CN110135310A - 一种基于单变量特征选择方法的农作物遥感识别方法 - Google Patents

一种基于单变量特征选择方法的农作物遥感识别方法 Download PDF

Info

Publication number
CN110135310A
CN110135310A CN201910365776.6A CN201910365776A CN110135310A CN 110135310 A CN110135310 A CN 110135310A CN 201910365776 A CN201910365776 A CN 201910365776A CN 110135310 A CN110135310 A CN 110135310A
Authority
CN
China
Prior art keywords
feature
remote sensing
single argument
crops
selection approach
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
Application number
CN201910365776.6A
Other languages
English (en)
Inventor
何锋
张洪
李江城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan University of Finance and Economics
Original Assignee
Yunnan University of Finance and Economics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan University of Finance and Economics filed Critical Yunnan University of Finance and Economics
Priority to CN201910365776.6A priority Critical patent/CN110135310A/zh
Publication of CN110135310A publication Critical patent/CN110135310A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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

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)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于单变量特征选择方法的农作物遥感识别方法，包括如下步骤：S1:获取多时相遥感影像；S2:对多时相遥感影像进行特征处理；S3：确定实验方案；S4：单变量特征选择；S5:补充支撑数据源；本发明以随机森林分类算法为分类器，基于多时相光谱、植被指数和纹理、波段差值等特征及其组合，对目标区域内农作物进行识别和提取；利用单变量特征选择法对所有特征构建的特征空间进行特征选择，然后利用随机森林分类器对优选特征组合分类，达到高精度区分主要农作物的目的；本发明利用单变量特征选择方法对遥感影像进行分类能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善分类模型及算法，提高农作物遥感识别精度。

Description

一种基于单变量特征选择方法的农作物遥感识别方法
技术领域
本发明属于农作物遥感识别技术领域，具体为一种基于单变量特征选择方法的农作物遥感识别方法。
背景技术
农作物种植面积，尤其是粮食作物种植面积已成为影响我国粮食产量的关键问题。准确、及时、全面的农作物种植种类信息对于指导农业生产具有重大积极的意义；遥感技术具有宏观、迅速的大范围监控能力，可在短时间内获得客观、准确的农情信息，在农作物识别及其面积估算方面已经得到了重要的应用。
目前大多农作物遥感分类研究中，农作物遥感识别特征相对单一，较多地局限于光谱、微波散射等信息，难以充分利用农作物之间的多元化、全方位信息，农作物遥感识别和面积估算精度难以得到提高。多光谱特征是农作物遥感识别应用最广泛和最基本的识别特征，但由于遥感数据空间分辨率、时间分辨率等方面的限制，以及广泛存在的“同物异谱、异物同谱”现象，致使单纯依靠多光谱特征时产生诸多分类混淆，不同的农作物具有不同的高度、孔隙率、覆盖度等几何特征，从而对微波信号表现出不同的散射特性。且在农作物不同的物候期表现出不同的散射特性。但微波散射特征目前主要用于水稻的识别，由于雷达数据噪声的影响，在旱田农作物分类方面，雷达图像对不同农作物虽具有指示作用，但农作物分类尚需进一步挖掘。
为此，我们推出了一种基于单变量特征选择方法的农作物遥感识别方法。
发明内容
本发明的目的在于：为了解决目前遥感识别效率低且精度低的技术问题，提供一种基于单变量特征选择方法的农作物遥感识别方法。
本发明采用的技术方案如下：
一种基于单变量特征选择方法的农作物遥感识别方法，包括如下步骤：
S1:获取多时相遥感影像；
S2:对多时相遥感影像进行特征处理；
S3：确定实验方案；
S4：单变量特征选择；
S5:补充支撑数据源；
S6:分类并进行混淆矩阵处理；
S7：对比分析结果。
其中，所述S2包括光谱特征处理，波段差值特征处理，植被指数特征处理和纹理特征处理。
其中，所述S3中实验方案包括单独光谱特征实验方案，光谱特征加波段差值特征实验方案，光谱特征加植被指数特征实验方案，光谱特征加纹理特征实验方案，光谱特征加波段差值特征加植被指数特征加纹理特征实验方案。
其中，所述S4中单变量特征选择利用特征优选与光谱特征、波段差值特征、植被指数特征和纹理特征进行组合形成优选特征组合实验方案。
其中，所述S5中补充支撑数据源包括野外调查数据、主要农作物物候数据库和实验区矢量边界数据。
其中，所述S6中分类并进行混淆矩阵处理，采用随机森林分类器进行分类出现各类实验方案的分类结果，分类结果经混淆矩阵处理后得到实验结果。
其中，所述混淆矩阵包括Kappa系数、总体精度、错分误差和漏分误差矩阵。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明以随机森林分类算法为分类器，基于多时相光谱、植被指数和纹理、波段差值等特征及其组合，对目标区域内农作物进行识别和提取；利用单变量特征选择法对所有特征构建的特征空间进行特征选择，然后利用随机森林分类器对优选特征组合分类，达到高精度区分主要农作物的目的。
2、本发明利用单变量特征选择方法对遥感影像进行分类能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善分类模型及算法，提高农作物遥感识别精度。
3、本发明利用支撑数据源中部分野外调查数据作为验证样本数据，基于混淆矩阵，对各个实验方案进行评价，进一步验证模型，提高识别精度。
附图说明
图1为本发明的流程示意简图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1；一种基于单变量特征选择方法的农作物遥感识别方法，包括如下步骤：
S1:获取多时相遥感影像；
S2:对多时相遥感影像进行特征处理；
S3：确定实验方案；
S4：单变量特征选择；
S5:补充支撑数据源；
S6:分类并进行混淆矩阵处理；
S7：对比分析结果。
其中，所述S2包括光谱特征处理，波段差值特征处理，植被指数特征处理和纹理特征处理。
其中，所述S3中实验方案包括单独光谱特征实验方案，光谱特征加波段差值特征实验方案，光谱特征加植被指数特征实验方案，光谱特征加纹理特征实验方案，光谱特征加波段差值特征加植被指数特征加纹理特征实验方案。
其中，所述S4中单变量特征选择利用特征优选与光谱特征、波段差值特征、植被指数特征和纹理特征进行组合形成优选特征组合实验方案。
其中，所述S5中补充支撑数据源包括野外调查数据、主要农作物物候数据库和实验区矢量边界数据。
其中，所述S6中分类并进行混淆矩阵处理，采用随机森林分类器进行分类出现各类实验方案的分类结果，分类结果经混淆矩阵处理后得到实验结果。
其中，所述混淆矩阵包括Kappa系数、总体精度、错分误差和漏分误差矩阵。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于单变量特征选择方法的农作物遥感识别方法，其特征在于：包括如下步骤：
S1:获取多时相遥感影像；
S2:对多时相遥感影像进行特征处理；
S3：确定实验方案；
S4：单变量特征选择；
S5:补充支撑数据源；
S6:分类并进行混淆矩阵处理；
S7：对比分析结果。
2.如权利要求1所述的一种基于单变量特征选择方法的农作物遥感识别方法，其特征在于：所述S2包括光谱特征处理，波段差值特征处理，植被指数特征处理和纹理特征处理。
3.如权利要求1所述的一种基于单变量特征选择方法的农作物遥感识别方法，其特征在于：所述S3中实验方案包括单独光谱特征实验方案，光谱特征加波段差值特征实验方案，光谱特征加植被指数特征实验方案，光谱特征加纹理特征实验方案，光谱特征加波段差值特征加植被指数特征加纹理特征实验方案。
4.如权利要求1所述的一种基于单变量特征选择方法的农作物遥感识别方法，其特征在于：所述S4中单变量特征选择利用特征优选与光谱特征、波段差值特征、植被指数特征和纹理特征进行组合形成优选特征组合实验方案。
5.如权利要求1所述的一种基于单变量特征选择方法的农作物遥感识别方法，其特征在于：所述S5中补充支撑数据源包括野外调查数据、主要农作物物候数据库和实验区矢量边界数据。
6.如权利要求1所述的一种基于单变量特征选择方法的农作物遥感识别方法，其特征在于：所述S6中分类并进行混淆矩阵处理，采用随机森林分类器进行分类出现各类实验方案的分类结果，分类结果经混淆矩阵处理后得到实验结果。
7.如权利要求6所述的一种基于单变量特征选择方法的农作物遥感识别方法，其特征在于：所述混淆矩阵包括Kappa系数、总体精度、错分误差和漏分误差矩阵。
8.一种采用如权利要求1-7任一所述的基于单变量特征选择方法的农作物遥感识别方法的识别系统。
CN201910365776.6A 2019-04-30 2019-04-30 一种基于单变量特征选择方法的农作物遥感识别方法 Pending CN110135310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910365776.6A CN110135310A (zh) 2019-04-30 2019-04-30 一种基于单变量特征选择方法的农作物遥感识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910365776.6A CN110135310A (zh) 2019-04-30 2019-04-30 一种基于单变量特征选择方法的农作物遥感识别方法

Publications (1)

Publication Number Publication Date
CN110135310A true CN110135310A (zh) 2019-08-16

Family

ID=67576155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910365776.6A Pending CN110135310A (zh) 2019-04-30 2019-04-30 一种基于单变量特征选择方法的农作物遥感识别方法

Country Status (1)

Country Link
CN (1) CN110135310A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801507A (zh) * 2021-01-28 2021-05-14 浙江天演维真网络科技股份有限公司 基于单变量特征选择的农产品质量监控方法
CN113673628A (zh) * 2021-09-07 2021-11-19 中国气象科学研究院 一种基于高分卫星数据的玉米种植分布提取方法
WO2021248599A1 (zh) * 2020-06-12 2021-12-16 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) 一种类型异常图斑自动识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置
CN109543775A (zh) * 2018-12-18 2019-03-29 贵州联科卫信科技有限公司 一种基于密度聚类的面向聚类算法的特征选择方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107480706A (zh) * 2017-07-24 2017-12-15 中国农业大学 一种制种玉米田遥感识别方法及装置
CN109543775A (zh) * 2018-12-18 2019-03-29 贵州联科卫信科技有限公司 一种基于密度聚类的面向聚类算法的特征选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王娜 等: ""单变量特征选择的苏北地区主要农作物遥感识别"", 《遥感学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021248599A1 (zh) * 2020-06-12 2021-12-16 自然资源部四川测绘产品质量监督检验站(四川省测绘产品质量监督检验站) 一种类型异常图斑自动识别方法及系统
CN112801507A (zh) * 2021-01-28 2021-05-14 浙江天演维真网络科技股份有限公司 基于单变量特征选择的农产品质量监控方法
CN113673628A (zh) * 2021-09-07 2021-11-19 中国气象科学研究院 一种基于高分卫星数据的玉米种植分布提取方法

Similar Documents

Publication Publication Date Title
US11334983B2 (en) Anomaly detection
US11275941B2 (en) Crop models and biometrics
Peeters et al. Getis–Ord’s hot-and cold-spot statistics as a basis for multivariate spatial clustering of orchard tree data
Zhou et al. Wheat ears counting in field conditions based on multi-feature optimization and TWSVM
Polewski et al. Detection of fallen trees in ALS point clouds using a Normalized Cut approach trained by simulation
Mishra et al. A Deep Learning-Based Novel Approach for Weed Growth Estimation.
CN110135310A (zh) 一种基于单变量特征选择方法的农作物遥感识别方法
Joseph et al. Intelligent plant disease diagnosis using convolutional neural network: a review
Habibie et al. Deep learning algorithms to determine drought prone areas using remote sensing and GIS
Marcinkowska et al. Mapping vegetation communities of the Karkonosze National Park using APEX hyperspectral data and Support Vector Machines
Li et al. Detection of powdery mildew on strawberry leaves based on DAC-YOLOv4 model
Fang et al. An automatic method for counting wheat tiller number in the field with terrestrial LiDAR
Henry et al. Sugarcane land classification with satellite imagery using logistic regression model
Kao et al. Visualizing distributions from multi-return lidar data to understand forest structure
Urmashev et al. Development of a weed detection system using machine learning and neural network algorithms
Qu et al. Monitoring lodging extents of maize crop using multitemporal GF-1 images
CN111753834A (zh) 基于深度神经网络的种植地块结构语义分割方法和装置
Radhika et al. Ensemble subspace discriminant classification of satellite images
Kuswidiyanto et al. Airborne hyperspectral imaging for early diagnosis of kimchi cabbage downy mildew using 3D-ResNet and leaf segmentation
Guliyeva Land cover/land use monitoring for agriculture features classification
Bharatkar et al. Evaluation of rsi classification methods for effective land use mapping
Sunil et al. Efficient scheme of classifier on land use pattern
Mohite et al. Citrus Gummosis disease severity classification using participatory sensing, remote sensing and weather data
László et al. A fully segment-based method for the classification of satellite images
CN115205691B (zh) 一种水稻种植区域识别方法、装置、存储介质及设备

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

Application publication date: 20190816

WD01 Invention patent application deemed withdrawn after publication