | 2021-12-10 | 广州电力设计院有限公司 | 一种基于航空摄影的树种识别方法 |
CN117975280A (zh) * | 2024-03-29 | 2024-05-03 | 国家海洋局北海海洋技术保障中心 | 一种基于贝叶斯网络的植被生态学分类识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304791A (zh) | 一种基于云模型的山区易混淆树种多光谱遥感识别方法 | |
Ulmas et al. | Segmentation of satellite imagery using u-net models for land cover classification | |
Jin et al. | Stem–leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data | |
Le et al. | Deep learning for noninvasive classification of clustered horticultural crops–A case for banana fruit tiers | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
CN104298999B (zh) | 基于递归自动编码的高光谱特征学习方法 | |
CN106529563B (zh) | 基于双图稀疏非负矩阵分解的高光谱波段选择方法 | |
CN109815357A (zh) | 一种基于非线性降维及稀疏表示的遥感图像检索方法 | |
CN109446986A (zh) | 一种面向树木激光点云的有效特征抽取与树种识别方法 | |
LUO et al. | Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery | |
CN108898269A (zh) | 基于度量的电力图像环境影响评估方法 | |
CN111652092A (zh) | 基于Sentinel-2A数据监测森林覆盖变化的方法 | |
Tonbul et al. | Classification of poplar trees with object-based ensemble learning algorithms using Sentinel-2A imagery | |
CN107194936A (zh) | 基于超像素联合稀疏表示的高光谱图像目标检测方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
CN107016359A (zh) | 一种复杂环境下基于t分布的人脸快速识别方法 | |
CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
Zhang et al. | A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China | |
Du et al. | An ensemble learning approach for land use/land cover classification of arid regions for climate simulation: A case study of Xinjiang, Northwest China | |
Lin et al. | A model for forest type identification and forest regeneration monitoring based on deep learning and hyperspectral imagery | |
Dibs et al. | Estimation and Mapping the Rubber Trees Growth Distribution using Multi Sensor Imagery With Remote Sensing and GIS Analysis | |
Mahdavi Saeidi et al. | Detecting the development stages of natural forests in northern Iran with different algorithms and high-resolution data from GeoEye-1 | |
CN105760872A (zh) | 一种基于鲁棒图像特征提取的识别方法及系统 | |
CN109784209A (zh) | 利用高分辨率遥感影像的高寒山区积雪提取方法 | |
Rao et al. | Identification of nutrient deficiency in rice leaves using densenet-121 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180720 |