CN111079672B - 基于最大熵特征的葡萄分类提取方法 - Google Patents
基于最大熵特征的葡萄分类提取方法 Download PDFInfo
- Publication number
- CN111079672B CN111079672B CN201911329932.XA CN201911329932A CN111079672B CN 111079672 B CN111079672 B CN 111079672B CN 201911329932 A CN201911329932 A CN 201911329932A CN 111079672 B CN111079672 B CN 111079672B
- Authority
- CN
- China
- Prior art keywords
- classification
- red
- grape
- maximum entropy
- features
- 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.)
- Active
Links
- 235000014787 Vitis vinifera Nutrition 0.000 title claims abstract description 50
- 235000009754 Vitis X bourquina Nutrition 0.000 title claims abstract description 48
- 235000012333 Vitis X labruscana Nutrition 0.000 title claims abstract description 48
- 238000000605 extraction Methods 0.000 title claims abstract description 22
- 240000006365 Vitis vinifera Species 0.000 title description 42
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000007637 random forest analysis Methods 0.000 claims abstract description 25
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 241000219094 Vitaceae Species 0.000 claims abstract description 14
- 235000021021 grapes Nutrition 0.000 claims abstract description 14
- 241000219095 Vitis Species 0.000 claims abstract 8
- 238000003066 decision tree Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013138 pruning Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000001228 spectrum Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 240000001987 Pyrus communis Species 0.000 description 1
- 235000014443 Pyrus communis Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开基于最大熵特征的葡萄分类提取方法，包括如下步骤：(1)葡萄分类识别特征提取；(2)利用随机森林方法进行葡萄园分类检测；(3)对分类精度的评价。本申请基于9个原始光谱特征，2个指数特征和1个最佳熵特征，共计12个特征组成特征组合后，利用随机森林方法进行葡萄园分类检测。为突出葡萄园与其他地类的区别，基于地面调查样本和最大熵模型，获取可指示葡萄园的最佳熵特征。采用本申请的分类提取方法对陕西泾阳葡萄园进行遥感检测，106个葡萄园样本点中，有93个被正确检出，葡萄园制图精度达到87.8％；总体识别精度达到86.8％。说明本申请的基于最大熵特征的葡萄分类提取方法对葡萄的检测分类精度高。
Description
技术领域
本发明涉及遥感技术领域。具体地说是基于最大熵特征的葡萄分类提取方法。
背景技术
泾阳县地处我国西北，隶属于陕西省咸阳市，属于暖温带大陆性季风气候，四季冷暖、干湿分明。年平均气温13℃，冬季(1月)最冷为—20.8℃，夏季最热(7月)为41.4℃。年均降水量548.7毫米，日照时数年平均为2195.2小时。据统计，目前泾阳县种植酿酒葡萄8.02万亩，鲜食葡萄5.95万亩；葡萄总产10.68万吨(酿酒葡萄总产3.51万吨、鲜食葡萄7.17万吨)。全县围绕葡萄产业建成省级现代农业园区2个，建成市级现代农业园区11个。泾阳县在葡萄发展中以企业大户为主，现代农业园区面积占到葡萄总面积的85％。全县累计发展葡萄专业合作社、种植企业20余家，产业发展有效带动了土地集约化经营，提高了土地产出。2014年4月，被陕西省果业局任命为全省第一家葡萄基地县。
2018年6月24日—6月27日，开展了泾阳县地面调查，调查路线和地面调查点分布如图1所示，共采集各类地物GPS样本点共567个。其中，葡萄样本136个。通过地面调查发现，在泾阳县范围内葡萄园主要以两种形态存在：一是大棚碰葡萄，二是普通耕地上种植葡萄。其中，普通耕地上种植的葡萄主要有两类，一是已经可以挂果的成年林，另一类是刚刚种植的葡萄幼苗，而且多数间中于玉米，在影像上主要表现为玉米的特征，或者裸地的特征。普通耕地上的葡萄林大多呈长条状分布，最窄处可达到3米，大部分宽度集中在10-20米左右。普通葡萄的种植结构、大棚葡萄、葡萄幼林等情况都为后续葡萄空间分布检测增加了困难。
发明内容
为此，本发明所要解决的技术问题在于提供一种可准确区分葡萄与其他林果的基于最大熵特征的葡萄分类提取方法。
为解决上述技术问题，本发明提供如下技术方案：
基于最大熵特征的葡萄分类提取方法，包括如下步骤：
(1)葡萄分类识别特征提取；
(2)利用随机森林方法进行葡萄园分类检测；
(3)对分类精度的评价。
上述基于最大熵特征的葡萄分类提取方法，在步骤(1)中，葡萄分类识别特征包括如下：
(1-1)9个原始光谱特征分别为：蓝光波段(Blue)、绿光波段(Green)、红光波段(Red)、红边波段1(RedEdge1)、红边波段2(RedEdge2)、红边波段3(RedEdge3)、近红外波段(Nir-Red)、，短波红外1(SWIR1)和短波红外2(SWIR2)；
(1-2)2个指数特征为：NDVI归一化植被指数和EVI环境植被指数；
(1-3)1个最佳熵特征。
上述基于最大熵特征的葡萄分类提取方法，NDVI归一化植被指数的计算公式为：
NDVI＝(ρnir-ρred)/(ρnir+ρred) (Ⅰ)；
其中：ρnir为近红外波段反射率，ρred为红波段反射率。
上述基于最大熵特征的葡萄分类提取方法，EVI环境植被指数的计算公式为：
其中，ρnir为近红外波段反射率，ρred为红波段反射率，ρblue为蓝波段反射率。
上述基于最大熵特征的葡萄分类提取方法，
最大熵模型在给定输入变量x时，输出变量y的条件分布为：
其中：θ为权值向量；x为输入变量；y为输出变量；Dom(y)是y所有可能取值的集合；P(y|x,θ)为条件分布；
条件分布的熵为：
其中：P(y,x)为输入变量x与输出变量y的联合概率；P(y|x)为表示变量为x时，y出现的概率；
首先满足约束条件，然后使得H(P)熵最大，即可最大熵模型P*为：
其中：C为类别集合。
上述基于最大熵特征的葡萄分类提取方法，在步骤(2)中，随机森林的构建是一个重复构建决策树的过程：假设训练样本的总数为N，每个样本具有M个属性，构建决策树的总数为T，则将随机森林应用于图像分类的方法如下：
(2-1)从原始训练样本中随机有放回的抽取N个训练样本，形成样本集来训练一个决策树，并将训练样本集作为根节点处的样本；
(2-2)决策树的每一节点分裂时，都随机地从M个特征中选取m个特征，其中m<M，根据基尼系数或者信息熵指标从m个属性中选取最佳的分裂特征；
(2-3)重复步骤(2-2)，直到决策树中的任意叶子节点不可再分为止，即构建了一棵决策树，在整个决策树生成过程中没有进行剪枝；
(2-4)重复以上三个步骤T次，即构建了T棵独立的决策树，形成了森林；
(2-5)将步骤(1)中提取的葡萄样本识别特征输入随机森林分类器中，对于每个样本每棵决策树都输出对应的预测值，对其类别进行投票，最终投票数最多的一类为该样本最终确定的类别。
上述基于最大熵特征的葡萄分类提取方法，在步骤(3)中，采用总体分类精度和Kappa系数评价整个分类图的精度。
上述基于最大熵特征的葡萄分类提取方法，混淆矩阵中，沿着对角线分布的像元是被正确分类的像元个数，总像元数等于所有真实参考源的像元总数，总体分类精度计算公式如下：
其中，Pc表示总体分类精度，N表示样本总个数，m表示分类类别个数，Pkk表示第k类的判别样本个数。
上述基于最大熵特征的葡萄分类提取方法，Kappa系数的计算公式如下：
式中，K表示Kappa系数，m和N分别表示分类类别个数和样本总数，ppi为第i类所在列总数，pli为第i类所在行总数。
根据权利要求9所述的基于最大熵特征的葡萄分类提取方法，其特征在于，当Kappa系数K小于0.5时，认为分类精度比较差，当Kappa系数K大于0.6时分类精度较高。
本发明的技术方案取得了如下有益的技术效果：
本申请基于9个原始光谱特征，2个指数特征和1个最佳熵特征，共计12个特征组成特征组合后，利用随机森林方法进行葡萄园分类检测。
为突出葡萄园与其他地类的区别，基于地面调查样本和最大熵模型，获取可指示葡萄园的最佳熵特征。最大熵模型是对未知的情况不要做任何主观假设，概率分布最均匀，预测的风险最小，对葡萄分类提取的精度高。
随机森林是一种集成学习方法，通过建立多棵决策树组成森林，可以有效的解决样本不均衡，类间特征差异小等问题，备较高的分类准确率、较强的抗噪、抗异常值的能力，同时能处理大量数据，且不易出现过渡拟合的优点。
采用本申请的分类提取方法对陕西泾阳葡萄园进行遥感检测，106个葡萄园样本点中(去除幼年林、大棚种植的样本点，共计30个)，有93个被正确检出，葡萄园制图精度达到87.8％；总体识别精度达到86.8％。说明本申请的基于最大熵特征的葡萄分类提取方法对葡萄的检测分类精度高。
附图说明
图1地面调查路线与样本空间分布图；
图2各类地物光谱特征曲线；
图3不同地物最佳熵特征箱型图统计图；
图4泾阳县葡萄园空间分布图。
具体实施方式
基于2018年6月13日哨兵2号数据，结合地面调查样本，统计分析了各类地物的光谱特征变化，各类地物光谱特征曲线如图2所示，从图2中可以看出，葡萄园的光谱特征与桃园、苹果园、梨树等类别虽有细微差别，但是总体趋势一致，因此，基于原始光谱特征以及基于原始光谱特征的简单代数运算而获得的指数特征很难准确提取葡萄园。为突出葡萄园与其他地类的区别，基于地面调查样本和最大熵模型，获取可指示葡萄园的最佳熵特征，对不同地物最佳熵特征做了箱型图统计图分析，如图3所示。箱型图是一种用作显示一组数据分散情况资料的统计图，主要用于反映原始数据分布的特征，同时还可以进行多组数据分布特征的比较。箱型图能直观明了地识别数据批中的异常值，利用箱线图可以判断数据的偏态和尾重，可以比较几批数据的形状。箱型图包含5个参数(上边缘、下边缘、中位数、上四分位数、下四分位数)，其中，下边缘为特征样本数据的最小值，下四分位数为特征样本所有数值由小到大排列后第25％的数值，中位数为特征样本所有数值由小到大排列后第50％的数值，上四分位数为特征样本所有数值由小到大排列后第75％的数值，上边缘为特征样本数据的最大值。
从图3中可以看出，各类地物与大部分葡萄园可以准确地被区分，只有部分桃园依旧无法有效区分，即高覆盖度的成年葡萄林与桃园无法有效区分。
基于上述问题，本实施例为基于最大熵特征的葡萄分类提取方法。基于9个原始光谱特征，计算了2个指数特征(NDVI归一化植被指数，EVI环境植被指数)，一个最佳熵特征，共计12个特征组成特征组合后，利用随机森林方法进行葡萄园分类检测。随机森林是一种集成学习方法，通过建立多棵决策树组成森林，可以有效的解决样本不均衡，类间特征差异小等问题。
包括如下步骤：
一、葡萄分类识别特征提取
(1)9个原始光谱特征：蓝光波段(Blue)、绿光波段(Green)、红光波段(Red)、红边波段1(RedEdge1)、红边波段2(RedEdge2)、红边波段3(RedEdge3)、近红外波段(Nir-Red)、，短波红外1(SWIR1)和短波红外2(SWIR2)。
(2)2个指数特征：NDVI归一化植被指数和EVI环境植被指数。
NDVI归一化植被指数的计算公式为：
NDVI＝(ρnir-ρred)/(ρnir+ρred) (Ⅰ)；
其中：ρnir为近红外波段反射率，ρred为红波段反射率。
EVI环境植被指数的计算公式为
其中，ρnir为近红外波段反射率，ρred为红波段反射率，ρblue为蓝波段反射率。
(3)1个最佳熵特征。
最大熵模型(Maximum Entropy Model，以下简称MaxEnt)，MaxEnt是概率模型学习中一个准则，其思想为：在学习概率模型时，所有可能的模型中熵最大的模型是最好的模型；若概率模型需要满足一些约束，则最大熵原理就是在满足已知约束的条件集合中选择熵最大模型。最大熵原理指出，对一个随机事件的概率分布进行预测时，预测应当满足全部已知的约束，而对未知的情况不要做任何主观假设。在这种情况下，概率分布最均匀，预测的风险最小，因此得到的概率分布的熵是最大。
最大熵模型在给定输入变量x时，输出变量y的条件分布为：
其中：θ为权值向量；x为输入变量；y为输出变量；Dom(y)是y所有可能取值的集合；P(y|x,θ)为条件分布；
条件分布的熵为：
其中：P(y,x)为输入变量x与输出变量y的联合概率；P(y|x)为表示变量为x时，y出现的概率；
首先满足约束条件，然后使得H(P)熵最大，即可最大熵模型P*为：
其中：C为类别集合。
二、利用随机森林方法进行葡萄园分类检测；
机森林算法具有泛化能力更强，分类更加准确等特点，近几年在遥感图像识别领域得到广泛应用。随机森林算法是以弱决策树分类器为基础，采用Bagging方法而生成的一种高效的集成分类器。因此，随机森林算法继承了决策树算法在分类过程中高效、无需假设、提供样本描述等优点，同时通过Bagging集成，在维持偏差较低的情况下，降低了分类误差的方差，使分类结果变得非常稳定。因具备较高的分类准确率、较强的抗噪、抗异常值的能力，同时能处理大量数据，且不易出现过渡拟合的优点，随机森林算法已成为目前遥感图像分类算中炙手可热的分类器，在农林业回归模型分析和遥感图像分类方面有了有着重要的应用。
随机森林的构建是一个重复构建决策树的过程。假设训练样本的总数为N，每个样本具有M个属性，构建决策树的总数为T，则将随机森林应用于图像分类的基本思想如下：
(1)从原始训练样本中随机有放回的抽取N个训练样本，形成样本集来训练一个决策树，并将训练样本集作为根节点处的样本。
(2)在决策树的每一节点分裂时，都随机地从M个特征中选取m个特征(m<M)，根据基尼系数或者信息熵指标从m个属性中选取最佳的分裂特征。
(3)重复步骤(2)，直到决策树中的任意叶子节点不可再分为止，即构建了一棵决策树，在整个决策树生成过程中没有进行剪枝；
(4)重复以上三个步骤T次，即构建了T棵独立的决策树，形成了森林。
在生成随机森林的过程中，对每一棵决策树不进行剪枝，让其最大限度的增长，最终将所有的决策树组合成随机森林。完成随机森林的构建后，将步骤(1)中提取的葡萄样本识别特征输入随机森林分类器中，对于每个样本每棵决策树都输出对应的预测值对其类别进行投票，最终投票数最多的一类为该样本最终确定的类别。
三、葡萄遥感检测结果与精度评价
像元尺度的分类精度评价采用的主要参数都是基于精度检验样本的混淆矩阵(误差矩阵)计算得到的。采用总体分类精度和Kappa系数评价整个分类图的精度，以条件Kappa系数评价某一类别的精度。应用混淆矩阵分析的主要参数有总体分类精度、Kappa系数、错分误差、漏分误差、生产者精度、用户精度等评价指标，其中，总体分类精度和Kappa系数反映整个分类图的分类精度。
混淆矩阵中，沿着对角线分布的像元是被正确分类的像元个数，总像元数等于所有真实参考源的像元总数，总体分类精度计算公式如下：
式中，Pc表示总体分类精度，N表示样本总个数，m表示分类类别个数，Pkk表示第k类的判别样本个数。
Kappa系数的计算公式如下：
式中，K表示Kappa系数，m和N分别表示分类类别个数和样本总数，ppi为第i类所在列总数，pli为第i类所在行总数。
根据经验值当Kappa系数小于0.5时，认为分类精度比较差，当Kappa系数大于0.6时分类精度较高。
陕西泾阳葡萄遥感检测结果如图4和表1所示：
表1葡萄园检测精度混淆矩阵
| 葡萄(个) | 其他(个) | 总计(个) | |
| 葡萄 | 93 | 13 | 106 |
| 其他 | 62 | 399 | 461 |
| 总计 | 155 | 412 | 567 |
葡萄园主要分布在泾阳县西北部与北部区域，中部及南部地区分布较少。经统计，总面积达到6.08万亩，其中需要特别指出的是该检测结果不包含大棚葡萄与刚刚在耕地种植的幼年林。经检验：106个葡萄园样本点中(去除幼年林、大棚种植的样本点，共计30个)，有93个被正确检出，葡萄园制图精度达到87.8％；总体识别精度达到86.8％。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。
Claims (5)
1.基于最大熵特征的葡萄分类提取方法，其特征在于，包括如下步骤：
(1)葡萄分类识别特征提取；
(2)利用随机森林方法进行葡萄园分类检测；
(3)对分类精度的评价；
在步骤(1)中，葡萄分类识别特征包括如下：
(1-1)9个原始光谱特征分别为：蓝光波段(Blue)、绿光波段(Green)、红光波段(Red)、红边波段1(RedEdge1)、红边波段2(RedEdge2)、红边波段3(RedEdge3)、近红外波段(Nir-Red)、短波红外1(SWIR1)和短波红外2(SWIR2)；
(1-2)2个指数特征为：NDVI归一化植被指数和EVI环境植被指数；
(1-3)1个最佳熵特征；
NDVI归一化植被指数的计算公式为：
NDVI＝(ρnir-ρred)/(ρnir+ρred) (Ⅰ)；
其中：ρnir为近红外波段反射率，ρred为红波段反射率；
EVI环境植被指数的计算公式为：
其中，ρnir为近红外波段反射率，ρred为红波段反射率，ρblue为蓝波段反射率；
最大熵模型在给定输入变量x时，输出变量y的条件分布为：
其中：θ为权值向量；x为输入变量；y为输出变量；Dom(y)是y所有可能取值的集合；P(y|x,θ)为条件分布；
条件分布的熵为：
其中：P(y,x)为输入变量x与输出变量y的联合概率；P(y|x)为表示变量为x时，y出现的概率；
首先满足约束条件，然后使得H(P)熵最大，即可最大熵模型P*为：
其中：C为类别集合；
在步骤(2)中，随机森林的构建是一个重复构建决策树的过程：假设训练样本的总数为N，每个样本具有M个属性，构建决策树的总数为T，则将随机森林应用于图像分类的方法如下：
(2-1)从原始训练样本中随机有放回的抽取N个训练样本，形成样本集来训练一个决策树，并将训练样本集作为根节点处的样本；
(2-2)决策树的每一节点分裂时，都随机地从M个特征中选取m个特征，其中m<M，根据基尼系数或者信息熵指标从m个属性中选取最佳的分裂特征；
(2-3)重复步骤(2-2)，直到决策树中的任意叶子节点不可再分为止，即构建了一棵决策树，在整个决策树生成过程中没有进行剪枝；
(2-4)重复以上三个步骤T次，即构建了T棵独立的决策树，形成了森林；
(2-5)将步骤(1)中提取的葡萄样本识别特征输入随机森林分类器中，对于每个样本每棵决策树都输出对应的预测值，对其类别进行投票，最终投票数最多的一类为该样本最终确定的类别。
2.根据权利要求1所述的基于最大熵特征的葡萄分类提取方法，其特征在于，在步骤(3)中，采用总体分类精度和Kappa系数评价整个分类图的精度。
3.根据权利要求2所述的基于最大熵特征的葡萄分类提取方法，其特征在于，混淆矩阵中，沿着对角线分布的像元是被正确分类的像元个数，总像元数等于所有真实参考源的像元总数，总体分类精度计算公式如下：
其中，Pc表示总体分类精度，N表示样本总个数，m表示分类类别个数，Pkk表示第k类的判别样本个数。
4.根据权利要求2所述的基于最大熵特征的葡萄分类提取方法，其特征在于，Kappa系数的计算公式如下：
式中，K表示Kappa系数，m和N分别表示分类类别个数和样本总数，ppi为第i类所在列总数，pli为第i类所在行总数。
5.根据权利要求4所述的基于最大熵特征的葡萄分类提取方法，其特征在于，当Kappa系数K小于0.5时，认为分类精度比较差，当Kappa系数K大于0.6时分类精度较高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911329932.XA CN111079672B (zh) | 2019-12-20 | 2019-12-20 | 基于最大熵特征的葡萄分类提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911329932.XA CN111079672B (zh) | 2019-12-20 | 2019-12-20 | 基于最大熵特征的葡萄分类提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111079672A CN111079672A (zh) | 2020-04-28 |
| CN111079672B true CN111079672B (zh) | 2023-10-13 |
Family
ID=70316445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911329932.XA Active CN111079672B (zh) | 2019-12-20 | 2019-12-20 | 基于最大熵特征的葡萄分类提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111079672B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN108038448A (zh) * | 2017-12-13 | 2018-05-15 | 河南理工大学 | 基于加权熵的半监督随机森林高光谱遥感影像分类方法 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
| CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
| CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
| CN114494882A (zh) * | 2022-02-07 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于随机森林的冬小麦遥感识别分析方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8306942B2 (en) * | 2008-05-06 | 2012-11-06 | Lawrence Livermore National Security, Llc | Discriminant forest classification method and system |
| US11315045B2 (en) * | 2016-12-29 | 2022-04-26 | Intel Corporation | Entropy-based weighting in random forest models |
-
2019
- 2019-12-20 CN CN201911329932.XA patent/CN111079672B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105354534A (zh) * | 2015-09-29 | 2016-02-24 | 南京林业大学 | 一种基于多源同期高分辨率遥感数据的树种分类方法 |
| CN106650689A (zh) * | 2016-12-30 | 2017-05-10 | 厦门理工学院 | 一种沿海城市时间序列土地利用信息提取方法 |
| CN108038448A (zh) * | 2017-12-13 | 2018-05-15 | 河南理工大学 | 基于加权熵的半监督随机森林高光谱遥感影像分类方法 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
| CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
| CN110398466A (zh) * | 2019-08-05 | 2019-11-01 | 北京绿土科技有限公司 | 基于遥感反演的农作物生长状态监测方法 |
| CN114494882A (zh) * | 2022-02-07 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于随机森林的冬小麦遥感识别分析方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 程光等.《加密流量测量与分析》.2018,第37页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111079672A (zh) | 2020-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Diagnosis of winter-wheat water stress based on UAV-borne multispectral image texture and vegetation indices | |
| CN106372592A (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| Tan et al. | Expert systems in oil palm precision agriculture: A decade systematic review | |
| CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
| CN114821321A (zh) | 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法 | |
| CN110263735A (zh) | 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法 | |
| 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 | |
| CN113657158A (zh) | 基于Google Earth Engine的大尺度大豆种植区域提取算法 | |
| Panda et al. | Distinguishing blueberry bushes from mixed vegetation land use using high resolution satellite imagery and geospatial techniques | |
| Real et al. | A climatology of Vintage Port quality | |
| Bayav et al. | Peach production and foreign trade of Turkey: current situation, forecasting and analysis of competitiveness | |
| CN111079672B (zh) | 基于最大熵特征的葡萄分类提取方法 | |
| CN116883874A (zh) | 一种用于芳樟矮林综合长势的评估方法及系统 | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| CN115690582A (zh) | 一种基于高光谱数据的冬小麦识别方法 | |
| CN116030345A (zh) | 基于机器学习模型的叶龄预测方法 | |
| CN114154694A (zh) | 基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法 | |
| Patel et al. | Mapping Canopy Nitrogen Concentration across Ryegrass and Barley Crop Using Random Forest Regression | |
| Oluwole et al. | Machine learning solution for prediction of soil nutrients for crop yield: a survey | |
| Şallı | Random forest classification of tomato fields with planet satellite image data and accuracy assessment | |
| Vagh et al. | Mining temperature profile data for shire-level crop yield prediction | |
| CN114548220B (zh) | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 | |
| CN115344997B (zh) | 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 | |
| Jang et al. | Estimation of Apple Leaf Nitrogen Concentration Using Hyperspectral Imaging-Based Wavelength Selection and Machine Learning | |
| Sun et al. | Potential of multi-seasonal vegetation indices to predict rice yield from UAV multispectral observations |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230906 Address after: No. 9 Dengzhuang South Road, Haidian District, Beijing 100094 Applicant after: Aerospace Information Research Institute,Chinese Academy of Sciences Address before: 100101 Beijing Chaoyang District Andingmen Datun Road No. 20 North Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |