CN111259727A - 基于遥感数据的秋收主要农作物信息提取方法及系统 - Google Patents
基于遥感数据的秋收主要农作物信息提取方法及系统 Download PDFInfo
- Publication number
- CN111259727A CN111259727A CN201911275732.0A CN201911275732A CN111259727A CN 111259727 A CN111259727 A CN 111259727A CN 201911275732 A CN201911275732 A CN 201911275732A CN 111259727 A CN111259727 A CN 111259727A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- training
- sensing data
- main
- autumn harvest
- 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
- 238000003306 harvesting Methods 0.000 title claims abstract description 69
- 238000000605 extraction Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 230000002441 reversible effect Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 244000105624 Arachis hypogaea Species 0.000 abstract description 2
- 229920000742 Cotton Polymers 0.000 abstract description 2
- 244000068988 Glycine max Species 0.000 abstract description 2
- 235000010469 Glycine max Nutrition 0.000 abstract description 2
- 241000219146 Gossypium Species 0.000 abstract description 2
- 240000007594 Oryza sativa Species 0.000 abstract description 2
- 235000007164 Oryza sativa Nutrition 0.000 abstract description 2
- 240000008042 Zea mays Species 0.000 abstract description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 abstract description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 abstract description 2
- 235000005822 corn Nutrition 0.000 abstract description 2
- 235000020232 peanut Nutrition 0.000 abstract description 2
- 238000012805 post-processing Methods 0.000 abstract description 2
- 235000009566 rice Nutrition 0.000 abstract description 2
- 235000017060 Arachis glabrata Nutrition 0.000 abstract 1
- 235000010777 Arachis hypogaea Nutrition 0.000 abstract 1
- 235000018262 Arachis monticola Nutrition 0.000 abstract 1
- 230000008859 change Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于遥感数据的秋收主要农作物信息提取方法及系统，本发明基于对多时相遥感影像进行波段合并，并结合各作物的物候特征、光谱特征和纹理特征等选取训练样本，采用B‑P神经网络方法对遥感数据进行监督分类，并对分类结果进行分类后处理，实现对研究区各县及全省夏玉米、棉花、花生、大豆、中稻等主要农作物的信息提取。本发明通过多时相遥感影像波段合并，在减小训练样本数量的条件下，提高了农作物的分类精度，降低了分类过程中的人工成本，提高了工作效率。
Description
技术领域
本发明属于卫星遥感技术领域，尤其涉及一种基于遥感数据的秋收主要农作物信息提取方法及系统。
背景技术
及时准确地获取农作物面积和空间分布，可为农业生产产量的预报及评估、粮食价格预测和国家粮食生产布局及规划等提供科学依据。利用农作物光谱特征以及适宜于不同地物类型提取的指数因子，可以将农作物信息从遥感影像中分离出来。目前，农作物信息提取主要可以分为基于单时相和多时相信息提取方法。利用农作物长势关键期的单时相影像提取作物空间分布，由于不同作物在类似物候期上的交叉，不能从农作物生长过程中最大程度地发现与背景地物的差异，严重影响了作物识别精度；利用多时相遥感影像进行监督分类提取作物，大多针对单一种类作物，并且每个时相影像分别建立分类体系、重复绘制训练样本，多次单独监督分类，整合多时相影像分类结果，得到多个时相下单个区域农作物空间分布，各时相影像之间不同农作物差异不易区分，重复绘制训练样本、分别进行监督分类方法工作量大、精度低，且缺乏直观的空间分布信息，不能充分整合多时相影像的农作物地物光谱特征。
传统方法提取农作物信息方法的不足之处在于：
第一，由于不同作物在类似物候期上的交叉，单一时相影像无法识别农作物之间的差异，较大程度影响了作物提取精度，不利于获取农作物空间分布。
第二，多时相多次单独分类，一方面很难获取一致的分类标准，另一方面，其每一次分类的误差将会在随后的分类结果整合得到农作物空间分布时被放大，严重降低了农作物识别精度。
第三，由于监督分类学习过程依赖于样本的选择，欲取得较好的分类结果，对训练样本数量和精度要求较高，样本选择本身工作量较大，若每个时相影像分别建立分类体系、绘制训练样本，则更大程度增加监督分类的工作量。
第四，多次单独训练样本绘制只能基于单一时相进行，无法综合不同时相下农作物的光谱特征，因此无法最大限度的利用多时相下同一种地物时间序列下的光谱变化过程，不利于分类结果提取。
发明内容
本发明解决的技术问题是：克服现有技术的不足，提供了一种基于遥感数据的秋收主要农作物信息提取方法及系统，解决了基于遥感数据提取多种农作物的精度低、多次单独分类工作量大以及无法最大限度的利用多时相下同一种地物时间序列下的光谱变化过程的问题。
本发明目的通过以下技术方案予以实现：一种基于遥感数据的秋收主要农作物信息提取方法，所述方法包括如下步骤：(1)调查待研究区主要秋收农作物，确定待研究区主要秋收农作物的分类体系；(2)根据步骤(1)中确定的分类体系，结合主要秋收农作物的物候期以及其光谱、纹理的特征，选取进行主要秋收农作物信息提取所需要的不同时相的研究区遥感数据，并利用遥感手段对多个时相遥感数据进行正射校正、图像配准、镶嵌、云检测的预处理工作，得到符合分类体系要求的多时相遥感数据；然后对符合分类体系要求的多时相遥感数据进行波段合并；(3)基于实地调查样方，利用目视解译的方法，挑选训练样本，综合多时相的主要秋收农作物的光谱、纹理信息，对于同一种秋收农作物绘制多套训练样本，最后对训练样本的数据集进行有效评估训练样本达到分类要求；其中，有效评估的条件为可分离性大于1.8；(4)根据目视解译与神经网络监督分类相结合的方法，对步骤(2)中波段合并处理后的多时相遥感数据进行信息提取，获取待研究区主要秋收农作物种植空间分布。
上述基于遥感数据的秋收主要农作物信息提取方法中，在步骤(4)中，所述神经网络为B-P神经网络。
上述基于遥感数据的秋收主要农作物信息提取方法中，用于分类的B-P神经网络具有一个输入层、一个隐藏层和一个输出层组成的3层；其中，输入层节点个数n与遥感影像的样本特征数相同，输出层节点个数与样本的类别数相同；每相邻的两层节点质检单方向互联，训练过程分正向和逆向传播两个传播过程；样本信息在正向传播过程中，隐藏层节点和输出层节点均经过激活函数f((x)作用之后，在两层节点处分别获得样本节点输出信息Hj和网络输出信息Ok；根据网络输出信息Ok与其目标输出信息Tk得到第一误差信号δk；然后第一误差信号δk进入逆向传播，传播到隐藏节点处获得第二误差信号σj；再用误差δk和σj向误差函数减少的方向调整隐藏节点与输出节点之间的联接权值Vkj、输出节点的阈值γk、输入节点与隐藏节点之间的联接权值wji和隐藏节点的阈值θj；将需训练的遥感图像训练样本逐个输入B-P神经网络中，按照正向传播过程和逆向传播过程两个过程进行训练，待所有样本全部训练一遍之后，计算分类的均方根误差E；当满足E≤λ时，训练结束，获取训练完毕后网络节点之间的联接权值wji、Vkj和阈值θj、γk；否则，更新训练次数，将样本再逐个输入网络进行往复训练，直到满足E≤λ为止，其中，λ为指定精度。
上述基于遥感数据的秋收主要农作物信息提取方法中，样本节点输出信息Hj为：
其中，f(x)为激活函数，Ii为输入遥感图像样本，wji为输入节点与隐藏节点之间的联接权值，θj为隐藏节点的阈值，M为正向训练过程中符合训练要求的样本数，i为正向训练过程中符合训练要求的样本序号，x为节点。
上述基于遥感数据的秋收主要农作物信息提取方法中，网络输出信息Ok为：
其中，Vkj为隐藏节点与输出节点之间的联接权值，γk为输出节点的阈值，H为逆向训练过程中符合训练要求的样本数，j为逆向训练过程中符合训练要求的样本序号。
上述基于遥感数据的秋收主要农作物信息提取方法中，第一误差信号δk为δk＝(Ok-Tk)Ok(1-Ok)。
上述基于遥感数据的秋收主要农作物信息提取方法中，第二误差信号σi为σj＝(∑δkVkj)Hj(1-Hj)。
上述基于遥感数据的秋收主要农作物信息提取方法中，再用误差δk和σj向误差函数减少的方向调整隐藏节点与输出节点之间的联接权值Vki、输出节点的阈值γk、输入节点与隐藏节点之间的联接权值wji和隐藏节点的阈值θj为：
Vkj＝Vkj+αδkHj
γk＝γk+βδkHi
wji＝wji+αδjHIi
θj＝θj+βσj
其中，学习参数α，β在[0.2，0.5]之间取值。
上述基于遥感数据的秋收主要农作物信息提取方法中，分类的均方根误差E为：
其中，l为训练次数，N为样本数，Olk为第l次训练的网络输出信息，Tlk为第l次训练的目标输出信息，k为样本的序号。
一种基于遥感数据的秋收主要农作物信息提取系统，包括：分类体系模块，用于调查待研究区主要秋收农作物，确定待研究区主要秋收农作物的分类体系；数据选取和预处理模块，用于根据分类体系模块中确定的分类体系，结合主要秋收农作物的物候期以及其光谱、纹理的特征，选取进行主要秋收农作物信息提取所需要的不同时相的研究区遥感数据，并利用遥感手段对多个时相遥感数据进行正射校正、图像配准、镶嵌、云检测的预处理工作，得到符合分类体系要求的多时相遥感数据；然后对符合分类体系要求的多时相遥感数据进行波段合并；训练样本选取模块，用于基于实地调查样方，利用目视解译的方法，挑选训练样本，综合多时相的主要秋收农作物的光谱、纹理信息，对于同一种秋收农作物绘制多套训练样本，最后对训练样本的数据集进行有效评估训练样本达到分类要求；其中，有效评估的条件为可分离性大于1.8；秋收主要农作物信息提取模块，用于根据目视解译与神经网络监督分类相结合的方法，对数据选取和预处理模块中波段合并处理后的多时相遥感数据进行信息提取，获取待研究区主要秋收农作物种植空间分布。
本发明与现有技术相比具有如下有益效果：
(1)本发明将待研究区多个时相影像分别进行波段合并，生成一副单一图像，并将合成后的单一图像分窗口、联动显示，综合考虑不同作物不同时相下农作物光谱特征，最大限度综合考虑利用同一种地物在多个时相下光谱变化过程，有利于分类结果提取和提高分类精度；
(2)本发明将合成后的多时相单一图像数据分窗口显示，多个时相只用选择一套训练样本，大大减小了训练样本选择和分类的工作量，降低人工成本；
(3)本发明合并后包含了多时相信息的单一影像选择一套训练样本，避免了多套训练样本选择、分类过程误差被夸大的问题，大大提高农作物分类精度。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1是本发明实施例提供的神经网络示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本实施例提供了一种基于遥感数据的秋收主要农作物信息提取方法，该方法包括如下步骤：
(1)确定分类体系：调查待研究区各县主要秋收农作物，确定研究区的分类体系，为待研究区秋收主要农作物如夏玉米、棉花、花生、大豆、中稻、谷子等的信息提取做准备。
(2)数据选取和预处理：根据步骤(1)中确定的分类体系，在各项支撑数据源的支持下，结合主要农作物的物候期以及其光谱、纹理等特征，选取进行主要农作物信息提取所需要的不同时相(主要为6月上旬、8月下旬和10月中旬)的研究区遥感数据。然后利用遥感软件对多个时相遥感数据进行正射校正、图像配准、镶嵌、云检测等预处理工作，得到符合分类要求的多时相遥感数据。最后按照县级行政区划分别对多时相数据进行波段合并。
(3)训练样本的选取：基于实地调查样方，在ENVI或ArcGIS遥感软件中利用目视解译的方法，在遵循样本选取的规范性、准确性和代表性规则的前提下，挑选足够的训练样本。并综合多个时相农作物的光谱、纹理信息，对同一种农作物类型绘制多套较为纯净的训练样本。最后对训练样本数据集进行整合评估，计算其可分离性，当可分离性大于1.8时，认为样本达到分类要求。
(4)秋收主要农作物信息提取：用目视解译与神经网络监督分类相结合的方法，对处理后的多时相遥感数据进行信息提取，获取各个县及全省秋收主要农作物种植空间分布。应用于遥感影像监督分类中的神经网络主要为B-P神经网络，其主要思想是：把遥感影像的提取特征作为神经网络的输入信号，神经网络按照一定规则训练后，在输出端即可以对输出信号进行分类。神经网络示意图如图1所示。
用于分类的B-P神经网络一般具有一个输入层、一个隐藏层和一个输出层组成的3层。输入层节点个数n与遥感影像的样本特征数相同，输出层节点个数与样本的类别数相同，隐藏层节点数目根据实际问题和经验确定。每相邻的两层节点质检单方向互联，训练过程分正向和逆向传播两个传播过程。样本信息在正向传播过程中，隐藏层节点和输出节点均经过激活函数f(x)作用之后，在两层节点处分别获得输出信息Hj和Ok。
上述公式中，f(x)为激活函数，Ii为输入遥感图像样本，wji和Vkj分别为输入节点与隐藏节点、隐藏节点与输出节点之间的联接权值，θj、γk分别为隐藏节点与输出节点的阈值，其初始权值和阈值均在(0，1)之间随机赋值，网络输出Ok与其目标输出Tk的误差信号为δk：
δk＝(Ok-Tk)Ok(1-Ok)
然后δk进入你想传播，传播到隐藏节点处获得误差信号σj：
σj＝(∑δkVkj)Hj(1-Hj)
再用误差δk和σj向误差函数减少的方向调整权值和阈值：
Vkj＝Vkj+αδkHj
γk＝γk+βδkHj
wji＝wji+αδjHIi
θj＝θj+βσj
以上公式中的学习参数α，β一般在[0.2，0.5]之间趋势，将需训练的遥感图像训练样本逐个输入B-P神经网络中，按照以上正、逆两个过程进行训练，待所有样本全部训练一遍之后，计算分类的均方根误差E
当满足E≤λ(指定精度)时，训练结束，获取训练完毕后网络节点之间的联接权值wji、Vkj和阈值θj、γk；否则，更新训练次数，将样本再逐个输入网络进行往复训练，直到满足E≤λ为止。
(5)分类后处理。监督分类完成之后，对邻近的类似农作物类别进行区域进行聚类合并，去除孤立农作物类别；对于局部错分、漏分的像元进行手动修改，以获得较高精度的研究区各县及全省的主要农作物空间分布结果。
本实施例还提供了一种基于遥感数据的秋收主要农作物信息提取系统，包括：分类体系模块，用于调查待研究区主要秋收农作物，确定待研究区主要秋收农作物的分类体系；数据选取和预处理模块，用于根据分类体系模块中确定的分类体系，结合主要秋收农作物的物候期以及其光谱、纹理的特征，选取进行主要秋收农作物信息提取所需要的不同时相的研究区遥感数据，并利用遥感手段对多个时相遥感数据进行正射校正、图像配准、镶嵌、云检测的预处理工作，得到符合分类体系要求的多时相遥感数据；然后对符合分类体系要求的多时相遥感数据进行波段合并；训练样本选取模块，用于基于实地调查样方，利用目视解译的方法，挑选训练样本，综合多时相的主要秋收农作物的光谱、纹理信息，对于同一种秋收农作物绘制多套训练样本，最后对训练样本的数据集进行有效评估训练样本达到分类要求；其中，有效评估的条件为可分离性大于1.8；秋收主要农作物信息提取模块，用于根据目视解译与神经网络监督分类相结合的方法，对数据选取和预处理模块中波段合并处理后的多时相遥感数据进行信息提取，获取待研究区主要秋收农作物种植空间分布。
本实施例首先确定主要农作物分类体系，在各项支撑数据源的支持下，结合主要农作物物候期和光谱、纹理等特征，确定提取农作物信息提取的多个时相，利用遥感技术对多个时相遥感数据进行预处理；然后，将待研究区预处理后多时相遥感数据，分别进行波段合并，将多时相遥感数据合成一副单一图像；并结合实地样方调查数据，对包含了多时相信息的图像进行区域多种作物信息提取，以减少误差夸大变化的程度，获取较为可靠的农作物空间分布结果。
将本发明应用于农作物提取时，只需要结合主要农作物物候期和光谱、纹理等特征，确定提取农作物信息提取的多个时相，并对遥感图进行正射校正、图像配准、镶嵌、云检测等预处理；然后将每个县多个时相影像进行波段合并，生成一副单一图像，并将合成后的单一图像分窗口、联动显示，结合各种作物物候特征，对比同一块农作物多个时相下光谱、纹理特征选择较为纯净的训练样本。综合多个时相下农作物光谱特征，最大限度利用多个时相下同一种地物时间序列下光谱变化过程，可以解决基于遥感数据提取多种农作物精度低、多次单独分类工作量大等问题。与传统农作物提取方法相比，本发明将多个时相影像进行波段合并的主要优点和改进主要包括以下三个方面：
第一，将每个县多个时相影像分别进行波段合并，生成一副单一图像，并将合成后的单一图像分窗口、联动显示，综合考虑不同作物不同时相下农作物光谱特征，最大限度综合考虑利用同一种地物在多个时相下光谱变化过程，有利于分类结果提取和提高分类精度。
第二，将合成后的多时相单一图像数据分窗口显示，多个时相只用选择一套训练样本，大大减小了训练样本选择和分类的工作量，降低人工成本。
第三，合并后包含了多时相信息的单一影像选择一套训练样本，避免了多套训练样本选择、分类过程误差被夸大的问题，大大提高农作物分类精度。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于遥感数据的秋收主要农作物信息提取方法，其特征在于，所述方法包括如下步骤：
(1)调查待研究区主要秋收农作物，确定待研究区主要秋收农作物的分类体系；
(2)根据步骤(1)中确定的分类体系，结合主要秋收农作物的物候期以及其光谱、纹理的特征，选取进行主要秋收农作物信息提取所需要的不同时相的研究区遥感数据，并利用遥感手段对多个时相遥感数据进行正射校正、图像配准、镶嵌、云检测的预处理工作，得到符合分类体系要求的多时相遥感数据；然后对符合分类体系要求的多时相遥感数据进行波段合并；
(3)基于实地调查样方，利用目视解译的方法，挑选训练样本，综合多时相的主要秋收农作物的光谱、纹理信息，对于同一种秋收农作物绘制多套训练样本，最后对训练样本的数据集进行有效评估训练样本达到分类要求；其中，有效评估的条件为可分离性大于1.8；
(4)根据目视解译与神经网络监督分类相结合的方法，对步骤(2)中波段合并处理后的多时相遥感数据进行信息提取，获取待研究区主要秋收农作物种植空间分布。
2.根据权利要求1所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：在步骤(4)中，所述神经网络为B-P神经网络。
3.根据权利要求2所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：用于分类的B-P神经网络具有一个输入层、一个隐藏层和一个输出层组成的3层；其中，输入层节点个数n与遥感影像的样本特征数相同，输出层节点个数与样本的类别数相同；每相邻的两层节点质检单方向互联，训练过程分正向和逆向传播两个传播过程；样本信息在正向传播过程中，隐藏层节点和输出层节点均经过激活函数f(x)作用之后，在两层节点处分别获得样本节点输出信息Hj和网络输出信息Ok；
根据网络输出信息Ok与其目标输出信息Tk得到第一误差信号δk；
然后第一误差信号δk进入逆向传播，传播到隐藏节点处获得第二误差信号σj；
再用误差δk和σj向误差函数减少的方向调整隐藏节点与输出节点之间的联接权值Vkj、输出节点的阈值γk、输入节点与隐藏节点之间的联接权值wji和隐藏节点的阈值θj；
将需训练的遥感图像训练样本逐个输入B-P神经网络中，按照正向传播过程和逆向传播过程两个过程进行训练，待所有样本全部训练一遍之后，计算分类的均方根误差E；
当满足E≤λ时，训练结束，获取训练完毕后网络节点之间的联接权值wji、Vkj和阈值θj、γk；否则，更新训练次数，将样本再逐个输入网络进行往复训练，直到满足E≤λ为止，其中，λ为指定精度。
4.根据权利要求3所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：样本节点输出信息Hj为：
其中，f(x)为激活函数，Ii为输入遥感图像样本，wji为输入节点与隐藏节点之间的联接权值，θj为隐藏节点的阈值，M为正向训练过程中符合训练要求的样本数，i为正向训练过程中符合训练要求的样本序号，x为节点。
5.根据权利要求4所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：网络输出信息Ok为：
其中，Vkj为隐藏节点与输出节点之间的联接权值，γk为输出节点的阈值，H为逆向训练过程中符合训练要求的样本数，j为逆向训练过程中符合训练要求的样本序号。
6.根据权利要求5所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：第一误差信号δk为δk＝(Ok-Tk)Ok(1-Ok)。
7.根据权利要求6所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：第二误差信号σj为σj＝(∑δkVkj)Hj(1-Hj)。
8.根据权利要求7所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：再用误差δk和σj向误差函数减少的方向调整隐藏节点与输出节点之间的联接权值Vkj、输出节点的阈值γk、输入节点与隐藏节点之间的联接权值wji和隐藏节点的阈值θj为：
Vkj＝Vkj+αδkHj
γk＝γk+βδkHj
wji＝wji+αδjHIi
θj＝θj+βσj
其中，学习参数α，β在[0.2，0.5]之间取值。
9.根据权利要求8所述的基于遥感数据的秋收主要农作物信息提取方法，其特征在于：分类的均方根误差E为：
其中，l为训练次数，N为样本数，Olk为第l次训练的网络输出信息，Tlk为第l次训练的目标输出信息，k为样本的序号。
10.一种基于遥感数据的秋收主要农作物信息提取系统，其特征在于包括：
分类体系模块，用于调查待研究区主要秋收农作物，确定待研究区主要秋收农作物的分类体系；
数据选取和预处理模块，用于根据分类体系模块中确定的分类体系，结合主要秋收农作物的物候期以及其光谱、纹理的特征，选取进行主要秋收农作物信息提取所需要的不同时相的研究区遥感数据，并利用遥感手段对多个时相遥感数据进行正射校正、图像配准、镶嵌、云检测的预处理工作，得到符合分类体系要求的多时相遥感数据；然后对符合分类体系要求的多时相遥感数据进行波段合并；
训练样本选取模块，用于基于实地调查样方，利用目视解译的方法，挑选训练样本，综合多时相的主要秋收农作物的光谱、纹理信息，对于同一种秋收农作物绘制多套训练样本，最后对训练样本的数据集进行有效评估训练样本达到分类要求；其中，有效评估的条件为可分离性大于1.8；
秋收主要农作物信息提取模块，用于根据目视解译与神经网络监督分类相结合的方法，对数据选取和预处理模块中波段合并处理后的多时相遥感数据进行信息提取，获取待研究区主要秋收农作物种植空间分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911275732.0A CN111259727A (zh) | 2019-12-12 | 2019-12-12 | 基于遥感数据的秋收主要农作物信息提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911275732.0A CN111259727A (zh) | 2019-12-12 | 2019-12-12 | 基于遥感数据的秋收主要农作物信息提取方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111259727A true CN111259727A (zh) | 2020-06-09 |
Family
ID=70948644
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911275732.0A Pending CN111259727A (zh) | 2019-12-12 | 2019-12-12 | 基于遥感数据的秋收主要农作物信息提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111259727A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380904A (zh) * | 2020-10-15 | 2021-02-19 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于遥感信息的多种农作物分类成果分割方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761447A (zh) * | 2014-02-18 | 2014-04-30 | 中国科学院遥感与数字地球研究所 | 用于地市及县两级粮食补贴核算的种植面积遥感估算方法 |
| CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
| CN105894513A (zh) * | 2016-04-01 | 2016-08-24 | 武汉大学 | 顾及影像对象时空变化的遥感影像变化检测方法及系统 |
| CN107194857A (zh) * | 2017-05-23 | 2017-09-22 | 国家地理空间信息中心 | 基于高分卫星遥感数据的可利用土地资源分析系统 |
| CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
| CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
| CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
| CN110348506A (zh) * | 2019-07-03 | 2019-10-18 | 广州大学 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
-
2019
- 2019-12-12 CN CN201911275732.0A patent/CN111259727A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103761447A (zh) * | 2014-02-18 | 2014-04-30 | 中国科学院遥感与数字地球研究所 | 用于地市及县两级粮食补贴核算的种植面积遥感估算方法 |
| CN105678281A (zh) * | 2016-02-04 | 2016-06-15 | 中国农业科学院农业资源与农业区划研究所 | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 |
| CN105894513A (zh) * | 2016-04-01 | 2016-08-24 | 武汉大学 | 顾及影像对象时空变化的遥感影像变化检测方法及系统 |
| CN107194857A (zh) * | 2017-05-23 | 2017-09-22 | 国家地理空间信息中心 | 基于高分卫星遥感数据的可利用土地资源分析系统 |
| CN107314990A (zh) * | 2017-08-28 | 2017-11-03 | 北京师范大学 | 一种春玉米遥感识别方法 |
| CN109389049A (zh) * | 2018-09-19 | 2019-02-26 | 中国科学院东北地理与农业生态研究所 | 基于多时相sar数据与多光谱数据的作物遥感分类方法 |
| CN109344810A (zh) * | 2018-11-26 | 2019-02-15 | 国智恒北斗科技集团股份有限公司 | 一种基于高分卫星遥感数据的耕地变化监测方法及系统 |
| CN110348506A (zh) * | 2019-07-03 | 2019-10-18 | 广州大学 | 基于遥感图像的土地利用分类方法、存储介质和计算设备 |
Non-Patent Citations (3)
| Title |
|---|
| 周斌等: "运用多时相直接分类法对土地利用进行遥感动态监测的研究", 《自然资源学报》 * |
| 李祚泳: "用B-P神经网络实现多波段遥感图像的监督分类", 《红外与毫米波学报》 * |
| 郝晋珉: "《土地利用规划学》", 28 February 2007, 中国农业大学出版社 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112380904A (zh) * | 2020-10-15 | 2021-02-19 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于遥感信息的多种农作物分类成果分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A review on weed detection using ground-based machine vision and image processing techniques | |
| Sethy et al. | Image processing techniques for diagnosing rice plant disease: a survey | |
| CN105303198B (zh) | 一种自定步长学习的遥感影像半监督分类方法 | |
| Iqbal et al. | Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms | |
| Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
| Farmonov et al. | Crop type classification by DESIS hyperspectral imagery and machine learning algorithms | |
| CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
| Pujari et al. | Classification of fungal disease symptoms affected on cereals using color texture features | |
| Pujari et al. | Grading and classification of anthracnose fungal disease of fruits based on statistical texture features | |
| CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
| Anami et al. | Identification and classification of normal and affected agriculture/horticulture produce based on combined color and texture feature extraction | |
| CN108830312B (zh) | 一种基于样本自适应扩充的集成学习方法 | |
| Jia et al. | Bringing automated, remote‐sensed, machine learning methods to monitoring crop landscapes at scale | |
| Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
| Pujari et al. | Statistical methods for quantitatively detecting fungal disease from fruits’ images | |
| CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
| Bai et al. | Estimation of soybean yield parameters under lodging conditions using RGB information from unmanned aerial vehicles | |
| Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
| CN111259727A (zh) | 基于遥感数据的秋收主要农作物信息提取方法及系统 | |
| Elhariri et al. | Strawberry-DS: Dataset of annotated strawberry fruits images with various developmental stages | |
| Islam et al. | Nitrogen fertilizer recommendation for paddies through automating the leaf color chart (LCC) | |
| Patel et al. | Feature fusion based growth analysis of Chhattisgarh rice plants using machine learning technique | |
| Aparna et al. | Analytical approach for soil and land classification using image processing with deep learning | |
| Thakur et al. | A comparative analysis on the existing techniques of wheat spike detection | |
| CN113989668A (zh) | 一种基于时间序列特征的遥感农作物自动分类方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210702 Address after: 310012 Room 101, Fudi 4 management room, Xixi National Wetland Park, Xihu District, Hangzhou City, Zhejiang Province Applicant after: Siwei Gaojing satellite remote sensing Co.,Ltd. Address before: 100094, Beijing, Yongfeng Haidian District industrial base, No. 5 East Feng Feng Road Applicant before: CHINA CENTRE FOR RESOURCES SATELLITE DATA AND APPLICATION |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200609 |
|
| RJ01 | Rejection of invention patent application after publication |