CN108629494A - 干旱等级评估方法及系统 - Google Patents
干旱等级评估方法及系统 Download PDFInfo
- Publication number
- CN108629494A CN108629494A CN201810355131.XA CN201810355131A CN108629494A CN 108629494 A CN108629494 A CN 108629494A CN 201810355131 A CN201810355131 A CN 201810355131A CN 108629494 A CN108629494 A CN 108629494A
- Authority
- CN
- China
- Prior art keywords
- sample
- drought
- index
- sample set
- assessed
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种干旱等级评估方法及系统,评估方法包括:基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集;利用样本集分别对多个单分类器进行训练,获得多个训练好的单分类器;通过多个训练好的单分类器分别对待评估地进行初步分类,得到对应的多个初步评估结果;利用阈值优化的模糊投票法对多个初步评估结果进行融合,获取干旱等级评估结果。本发明提供的干旱等级评估方法及系统,通过设置获取了多类遥感旱情指数,综合考虑了旱情影响因素的多样性。本发明还构建了阈值优化模糊投票法,考虑融合过程中的不确定性,能有效提高旱情等级分类的整体精度,取得更可靠、更高精度的干旱等级评估结果。
Description
技术领域
本发明涉及遥感领域,更具体地,涉及一种干旱等级评估方法及系统。
背景技术
干旱是一种严重的自然灾害,给农业生产和人类生活带来巨大的影响和损失。遥感技术能够快速、及时、动态地反映大范围地物光谱信息,在旱情监测中有着广泛的应用。
旱情监测涉及多种因素,利用数据挖掘手段对旱情信息进行分析挖掘是目前最常用的遥感旱情监测方法之一,例如利用回归决策树技术和神经网络等方法对植被、地表温度、土壤及降水等多类旱情关联因子进行分析从而提取有效旱情信息。
现有的旱情评估技术多是基于单一的数据挖掘方法,而由于旱情影响因素的多样性和不确定性,利用单一数据挖掘算法从多源海量观测信息中挖掘干旱信息的效果会受到限制,进而影响干旱等级评估效果。
发明内容
本发明实施例提供一种干旱等级评估方法及系统,用以解决现有技术中利用单一数据挖掘算法从多源海量观测信息中挖掘干旱信息的效果会受到限制,进而影响干旱等级评估效果的问题,实现干旱等级的评估。
根据本发明的一个方面,提供一种干旱等级评估方法,包括:基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集;利用所述样本集分别对多个单分类器进行训练,获得多个训练好的单分类器;通过所述多个训练好的单分类器分别对所述待评估地进行初步分类,得到对应的多个初步评估结果;利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,获取干旱等级评估结果。
根据本发明的另一个方面,提供一种干旱等级评估系统,包括:获取样本集模块,用于基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集;训练模块,用于利用所述样本集对多个单分类器进行训练,获得多个训练好的单分类器;获取初步评估结果模块,用于通过所述多个训练好的单分类器分别对所述待评估地进行初步分类,得到对应的多个初步评估结果;获取评估结果模块,用于利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,获取干旱等级评估结果。
本发明提供的干旱等级评估方法及系统,通过设置获取了多类遥感旱情指数,综合考虑了旱情影响因素的多样性。本发明还构建了阈值优化模糊投票法,考虑融合过程中的不确定性,能有效提高旱情等级分类的整体精度,取得更可靠、更高精度的干旱等级评估结果。
附图说明
图1为本发明实施例中的干旱等级评估方法的流程图;
图2为本发明实施例中的干旱等级评估系统的模块图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例中的干旱等级评估方法的流程图,如图1所示,包括:S1、基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集;S2、利用所述样本集分别对多个单分类器进行训练,获得多个训练好的单分类器;S3、通过所述多个训练好的单分类器分别对所述待评估地进行初步分类,得到对应的多个初步评估结果;S4、利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,获取干旱等级评估结果。
具体地,首先,基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集,待评估地的地面实测站点的多类遥感旱情指数包括多个,干旱类型指数用于提供待评估地的地面实测站点的干旱类型和程度,在本发明的实施例中,干旱类型指数优选为标准化降水指数SPI,其为划分待评估地的地面实测站点的指标,待评估地的地面实测站点的多类遥感旱情指数和标准化降水指数构成样本集。
其次,利用所述样本集对多个单分类器进行训练,获得多个训练好的单分类器;通过多个训练好的单分类器分别对所述待评估地进行初步分类,得到对应的多个初步评估结果。本发明实施例是基于多种训练好的单分类器的初步分类评估结果的,本发明实施例中的单分类器,包括但不限于BP神经网络、支持向量机和分类回归树。获取的初步分类评估结果也是一一对应的,即每一训练好的单分类器初步分类获取一个对应的初步评估结果。
最后,利用阈值优化的模糊投票法对所述对应的多个初步评估结果进行决策级融合,获取干旱等级评估结果。对于现有的模糊投票法,当每一类别的隶属度和相近的时候,容易出现分错判错的问题,本发明实施例是基于阈值的模糊投票法,将上一步骤中的多个初步评估结果融合成一个最终的干旱等级评估结果,干旱等级评估结果代表了该地的旱情状态。
本发明提供的干旱等级评估方法,通过设置获取了多类遥感旱情指数,综合考虑了旱情影响因素的多样性。本发明还构建了阈值优化模糊投票法,考虑融合过程中的不确定性,能有效提高旱情等级分类的整体精度,取得更可靠、更高精度的干旱等级评估结果。
基于上述实施例,所述基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集,之前还包括:获取初始遥感影像和所述待评估地的地面实测站点的干旱类型指数;对所述初始遥感影像进行预处理,获取所述多类遥感旱情指数。
基于上述实施例,所述多类遥感旱情指数包括植被状态指数、条件温度指数、归一化降水指数、土壤湿度指数和数字高程模型数据。
具体地,本实施例中所述的植被状态指数为VCI,条件温度指数为TCI,归一化降水指数为PCI,土壤湿度指数为SMCI,数字高程模型数据为DEM。
进一步地,本实施例中的植被状态指数、条件温度指数、归一化降水指数、土壤湿度指数和数字高程模型数据通过下述方法步骤获取:
获取初始遥感影像为MODIS数据、TRMM 3B43数据、CCI土壤湿度数据和DEM数据。
对MODIS数据进行研究区裁剪并利用数据自带的质量控制文件对噪声数据点进行掩膜处理。分别利用MODIS NDVI数据和LST数据的时序最大最小值对NDVI和LST数据进行归一化处理得到VCI和TCI指数,计算方式如下:
对TRMM 3B43进行研究区裁剪、由速率数据转化为月降水总量数据,计算出累积降水量PRCP,同样利用降水总量的时序最大最小值对降水数据进行归一化处理得到归一化降水指数PCI,计算方式如下:
对CCI土壤湿度数据进行研究区裁剪,由日土壤湿度均值得到月土壤湿度数据SM,同样利用长时间序列最大最小值对土壤湿度数据进行归一化处理得到归一化指数记为土壤湿度指数SMCI,计算方式如下:
利用双线性内插法对PCI和SMCI指数进行重采样,使空间分辨率变为0.05°。利用三次卷积法将DEM数据重采样至0.05°×0.05°空间分辨率。
需要说明的是,本发明实施例中说明的多类遥感旱情指数包括植被状态指数、条件温度指数、归一化降水指数、土壤湿度指数和数字高程模型数据,不局限于这几种指数,本发明还保护包括其它的指数的方案。
本发明提供的干旱等级评估方法,通过设置获取了多类遥感旱情指数,综合考虑了旱情影响因素的多样性。
基于上述实施例,所述基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集,进一步包括:将所述样本集按照5:5的比例进行分层随机抽样,得到训练样本集和测试样本集,所述训练样本集和所述测试样本集构成所述样本集;其中,所述样本集由待评估地的地面实测站点的多类遥感旱情指数和标准化降水指数构成,所述多类遥感旱情指数作为属性数据,所述干旱类型指数作为类别指数,所述类别包括无旱、轻旱、中旱、重旱和特旱。
具体地,训练样本集和测试样本集均包括无旱、轻旱、中旱、重旱和特旱的相关数据,训练样本集用于对单分类器进行训练,测试样本集用于判断单分类器分类精度;划分无旱、轻旱、中旱、重旱和特旱的方法是按照设定的待评估地的地面实测站点的干旱类型指数区间划分。
需要说明的是,本实施例中说明的无旱、轻旱、中旱、重旱和特旱这5种类别是本发明实施例中用以举例的优选设置方式,本发明还保护设置其他多种类别的方法。
基于上述实施例,所述将所述样本集按照5:5的比例进行分层随机抽样,得到训练样本集和测试样本集,所述训练样本集和所述测试样本集构成所述样本集,之后还包括:通过SMOTE算法对所述训练样本集进行过采样,获取平衡样本集。
具体地,本实施例中提到的SMOTE算法是一种处理分类样本不均衡的问题的方法,平时很多分类问题都会面对样本不均衡的问题,很多算法在这种情况下分类效果都不够理想。针对样本不均衡问题,一般有采样和代价敏感学习两种策略,采样的话又分为over-sampling和under-sampling。其中,SMOTE算法算是over-sampling中比较常用的一种。
基于上述实施例,所述通过SMOTE算法对所述训练样本集进行过采样,获取平衡样本集,之后还包括:基于所述平衡训练样本集对多个未训练的单分类器进行训练,获取所述多个训练好的单分类器。
基于上述实施例,所述通过SMOTE算法对所述训练样本集进行过采样,获取平衡样本集,进一步包括:
以欧氏距离为度量标准,获取所述训练样本集中任一样本的多个同类别最近邻域样本。
从所述任一样本的多个同类别最近邻域样本中选择若干个同类别最近邻域样本,作为所述任一样本的同类别最近邻域样本集。
在所述任一样本和所述任一样本的同类别最近邻域样本集之间进行随机线性插值,通过下式构造所述任一样本的平衡样本:
z=x+rand(0,1)×(yj-x),j=1,...,n;
其中,z为任一样本的平衡样本,x为任一样本,rand(0,1)为0到1之间的任一个随机数,yj为任一样本的同类别最近邻域样本集,j=1,...,n,n为从任一样本的多个同类别最近邻域样本中选择的同类别最近邻域样本个数。
将所有样本的平衡样本组成的第一平衡样本集和所述训练样本集进行合并,获取所述平衡样本集。
具体地,由于出现旱情属于异常情况,训练样本集中五种类型(无旱、轻旱、中旱、重旱和特旱)分布并不均匀,无旱类样本最多,需要对样本集进行预处理。
本发明实施例利用SMOTE算法对样本集进行过采样以平衡样本集。对样本数较少的类别样本集(轻旱、中旱、重旱和特旱共四类)进行过采样得到平衡样本集。
本发明提供的干旱等级评估方法,通过设置过采样步骤,能够处理样本类别数据不均衡的问题。
基于上述实施例,所述通过多个训练好的单分类器分别对待评估地所有像元进行初步分类,得到对应的多个初步评估结果,进一步包括:通过训练好的BP神经网络、训练好的支持向量机和训练好的分类回归树分别对待评估地所有像元进行初步分类,得到对应的BP神经网络初步评估结果、支持向量机初步评估结果和分类回归树初步评估结果。
需要说明的是,本实施例仅仅以BP神经网络、支持向量机和分类回归树3种单分类器为例,本发明保护的技术方案并不仅限于这三种分类机。
基于上述实施例,所述利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,进一步包括:获取所述多个训练好的单分类器对所述待评估地任一像元关于任一类别的隶属度和,其中,所述类别包括无旱、轻旱、中旱、重旱和特旱;若在所述多个训练好的单分类器对所述待评估地任一像元关于所有类别的隶属度和中,存在一个第一类别,所述第一类别的隶属度和不小于阈值,则将所述待评估地任一像元分配给所述第一类别;若在所述多个训练好的单分类器对所述待评估地任一像元关于所有类别的隶属度和中,存在多个第一类别,则按照无旱、轻旱、中旱、重旱和特旱的优先级顺序对所述待评估地任一像元进行分配;若在所述多个训练好的单分类器对所述待评估地任一像元关于所有类别的隶属度和中,不存在第一类别,则依据三种单分类器对于测试样本的分类精度来判断,将所述待评估地任一像元分配给分类精度最高的单分类器对所述任一像元所判断的类别。
具体地,对像元x,令其中表示第i个分类器对于该像元关于类别k的隶属度,越大,说明根据第i个分类器该像元属于类别k的可能性越高。Vk(x),k∈{1,2,3,4,5}表示由n类分类器得到的该像元关于类别k的隶属度和,可表示为:
模糊投票法将像元x分配给隶属度和最大的类别,即模糊投票法关于像元x的类别L(x)判别方式为:
L(x)=k
subject to Vk(x)≥Vk′(x),k′∈{1,2,3,4,5};
但是对给定像元x,如果V1(x),V2(x),V3(x),V4(x)和V5(x)数值越接近,则该像元的分类不确定性就越高;五个隶属度和相等时,即
像元x的不确定性达到最大值。上式中5和n分别表示类别数和分类器数。当像元x具有较大的不确定性时,直接将该像元分配给隶属度和最大的类别容易判错。
基于此,本发明实施例在常规的模糊投票法基础上引入阈值T,构建阈值优化模糊投票法(Threshold-optimized Fuzzy Majority Voting,TFMV)。其基本思想是利用阈值T来判断像元关于n个分类器的分类不确定性。阈值T是一个给定的大于隶属度和均值n/5的常数,若某样本所有5个隶属度和均小于阈值T,则容易判断它的五个隶属度和比较接近,该样本的分类不确定性也较高。
本发明提供的干旱等级评估方法,通过设置阈值,考虑了融合过程中的不确定性,能够取得更可靠、更高精度的干旱等级评估结果。
作为一个优选实施例,下面来举一个具体的例子。本实施例中令单分类器数n=3。
实施例遥感数据源包括2003年至2012年间的MODIS月值数据集MOD13C2产品(提供归一化植被指数NDVI)和MOD11C3产品(提供地表温度LST)、热带降雨测量卫星TRMM 3B43数据集、欧空局气候变化计划项目CCI的土壤湿度数据集以及中国1km分辨率数字高程模型DEM数据集。其中,MODIS产品空间分辨率为0.05°;TRMM 3B43数据集单位为mm/h,表示降水速率,空间分辨率为0.25°×0.25°;CCI土壤湿度数据为每日观测的主、被动微波集成数据集,空间分辨率为0.25°×0.25°,单位为m3·m-3。
实验区为内蒙古中部地区,包括27个气象站点。
本实施例地面实测气象数据包括实验区所有站点1961年到2012年的月降水量数据。
首先获取初始遥感影像和所述待评估地的地面实测站点的标准化降水指数;对所述初始遥感影像进行预处理,获取所述多类遥感旱情指数。
对MODIS数据进行研究区裁剪并利用数据自带的质量控制文件对噪声数据点进行掩膜处理。分别利用MODIS NDVI数据和LST数据的时序最大最小值对NDVI和LST数据进行归一化处理得到VCI和TCI指数,计算方式如下:
对TRMM 3B43进行研究区裁剪、由速率数据转化为月降水总量数据,计算出累积降水量PRCP,同样利用降水总量的时序最大最小值对降水数据进行归一化处理得到归一化降水指数PCI,计算方式如下:
对CCI土壤湿度数据进行研究区裁剪,由日土壤湿度均值得到月土壤湿度数据SM,同样利用长时间序列最大最小值对土壤湿度数据进行归一化处理得到归一化指数记为土壤湿度指数SMCI,计算方式如下:
利用双线性内插法对PCI和SMCI指数进行重采样,使空间分辨率变为0.05°。利用三次卷积法将DEM数据重采样至0.05°×0.05°空间分辨率。
其次基于待评估地的地面实测站点的多类遥感旱情指数和标准化降水指数,获取样本集,其中,所述多类遥感旱情指数作为属性数据,所述标准化降水指数作为类别指数,所述类别包括无旱、轻旱、中旱、重旱和特旱。
基于实验区27个站点处的月降水量数据计算得到3个月时间尺度的标准化降水指数SPI值。依据SPI值判断2003年至2012年不同月份不同站点处的干旱等级情况,判断标准可参考表1:
表1标准化降水指数SPI干旱等级
基于站点的经纬度坐标提取2003—2012年4到10月27个站点处的VCI、TCI、PCI、SMCI和DEM值。由此构成不同月份的样本集,其中五类遥感数据作为属性数据,实测SPI分类值作为类别数据,4月到10月的不同类别分布情况如表2所示。
表2 4月到10月不同类别样本数情况
然后将所述样本集按照5:5的比例进行分层随机抽样,得到训练样本集和测试样本集,所述训练样本集和所述测试样本集构成所述样本集;通过SMOTE算法对所述训练样本集进行过采样,获取平衡样本集。
接下来基于所述平衡样本集对多个未训练的单分类器进行训练,获取多个训练好的单分类器,再通过所述多个训练好的单分类器分别对待评估地所有像元进行初步分类,得到对应的多个初步评估结果。
本实施例首先利用三种单分类器方法(BP神经网络、支持向量机和分类回归树)对不同月份SMOTE预处理后的训练样本进行学习,以SPI实测气象数据旱情分类标准作为类别判断依据进行分类,获取所述多个训练好的单分类器。其中,BP神经网络设置为3层,实测气象干旱指数确定的干旱等级作为输出层数据,输出层有5个节点。支持向量机模型中使用径向基函数作为核函数,训练过程采用基于交叉验证的网格搜索法确定最优参数C和γ。然后通过多个训练好的单分类器分别对待评估地进行初步分类,得到对应的多个初步评估结果。
在最后,利用阈值优化的模糊投票法对多个初步评估结果进行决策级融合,获取干旱等级评估结果。
基于阈值优化的多分类器融合方法对以上三种单分类器得到的实验区干旱等级分类结果进行融合(本实施例在4月到10月的阈值取值分别为1.1、1.1、1.1、1.15、1.28、1.28和1.15)。像元x的类别L(x)判断规则为:
1)若五种类别的隶属度和均小于T,则依据三种单分类器对于测试样本的分类精度来判断,将像元x分配给分类精度最高的单分类器对该像元所判断的类别。
2)若五种类别的隶属度和值矩阵中,仅存在某一种类别的隶属度和不小于T,则将该像元分配给该类别。
3)若五种类别的隶属度和值矩阵中,存在多类别的隶属度和不小于T,则按照无旱、轻旱、中旱、重旱、特旱的优先级顺序对像元x分配类别。
表3和表4分别给出了三种单分类器以及本发明在单月份的旱情分类结果和在所有7个月份的旱情分类结果。可以发现,本实施例在所有4至10月测试样本上总体精度为72.55%,Kappa系数为0.48,总体样本上分类精度为81.41%,Kappa系数为0.66,均优于三种单分类器,其在测试样本上的总体分类精度分别比BP神经网络、支持向量机、分类回归树高出约3.6、5.1和3.6个百分点。本发明的旱情等级分类效果明显优于基于单分类器(BP神经网络、支持向量机和分类回归树)的旱情等级分类结果。
表3四种技术在不同月份的旱情等级分类精度
表4四种技术在所有测试集以及总体样本集上的旱情等级分类精度
图2为本发明实施例中的干旱等级评估系统的模块图,如图2所示,系统包括:获取样本集模块1,用于基于待评估地的地面实测站点的多类遥感旱情指数和标准化降水指数,获取样本集;训练模块2,用于利用所述样本集对多个单分类器进行训练,获得多个训练好的单分类器;获取初步评估结果模块3,用于通过所述多个训练好的单分类器分别对待评估地进行初步分类,得到对应的多个初步评估结果;获取评估结果模块4,用于利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,获取干旱等级评估结果。
需要说明的是,上述获取样本集模块1、训练模块2、获取初步评估结果模块3和获取评估结果模块4配合以执行上述实施例中的一种干旱等级评估方法,该系统的具体功能参见上述的获取方法的实施例,此处不再赘述。
本发明提供的干旱等级评估方法及系统,通过设置获取了多类遥感旱情指数,综合考虑了旱情影响因素的多样性。本发明还构建了阈值优化模糊投票法,考虑融合过程中的不确定性,能有效提高旱情等级分类的整体精度,取得更可靠、更高精度的干旱等级评估结果。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种干旱等级评估方法,其特征在于,包括:
基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集;
利用所述样本集分别对多个单分类器进行训练,获得多个训练好的单分类器;
通过所述多个训练好的单分类器分别对所述待评估地进行初步分类,得到对应的多个初步评估结果;
利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,获取干旱等级评估结果。
2.根据权利要求1所述的评估方法,其特征在于,所述基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集,之前还包括:
获取初始遥感影像和所述待评估地的地面实测站点的干旱类型指数;
对所述初始遥感影像进行预处理,获取所述多类遥感旱情指数。
3.根据权利要求2所述的评估方法,其特征在于,所述多类遥感旱情指数包括植被状态指数、条件温度指数、归一化降水指数、土壤湿度指数和数字高程模型数据。
4.根据权利要求1所述的评估方法,其特征在于,所述基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集,进一步包括:
将所述样本集按照5:5的比例进行分层随机抽样,得到训练样本集和测试样本集,所述训练样本集和所述测试样本集构成所述样本集;
其中,所述多类遥感旱情指数作为属性数据,所述干旱类型指数作为类别指数,所述类别包括无旱、轻旱、中旱、重旱和特旱。
5.根据权利要求4所述的评估方法,其特征在于,所述将所述样本集按照5:5的比例进行分层随机抽样,得到训练样本集和测试样本集,所述训练样本集和所述测试样本集构成所述样本集,之后还包括:
通过SMOTE算法对所述训练样本集进行过采样,获取平衡样本集。
6.根据权利要求5所述的评估方法,其特征在于,所述通过SMOTE算法对所述训练样本集进行过采样,获取平衡样本集,之后还包括:
基于所述平衡样本集对多个未训练的单分类器进行训练,获取所述多个训练好的单分类器。
7.根据权利要求5所述的评估方法,其特征在于,所述通过SMOTE算法对所述训练样本集进行过采样,获取平衡样本集,进一步包括:
以欧氏距离为度量标准,获取所述训练样本集中任一样本的多个同类别最近邻域样本;
从所述任一样本的多个同类别最近邻域样本中选择若干个同类别最近邻域样本,作为所述任一样本的同类别最近邻域样本集;
在所述任一样本和所述任一样本的同类别最近邻域样本集之间进行随机线性插值,通过下式构造所述任一样本的平衡样本:
z=x+rand(0,1)×(yj-x),j=1,...,n;
其中,z为任一样本的平衡样本,x为任一样本,rand(0,1)为0到1之间的任一个随机数,yj为任一样本的同类别最近邻域样本集,j=1,...,n,n为从任一样本的多个同类别最近邻域样本中选择的同类别最近邻域样本个数;
将所有样本的平衡样本组成的第一平衡样本集和所述样本集进行合并,获取所述平衡样本集。
8.根据权利要求1所述的评估方法,其特征在于,所述通过所述多个训练好的单分类器分别对所述待评估地进行初步分类,得到对应的多个初步评估结果,进一步包括:
通过训练好的BP神经网络、训练好的支持向量机和训练好的分类回归树分别对所述待评估地进行初步分类,得到对应的BP神经网络初步评估结果、支持向量机初步评估结果和分类回归树初步评估结果。
9.根据权利要求1所述的评估方法,其特征在于,所述利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,进一步包括:
获取所述多个训练好的单分类器对所述待评估地任一像元关于任一类别的隶属度和,其中,所述类别包括无旱、轻旱、中旱、重旱和特旱;
若在所述多个训练好的单分类器对所述待评估地任一像元关于所有类别的隶属度和中,存在一个第一类别,所述第一类别的隶属度和不小于阈值,则将所述待评估地任一像元分配给所述第一类别;
若在所述多个训练好的单分类器对所述待评估地任一像元关于所有类别的隶属度和中,存在多个第一类别,则按照无旱、轻旱、中旱、重旱和特旱的优先级顺序对所述待评估地任一像元进行分配;
若在所述多个训练好的单分类器对所述待评估地任一像元关于所有类别的隶属度和中,不存在第一类别,则依据三种单分类器对于测试样本的分类精度来判断,将所述待评估地任一像元分配给分类精度最高的单分类器对所述任一像元所判断的类别。
10.一种干旱等级评估系统,其特征在于,包括:
获取样本集模块,用于基于待评估地的地面实测站点的多类遥感旱情指数和干旱类型指数,获取样本集;
训练模块,用于利用所述样本集对多个单分类器进行训练,获得多个训练好的单分类器;
获取初步评估结果模块,用于通过所述多个训练好的单分类器分别对待评估地进行初步分类,得到对应的多个初步评估结果;
获取评估结果模块,用于利用阈值优化的模糊投票法对所述多个初步评估结果进行融合,获取干旱等级评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355131.XA CN108629494B (zh) | 2018-04-19 | 2018-04-19 | 干旱等级评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810355131.XA CN108629494B (zh) | 2018-04-19 | 2018-04-19 | 干旱等级评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108629494A true CN108629494A (zh) | 2018-10-09 |
CN108629494B CN108629494B (zh) | 2020-11-06 |
Family
ID=63705617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810355131.XA Expired - Fee Related CN108629494B (zh) | 2018-04-19 | 2018-04-19 | 干旱等级评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108629494B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345033A (zh) * | 2018-10-31 | 2019-02-15 | 华中科技大学 | 一种基于主成分分析和支持向量机的干旱致灾预警方法 |
CN110163472A (zh) * | 2019-04-11 | 2019-08-23 | 中国水利水电科学研究院 | 大范围极端干旱应急监测与影响评估方法及系统 |
CN111860299A (zh) * | 2020-07-17 | 2020-10-30 | 北京奇艺世纪科技有限公司 | 目标对象的等级确定方法、装置、电子设备及存储介质 |
CN112084433A (zh) * | 2020-09-14 | 2020-12-15 | 周盛 | 一种根据区域划分进行人工影响天气抗旱作业的方法 |
CN112183292A (zh) * | 2020-09-18 | 2021-01-05 | 华中农业大学 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
CN112613648A (zh) * | 2020-12-14 | 2021-04-06 | 清华大学 | 一种训练旱情监测模型的方法、旱情监测方法及设备 |
CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
CN114154892A (zh) * | 2021-12-08 | 2022-03-08 | 农业农村部规划设计研究院 | 一种基于信息扩散的农业干旱等级划分方法 |
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114639005A (zh) * | 2022-05-20 | 2022-06-17 | 湖北省国土测绘院 | 多分类器融合的农作物自动分类方法、系统及存储介质 |
CN115950838A (zh) * | 2022-09-20 | 2023-04-11 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120120320A1 (en) * | 2010-11-16 | 2012-05-17 | Ncomputing Inc. | System and method for on-the-fly key color generation |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
CN104394413A (zh) * | 2014-11-21 | 2015-03-04 | 宁波大学 | 一种视频显著图提取方法 |
CN105608474A (zh) * | 2015-12-30 | 2016-05-25 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
-
2018
- 2018-04-19 CN CN201810355131.XA patent/CN108629494B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120120320A1 (en) * | 2010-11-16 | 2012-05-17 | Ncomputing Inc. | System and method for on-the-fly key color generation |
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN103489005A (zh) * | 2013-09-30 | 2014-01-01 | 河海大学 | 一种基于多分类器融合的高分辨率遥感影像分类方法 |
CN104394413A (zh) * | 2014-11-21 | 2015-03-04 | 宁波大学 | 一种视频显著图提取方法 |
CN105608474A (zh) * | 2015-12-30 | 2016-05-25 | 二十一世纪空间技术应用股份有限公司 | 基于高分辨率影像的区域自适应耕地提取方法 |
Non-Patent Citations (3)
Title |
---|
张婧娴等: "不同数据挖掘方法在综合干旱监测模型构建中的应用研究", 《江西农业大学学报》 * |
王震: "基于OLI影像的多分类器组合方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
肖坚: "基于随机森林的不平衡数据分类方法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345033A (zh) * | 2018-10-31 | 2019-02-15 | 华中科技大学 | 一种基于主成分分析和支持向量机的干旱致灾预警方法 |
CN110163472A (zh) * | 2019-04-11 | 2019-08-23 | 中国水利水电科学研究院 | 大范围极端干旱应急监测与影响评估方法及系统 |
CN110163472B (zh) * | 2019-04-11 | 2021-03-26 | 中国水利水电科学研究院 | 大范围极端干旱应急监测与影响评估方法及系统 |
CN111860299B (zh) * | 2020-07-17 | 2023-09-08 | 北京奇艺世纪科技有限公司 | 目标对象的等级确定方法、装置、电子设备及存储介质 |
CN111860299A (zh) * | 2020-07-17 | 2020-10-30 | 北京奇艺世纪科技有限公司 | 目标对象的等级确定方法、装置、电子设备及存储介质 |
CN112084433A (zh) * | 2020-09-14 | 2020-12-15 | 周盛 | 一种根据区域划分进行人工影响天气抗旱作业的方法 |
CN112084433B (zh) * | 2020-09-14 | 2024-04-16 | 周盛 | 一种根据区域划分进行人工影响天气抗旱作业的方法 |
CN112183292A (zh) * | 2020-09-18 | 2021-01-05 | 华中农业大学 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
CN112183292B (zh) * | 2020-09-18 | 2022-05-17 | 华中农业大学 | 基于低空遥感的大田作物干旱表型提取与抗旱性评估方法 |
CN112613648A (zh) * | 2020-12-14 | 2021-04-06 | 清华大学 | 一种训练旱情监测模型的方法、旱情监测方法及设备 |
CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
CN114154892A (zh) * | 2021-12-08 | 2022-03-08 | 农业农村部规划设计研究院 | 一种基于信息扩散的农业干旱等级划分方法 |
CN114419463B (zh) * | 2022-01-26 | 2022-09-30 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114419463A (zh) * | 2022-01-26 | 2022-04-29 | 河南大学 | 一种基于云平台的全球太阳能光伏板遥感自动识别方法 |
CN114639005A (zh) * | 2022-05-20 | 2022-06-17 | 湖北省国土测绘院 | 多分类器融合的农作物自动分类方法、系统及存储介质 |
CN115950838A (zh) * | 2022-09-20 | 2023-04-11 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
WO2024061159A1 (zh) * | 2022-09-20 | 2024-03-28 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108629494B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108629494A (zh) | 干旱等级评估方法及系统 | |
Wang et al. | Mapping twenty years of corn and soybean across the US Midwest using the Landsat archive | |
Guarino et al. | Geographic information systems (GIS) and the conservation and use of plant genetic resources. | |
Schicker et al. | Comparison of bivariate and multivariate statistical approaches in landslide susceptibility mapping at a regional scale | |
Mackey et al. | Towards a hierarchical framework for modelling the spatial distribution of animals | |
Reddy | Geospatial technologies in land resources mapping, monitoring, and management: an overview | |
Wan et al. | A knowledge-based decision support system to analyze the debris-flow problems at Chen-Yu-Lan River, Taiwan | |
Xing et al. | Large-scale landslide susceptibility mapping using an integrated machine learning model: A case study in the Lvliang mountains of China | |
Padarian et al. | Predicting and mapping the soil available water capacity of Australian wheatbelt | |
Shiels | Implementing landscape indices to predict stream water quality in an agricultural setting: An assessment of the Lake and River Enhancement (LARE) protocol in the Mississinewa River watershed, East-Central Indiana | |
Bone et al. | Integrating high resolution remote sensing, GIS and fuzzy set theory for identifying susceptibility areas of forest insect infestations | |
Tao et al. | Genetic algorithm-based method for forest type classification using multi-temporal NDVI from Landsat TM imagery | |
Kabeto et al. | Groundwater potential assessment using GIS and remote sensing techniques: case study of west Arsi zone, Ethiopia | |
Marques et al. | Geomorphometric segmentation of complex slope elements for detailed digital soil mapping in southeast Brazil | |
Inoubli et al. | A review of drought monitoring using remote sensing and data mining methods | |
Setiawan et al. | Detecting land-use change from seasonal vegetation dynamics on regional scale with MODIS EVI 250-m time-series imagery | |
Tormos et al. | Object-based image analysis for operational fine-scale regional mapping of land cover within river corridors from multispectral imagery and thematic data | |
Kontoes | Operational land cover change detection using change vector analysis | |
Ringrose-Voase et al. | Four Pillars of digital land resource mapping to address information and capacity shortages in developing countries | |
Mueller-Warrant et al. | Methods for improving accuracy and extending results beyond periods covered by traditional ground-truth in remote sensing classification of a complex landscape | |
Sarmento et al. | Prediction of soil orders with high spatial resolution: response of different classifiers to sampling density | |
Msaddek et al. | Artificial intelligence modelling framework for mapping groundwater vulnerability of fractured aquifer | |
Guarino et al. | Analysis of georeferenced data and the conservation and use of plant genetic resources | |
Graef et al. | Determining ecoregions for environmental and GMO monitoring networks | |
Doll et al. | Evaluating the Eco‐Geomorphological Condition of Restored Streams Using Visual Assessment and Macroinvertebrate Metrics |
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: 20201106 Termination date: 20210419 |