CN111652193A - 基于多源影像的湿地分类方法 - Google Patents

基于多源影像的湿地分类方法 Download PDF

Info

Publication number
CN111652193A
CN111652193A CN202010649437.3A CN202010649437A CN111652193A CN 111652193 A CN111652193 A CN 111652193A CN 202010649437 A CN202010649437 A CN 202010649437A CN 111652193 A CN111652193 A CN 111652193A
Authority
CN
China
Prior art keywords
remote sensing
data
wetland
resolution
image
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
Application number
CN202010649437.3A
Other languages
English (en)
Other versions
CN111652193B (zh
Inventor
张猛
林辉
蔡耀通
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.)
Central South University of Forestry and Technology
Original Assignee
Central South University of Forestry and Technology
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 Central South University of Forestry and Technology filed Critical Central South University of Forestry and Technology
Priority to CN202010649437.3A priority Critical patent/CN111652193B/zh
Publication of CN111652193A publication Critical patent/CN111652193A/zh
Application granted granted Critical
Publication of CN111652193B publication Critical patent/CN111652193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明属于遥感影像处理领域，公开了一种基于多源影像的湿地分类方法，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM‑RFE算法获得最佳特征组合；(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。本发明实现了湿地信息准确、快速提取。

Description

基于多源影像的湿地分类方法
技术领域
本发明涉及一种基于多源影像的湿地分类方法，属于遥感影像处理领域。
背景技术
高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。利用遥感影像与机器学习已成为湿地分类及制图的主要方法之一。
因获取质量较好的高时空分辨率光学影像十分困难，以往的区域湿地分类研究多采用时序中分辨率成像光谱仪(MODIS)获取的低分辨率影像(空间分辨率>100)，尽管其能反映湿地植被的时序变化，但空间表达不够精细，从而影响分类精度，低分辨率影像在区域湿地信息精细提取中面临着较大的挑战。
目前，可免费获取的Sentinel-2 MSI影像具有较Landsat 8 OLI更高的空间分辨率、光谱分辨率及时间分辨率，更有利于湿地植被与农作物识别。但受天气影响，获取的时序Sentinel-2 MSI影像的时间间隔会相应延长。因此，部分学者采用遥感时空融合技术，如时空自适应反射融合模型(STARFM)和增强型时空自适应反射融合模型(ESTARFM)等，以获取密集的时序Sentinel-2 MSI影像。该类算法主要对MODIS产品数据进行降尺度来预测对应日期的Sentinel-2 MSI影像。但由于MODIS数据分辨率较低，在寻找“同质像元”的过程中势必会受到影响，从而有时会导致Sentinel-2 MSI的预测精度过低。
另一方面，在以往的湿地分类研究中，主要采用单一分类器(如支持向量机算法(SVM)、随机森林算法(RF)、K-近邻(kNN)算法及卷积神经网络(CNN))和固定组合分类器，但由于湿地生态系统较为复杂，这些分类器的稳定性和适应性明显不足。
发明内容
本发明的目的是提供一种基于多源影像的湿地分类方法，采用多尺度卷积神经网络超分辨率重建技术，结合陆地卫星8号陆地成像仪(Landsat 8 OLI，空间分辨率30m)与哨兵2号卫星多光谱成像仪(Sentinel-2 MSI，空间分辨率10m)两者之间的光谱协同效应，对Landsat 8 OLI数据进行降尺度，构建高时间分辨率(2-3天)、高空间分辨率(10米)的多光谱遥感影像，在此基础之上，结合哨兵1号(Sentinel-1)雷达卫星数据，利用面向对象的影像分析技术，并基于最佳分类精度进而选择最优的分类器组合，构建面向对象的自适应集成学习模型，从而提高湿地分类的精度及稳定性。
为了实现上述目的，本发明提供一种基于多源影像的湿地分类方法，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE(Support Vector Machine-Recursive Feature Elimination，支持向量迭代特征删除)算法获得最佳特征组合；(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。
进一步地，所述步骤(4)后面还包括步骤(5)：通过土地利用数据和谷歌地球数据来选取训练样本，并利用实地调查数据对湿地分类结果进行验证。
进一步地，步骤(1)中所述多源遥感影像包括两个来源的光学遥感影像和一个来源的雷达遥感影像，其中，所述两个来源的光学遥感影像分别取自Landsat 8 OLI和Sentinel-2 MSI，所述雷达遥感影像取自Sentinel-1。
进一步地，步骤(2)中所述多尺度卷积神经网络超分辨率重建的过程如下：1)将Sentinel-2 MSI中的11，12波段的20m分辨率数据使用双线性内插法重采样成10m分辨率数据；2)将重采样后的Sentinel-2 MSI中的11，12波段的10m分辨率数据和Sentinel-2 MSI中的2，3，4，8波段的原始数据输入多尺度卷积神经网络超分辨率重建模型中生成10m分辨率的11，12波段；3)将Landsat 8 OLI中的1-7波段的原始数据及全色波段的原始数据分别通过双线性内插法重采样成10m分辨率数据；4)将重建后的Sentinel-2 MSI所有波段的10m分辨率数据和重采样后的Landsat 8 OLI所有波段的数据全部输入多尺度卷积神经网络超分辨率重建模型生成10m分辨率的Landsat 8 OLI多光谱影像。
进一步地，步骤(3)中所述改进的SVM-RFE算法的计算过程为：1)首先通过排序标准指标Ci对特征从大到小进行排列；2)生成一个大小为n×n的特征相关矩阵R；3)通过对R的上三角相关元素rij给定阈值对其进行选择性删除；
Figure BDA0002574334870000031
进一步地，当rij<0.8时，则删除该第i行第j列的特征值rij。
进一步地，步骤(4)中所述的面向对象的自适应集成学习模型的构建过程为：1)首先对最佳特征组合进行多尺度分割；2)将分割的影像及多个基分类器输入Stacking算法模型中，通过固定元分类器作为元分类器来组合各所述基分类器，逐步寻优以获得最佳的基分类器组合；3)基于最佳的基分类器组合对最佳特征组合进行分类，获取湿地信息。
进一步地，所述基分类器包括SVM(支持向量机)、RF(随机森林)、DT(决策树)、kNN(K最近邻)和XGB(极端梯度提升)。
进一步地，所述逐步寻优的过程为：通过SVM、RF、DT、kNN和XGB各算法进行自由组合来对湿地进行分类，通过各种组合产生的分类结果的精度验证及对比，以具有最佳分类精度的组合为基分类器组合。
进一步地，以SVM+RF+kNN+XGB组合为最佳基分类器组合。
通过本发明的上述技术方案，利用影像超分辨率重建技术融合多源影像，获取高时空分辨率多光谱影像，并构建了面向对象的自适应集成学习模型，实现了湿地信息准确、快速提取。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1为本发明一实施例的流程图；
图2为本发明一实施例中用作湿地分类研究区的洞庭湖的位置图；
图3为本发明一实施例中多尺度卷积神经网络超分辨率重建算法流程图；
图4为本发明一实施例中面向对象的自适应集成学习模型的原理示意图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示，本发明基于多源影像的湿地分类方法的一个实施例，包括如下步骤：(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE算法获得最佳特征组合；(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。
湿地分类是基于湿地公约。湿地信息包括水体、苔草、芦苇、杨树林、林地和耕地等。在本发明的一个实施例中，对图2所示的洞庭湖湿地进行分类。洞庭湖湿地是我国重要的自然湿地保护区，对其进行湿地分类需要收集的数据包括该区域内的遥感数据、行政界线矢量数据、土地利用现状图和DEM数字高程模型(Digital Elevation Model)数据等。本实施例中，将洞庭湖湿地分为水体、泥沙滩地、苔草、芦苇、杨树林、林地、耕地、其他。
具体地，步骤(1)中所述多源遥感影像包括两个来源的光学遥感影像和一个来源的雷达遥感影像，其中，所述两个来源的光学遥感影像分别取自Landsat 8 OLI和Sentinel-2 MSI，所述雷达遥感影像取自Sentinel-1。通过取自Sentinel-2 MSI的影像对取自Landsat 8 OLI的影像进行降尺度处理，将取自Landsat 8 OLI的影像的空间分辨率提高到10m，使其成为似Sentinel-2影像，加上已获取的多期Sentinel-2影像，共同组成了10m空间分辨率的密集型时序Sentinel-2数据集，即Sentinel-2多光谱影像。通过Sentinel-2多光谱影像计算得到10m空间分辨率的植被指数，通过取自Sentinel-1的雷达影像计算得到10m空间分辨率的后向散射系数，植被指数、后向散射系数和Sentinel-2多光谱影像三者组合成一个数据集，通过改进的SVM-RFE算法进行降维处理获得最佳特征组合，该最佳特征组合是一种分类数据集。
研究选取了2017-2019年云覆盖低于5％的所有Landsat 8 OLI和Sentinel-2 MSI数据，同时，收集了研究区2017-2019年所有的Sentinel-1雷达数据。光学遥感影像的处理流程包括辐射定标、大气校正及几何校正等，雷达影像的处理包括轨道校正、噪声去除、地形校正等。
在本发明的一个实施例中，所述步骤(4)后面还包括步骤(5)：通过土地利用数据和谷歌地球数据来选取训练样本，并利用实地调查数据对湿地分类结果进行验证。其中，土地利用数据包括湿地、耕地、林地和裸地等数据，谷歌地球数据为2018年度谷歌遥感影像，实地调查数据包括水体、泥沙滩地、苔草、芦苇、杨树林、林地和耕地等通过外业调查获得的用于验证的数据。基于实地调查数据，采用混淆矩阵对分类结果进行精度验证，验证指标包括总体分类精度、Kappa系数、用户精度及生产者精度。外业调查前在研究区内建立的2km×2km格网，格网覆盖整个研究区。为便于采样，同时确保湿地植被样点调查的有效性，删除建筑、水域、山地等非植被格网获得湿地植被集中区的待确定调查格网。考虑到Sentinel-2影像像元大小与调查样地的匹配问题，将调查样地规格设置为10m×10m。最后，将栅格化的实地调查数据用于分类结果的精度验证。
在本发明的一个实施例中，如图3所示，步骤(2)中所述多尺度卷积神经网络超分辨率重建的过程如下：1)将Sentinel-2 MSI中的11，12波段的20m分辨率数据使用双线性内插法重采样成10m分辨率数据；2)将重采样后的Sentinel-2 MSI中的11，12波段的10m分辨率数据和Sentinel-2 MSI中的2，3，4，8波段的原始数据输入多尺度卷积神经网络超分辨率重建模型中生成10m分辨率的11，12波段；过程1)中虽然Sentinel-2数据中11,12波段进行了重采样，但重采样的结果并没有使其拥有10m分辨率的空间信息，通过ESRCNN模型，并结合2、3、4、8波段，丰富了11，12波段的空间地理信息，使其真正拥有了10m分辨率的空间信息效果；3)将Landsat 8 OLI中的1-7波段的原始数据及全色波段的原始数据分别通过双线性内插法重采样成10m分辨率数据；4)将重建后的Sentinel-2 MSI所有波段的10m分辨率数据和重采样后的Landsat 8 OLI所有波段的数据全部输入多尺度卷积神经网络超分辨率重建模型生成10m分辨率的Landsat 8 OLI多光谱影像。
基于Sentinel-2与Landsat 8间的光谱协同效应，卷积神经网络超分辨率重建算法通过对Landsat 8数据进行降尺度，从而获取高时空分辨率的Sentinel-2影像。该算法不仅顾及了地物类型的变化，同时牺牲了较少的影像空间信息，而且对于输入的Sentinel-2影像数量具有较强的灵活性。如图3所示，多尺度卷积神经网络中，卷积层中首先设定的卷积核为28像素×28像素，卷积核采用的尺度也只有3个，是比较适合研究区遥感影像重建的。
如图3所示，本发明一实施例中多尺度卷积神经网络超分辨率重建算法的具体计算过程如下：
第一步：Sentinel-2影像的自我重建，目的是将Sentinel-2影像中的11，12波段空间分辨率提高到10m，同时丰富11，12波段的空间信息，其空间信息丰富程度达到与2，3，4，8波段一致。具体过程如下：
1.首先将Sentinel-2中的11，12波段通过重采样的方法，将其分辨率变为10m。尽管11，12波段的空间分辨率被强行提高，但两个波段的空间信息还是保持原来20m分辨率的状况。
2.将Sentinel-2中的2，3，4，8波段(10m)与重采样的11，12波段(10m)输入到多尺度卷积神经网络中，丰富11，12波段的空间信息，使其空间信息丰富程度与2，3，4，8波段一致。其中，卷积核尺度有3个(28，26，24)，池化层尺度3个(均为2×2)，还有3个重采样层。
第二步：Landsat 8影像的重建，目的是将Landsat 8影像中的光谱波段空间分辨率提高到10m，同时丰富波段的空间信息，其空间信息丰富程度达到与Sentinel-2影像的光谱波段一致。具体过程如下：
1.首先将Landsat8中的光谱波段(1-7，全色波段)通过重采样的方法，将其分辨率变为10m。尽管Landsat8影像波段的空间分辨率被强行提高，但波段的空间信息还是保持原来20m分辨率的状况。
2.将重建的Sentinel-2中的光谱影像与重采样的Landsat 8影像波段(10m)输入到多尺度卷积神经网络中，丰富Landsat8影像波段的空间信息，使其空间信息丰富程度与Sentinel-影像波段一致。其中，卷积核尺度有3个(28，26，24)，池化层尺度3个(均为2×2)，还有3个重采样层。
在本发明的一个实施例中，步骤(3)中所述改进的SVM-RFE算法的计算过程为：1)首先通过排序标准指标Ci对特征从大到小进行排列；2)生成一个大小为n×n的特征相关矩阵R；3)通过对R的上三角相关元素rij给定阈值对其进行选择性删除；
Figure BDA0002574334870000081
如，给定阈值为0.8，当rij<0.8时，则删除该第i行第j列的特征值rij。
以下为改进的SVM-RFE特征选择算法的计算过程：
输入:(1)输入训练样本X＝{x1,x2,…xn-1,xn}；(2)输入类标签Y＝{y1,y2,…yn-1,yn}.
输出:特征集合r
1)初始化：特征集合s＝[1,2,…n]；特征排序r＝[]；
循环直至s＝[]；
2)将训练样本限制为良好的特征索引X＝X0(:,s)；
3)训练α＝SVM-train(X,Y)；
4)计算特征的权重(s)w＝∑αkykxk
5)计算排序参数ci＝(wi)2；
6)找出权重值最小的特征f＝argmin(c)
7)更新特征排序r＝[s(f),r]；
8)移除权重最小的特征s＝s(1:f-1,f+1:length(s))。
传统的SVM-RFE算法通过SVM每个维度权重的绝对值来度量对应特征的重要性，每次迭代删除权重排名靠后的一个特征，取得最佳特征组合。然而，利用传统SVM-RFE算法进行特征优化与数据降维时，由于图像特征子集之间的相关性，可能会产生数据冗余。改进的SVM-RFE算法可消除数据冗余，从而提高后续的计算速度。
在本发明的一个实施例中，步骤(4)中所述的面向对象的自适应集成学习模型的构建过程为：1)首先对最佳特征组合进行多尺度分割；2)将分割的影像及多个基分类器输入Stacking算法模型中，通过固定元分类器作为元分类器来组合各所述基分类器，逐步寻优以获得最佳的基分类器组合；3)基于最佳的基分类器组合对最佳特征组合进行分类，获取湿地信息。基分类器包括SVM、RF、DT、kNN和XGB，逐步寻优的过程为：通过SVM、RF、DT、kNN和XGB各算法进行自由组合来对湿地进行分类，通过各种组合产生的分类结果的精度验证及对比，以具有最佳分类精度的组合为基分类器组合。
如图4所示，本发明一实施例中面向对象的自适应集成学习模型的学习过程如下：
第一步:利用多尺度算法对最佳特征组合进行分割，得到分割后的数据；
第二步：利用多个基分类器(分类器1，2…,n)进行自由组合训练，并得到新的训练数据集，也就是预测结果(预测1，2…,n)；
第三步：将上一步的预测结果(预测1，2…,n)作为训练数据，采用元分类器进行分类，并得到最后预测结果(预测f)；
第四步：通过精度评价，决定是否输出结果，如果为最佳精度，则输出分类结果。否则，则重复上述步骤，再次进行预测与分类，直到得到最佳分类精度为止。
以下为Stacking算法的计算过程：
输入:(1)训练样本X＝{x1,x2,…xn-1,xn}；(2)类标签Y＝{y1,y2,…yn-1,yn}；(3)基训分类器
Figure BDA0002574334870000104
(4)元分类器
Figure BDA0002574334870000105
输出预测结果:H(x)＝h’(h1(x),h2(x),…,ht(x)).
1)训练基分类器ht:
for t＝1,2,…,T do
Figure BDA0002574334870000101
end for
2)得到每个基分类器的预测结果zt并组成一个新的训练集D’:
Figure BDA0002574334870000102
3)利用元分类器训练新的数据集
Figure BDA0002574334870000103
机器学习的预测效果往往依赖于具体问题，集成学习通过多个基分类器(base-learner)来预测结果，因此，其适用于各种场景的能力较强，分类准确率较高。本实施例选择目前集成学习模型中，在分类任务中对稳定性的分类器集成效果较好的集成学习Stacking算法模型，用于湿地信息提取。但在Stacking算法模型中，并不是基分类器越多，最后的分类精度就越高。同时，为减少影像分类时“椒盐效应”给分类精度带来的影响，本实施例引入面向对象的影像分析方法。面向对象分类能够顾及地理对象的空间分布特征及相关性，较好地解决传统的基于像元分类法带来的“椒盐现象”。
在本发明的一个实施例中，如下表，选择具有不同数量基分类器的四种基分类器组合分别对湿地进行分类，每种组合具有不同的总体分类精度和Kappa系数，其中SVM+RF+kNN+XGB组合具有最高的总体分类精度90.7％和最大的Kappa系数0.88，表明通过该组合得到的湿地分类结果具有最高的分类精度和一致性，所以本实施例选择SVM+RF+kNN+XGB组合为最佳基分类器组合。
Figure BDA0002574334870000111
以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。
此外，本发明实施例的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施例的思想，其同样应当视为本发明实施例所公开的内容。

Claims (10)

1.一种基于多源影像的湿地分类方法，其特征在于，包括如下步骤：
(1)获取研究区的高时空分辨率的多源遥感影像，并对所述多源遥感影像进行预处理；所述多源遥感影像至少包括两个来源的光学遥感影像和一个来源的雷达遥感影像；
(2)对各来源的光学遥感影像进行多尺度卷积神经网络超分辨率重建，获得高时空分辨率的多光谱数据；
(3)将所述高时空分辨率的多光谱数据及雷达遥感影像预处理后的数据通过改进的SVM-RFE算法获得最佳特征组合；
(4)通过面向对象的自适应集成学习模型从所述最佳特征组合中提取湿地信息，并据此完成湿地分类。
2.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，所述步骤(4)后面还包括步骤(5)：通过土地利用数据和谷歌地球数据来选取训练样本，并利用实地调查数据对湿地分类结果进行验证。
3.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(1)中所述多源遥感影像包括两个来源的光学遥感影像和一个来源的雷达遥感影像，其中，所述两个来源的光学遥感影像分别取自Landsat 8 OLI和Sentinel-2 MSI，所述雷达遥感影像取自Sentinel-1。
4.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(2)中所述多尺度卷积神经网络超分辨率重建的过程如下：1)将Sentinel-2 MSI中的11，12波段的20m分辨率数据使用双线性内插法重采样成10m分辨率数据；2)将重采样后的Sentinel-2 MSI中的11，12波段的10m分辨率数据和Sentinel-2 MSI中的2，3，4，8波段的原始数据输入多尺度卷积神经网络超分辨率重建模型中生成10m分辨率的11，12波段；3)将Landsat 8 OLI中的1-7波段的原始数据及全色波段的原始数据分别通过双线性内插法重采样成10m分辨率数据；4)将重建后的Sentinel-2 MSI所有波段的10m分辨率数据和重采样后的Landsat 8OLI所有波段的数据全部输入多尺度卷积神经网络超分辨率重建模型生成10m分辨率的Landsat 8 OLI多光谱影像。
5.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(3)中所述改进的SVM-RFE算法的计算过程为：1)首先通过排序标准指标Ci对特征从大到小进行排列；2)生成一个大小为n×n的特征相关矩阵R；3)通过对R的上三角相关元素rij给定阈值对其进行选择性删除；
Figure FDA0002574334860000021
6.根据权利要求5所述的基于多源影像的湿地分类方法，其特征在于，当rij<0.8时，则删除该第i行第j列的特征值rij。
7.根据权利要求1所述的基于多源影像的湿地分类方法，其特征在于，步骤(4)中所述的面向对象的自适应集成学习模型的构建过程为：1)首先对最佳特征组合进行多尺度分割；2)将分割的影像及多个基分类器输入Stacking算法模型中，通过固定元分类器作为元分类器来组合各所述基分类器，逐步寻优以获得最佳的基分类器组合；3)基于最佳的基分类器组合对最佳特征组合进行分类，获取湿地信息。
8.根据权利要求7所述的基于多源影像的湿地分类方法，其特征在于，所述基分类器包括SVM、RF、DT、kNN和XGB。
9.根据权利要求8所述的基于多源影像的湿地分类方法，其特征在于，所述逐步寻优的过程为：通过SVM、RF、DT、kNN和XGB各算法进行自由组合来对湿地进行分类，通过各种组合产生的分类结果的精度验证及对比，以具有最佳分类精度的组合为基分类器组合。
10.根据权利要求9所述的基于多源影像的湿地分类方法，其特征在于，以SVM+RF+kNN+XGB组合为最佳基分类器组合。
CN202010649437.3A 2020-07-08 2020-07-08 基于多源影像的湿地分类方法 Active CN111652193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010649437.3A CN111652193B (zh) 2020-07-08 2020-07-08 基于多源影像的湿地分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010649437.3A CN111652193B (zh) 2020-07-08 2020-07-08 基于多源影像的湿地分类方法

Publications (2)

Publication Number Publication Date
CN111652193A true CN111652193A (zh) 2020-09-11
CN111652193B CN111652193B (zh) 2024-03-19

Family

ID=72345594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010649437.3A Active CN111652193B (zh) 2020-07-08 2020-07-08 基于多源影像的湿地分类方法

Country Status (1)

Country Link
CN (1) CN111652193B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084991A (zh) * 2020-09-18 2020-12-15 中国农业科学院农业资源与农业区划研究所 基于多源遥感时序影像和卷积神经网络的作物早期识别方法
CN112101256A (zh) * 2020-09-21 2020-12-18 河南大学 基于云平台的耦合主被动遥感影像的大蒜作物识别方法
CN112733746A (zh) * 2021-01-14 2021-04-30 中国海洋大学 融合InSAR相干性与多光谱遥感的协同分类方法
CN112862809A (zh) * 2021-03-09 2021-05-28 中央财经大学 一种基于弱监督深度学习的空间分辨率增强方法、终端设备和计算机可读存储介质
CN113408468A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法
CN113837134A (zh) * 2021-09-29 2021-12-24 桂林理工大学 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法
CN114694036A (zh) * 2022-03-18 2022-07-01 南京农业大学 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法
CN115049900A (zh) * 2022-05-20 2022-09-13 昆明理工大学 一种基于光学与雷达数据的水稻种植区识别方法及系统
CN115810155A (zh) * 2023-01-18 2023-03-17 中关村睿宸卫星创新应用研究院 一种潮汐湿地的分类方法
WO2023043317A1 (en) * 2021-09-16 2023-03-23 Digifarm As Method and system for delineating agricultural fields in satellite images
CN116012723A (zh) * 2022-12-08 2023-04-25 北京师范大学 基于时序遥感影像的湿地类型提取方法、装置及电子设备

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6789069B1 (en) * 1998-05-01 2004-09-07 Biowulf Technologies Llc Method for enhancing knowledge discovered from biological data using a learning machine
CN105701336A (zh) * 2015-12-31 2016-06-22 深圳先进技术研究院 基于脑电数据的中医辨证分型系统、模型建立的方法和系统
CN106250442A (zh) * 2016-07-26 2016-12-21 新疆大学 一种网络安全数据的特征选择方法及系统
CN106650768A (zh) * 2016-09-27 2017-05-10 北京航空航天大学 基于高斯图模型的脑网络建模与模式分类方法
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
CN107563435A (zh) * 2017-08-30 2018-01-09 哈尔滨工业大学深圳研究生院 基于svm的高维不平衡数据分类方法
CN109003239A (zh) * 2018-07-04 2018-12-14 华南理工大学 一种基于迁移学习神经网络的多光谱图像锐化方法
CN109360148A (zh) * 2018-09-05 2019-02-19 北京悦图遥感科技发展有限公司 基于混合随机降采样的遥感影像超分辨率重构方法和装置
CN110009030A (zh) * 2019-03-29 2019-07-12 华南理工大学 基于stacking元学习策略的污水处理故障诊断方法
CN110084294A (zh) * 2019-04-18 2019-08-02 北京师范大学 一种基于多尺度深度特征的遥感影像分类方法
CN110097098A (zh) * 2019-04-18 2019-08-06 腾讯科技（深圳）有限公司 基于基分类器的数据分类方法及装置、介质和电子设备
CN111144250A (zh) * 2019-12-15 2020-05-12 东南大学 融合雷达和光学遥感数据的土地覆盖分类方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6789069B1 (en) * 1998-05-01 2004-09-07 Biowulf Technologies Llc Method for enhancing knowledge discovered from biological data using a learning machine
CN105701336A (zh) * 2015-12-31 2016-06-22 深圳先进技术研究院 基于脑电数据的中医辨证分型系统、模型建立的方法和系统
CN106250442A (zh) * 2016-07-26 2016-12-21 新疆大学 一种网络安全数据的特征选择方法及系统
CN106650768A (zh) * 2016-09-27 2017-05-10 北京航空航天大学 基于高斯图模型的脑网络建模与模式分类方法
CN107292343A (zh) * 2017-06-23 2017-10-24 中南大学 一种基于六层卷积神经网络和光谱‑空间信息联合的高光谱遥感图像分类方法
CN107563435A (zh) * 2017-08-30 2018-01-09 哈尔滨工业大学深圳研究生院 基于svm的高维不平衡数据分类方法
CN109003239A (zh) * 2018-07-04 2018-12-14 华南理工大学 一种基于迁移学习神经网络的多光谱图像锐化方法
CN109360148A (zh) * 2018-09-05 2019-02-19 北京悦图遥感科技发展有限公司 基于混合随机降采样的遥感影像超分辨率重构方法和装置
CN110009030A (zh) * 2019-03-29 2019-07-12 华南理工大学 基于stacking元学习策略的污水处理故障诊断方法
CN110084294A (zh) * 2019-04-18 2019-08-02 北京师范大学 一种基于多尺度深度特征的遥感影像分类方法
CN110097098A (zh) * 2019-04-18 2019-08-06 腾讯科技（深圳）有限公司 基于基分类器的数据分类方法及装置、介质和电子设备
CN111144250A (zh) * 2019-12-15 2020-05-12 东南大学 融合雷达和光学遥感数据的土地覆盖分类方法

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
孔英会;张少明;: "ReliefF-SVM RFE组合式特征选择人脸识别", 计算机工程与应用, no. 11 *
孔英会;张少明;: "ReliefF-SVM RFE组合式特征选择人脸识别", 计算机工程与应用, no. 11, 1 June 2013 (2013-06-01) *
张健;曾卫明;杨嘉君;: "基于SVM-RFE的静息态fMRI分类研究及应用", 现代计算机(专业版), no. 20, 15 July 2017 (2017-07-15) *
李卓;陈健;蒋晓宁;曾宪庭;潘雪增;: "基于多域特征的JPEG图像盲检测算法", 浙江大学学报(工学版), no. 09, 15 September 2011 (2011-09-15) *
王静 等: "基于多模态磁共振影像的抑郁障碍自动分类研究", 《中国神经精神疾病杂志》, no. 10 *
王静;彭红军;杨勇哲;张越;孔令茵;吴凯;: "基于多模态磁共振影像的抑郁障碍自动分类研究", 中国神经精神疾病杂志, no. 10 *
蔡家骏: "基于深度学习的遥感图像空谱融合与时空融合", no. 06 *
赵静 等: "基于无人机多光谱遥感图像的玉米田间杂草识别", 《中国农业科学》, no. 8 *
赵静;李志铭;鲁力群;贾鹏;杨焕波;兰玉彬;: "基于无人机多光谱遥感图像的玉米田间杂草识别", 中国农业科学, no. 08 *
郑云云;胡勇;李婷婷;安宁;: "面向对象最优特征选择分类提取方法研究", 农村经济与科技, no. 18, 30 September 2017 (2017-09-30) *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112084991A (zh) * 2020-09-18 2020-12-15 中国农业科学院农业资源与农业区划研究所 基于多源遥感时序影像和卷积神经网络的作物早期识别方法
CN112101256A (zh) * 2020-09-21 2020-12-18 河南大学 基于云平台的耦合主被动遥感影像的大蒜作物识别方法
WO2022057319A1 (zh) * 2020-09-21 2022-03-24 河南大学 基于云平台的耦合主被动遥感影像的大蒜作物识别方法
CN112733746A (zh) * 2021-01-14 2021-04-30 中国海洋大学 融合InSAR相干性与多光谱遥感的协同分类方法
CN112733746B (zh) * 2021-01-14 2022-06-28 中国海洋大学 融合InSAR相干性与多光谱遥感的协同分类方法
CN112862809A (zh) * 2021-03-09 2021-05-28 中央财经大学 一种基于弱监督深度学习的空间分辨率增强方法、终端设备和计算机可读存储介质
CN112862809B (zh) * 2021-03-09 2023-07-18 中央财经大学 一种基于弱监督深度学习的空间分辨率增强方法、终端设备和计算机可读存储介质
CN113408468A (zh) * 2021-07-01 2021-09-17 中国科学院东北地理与农业生态研究所 基于Sentinel卫星影像和随机森林算法的森林沼泽提取方法
WO2023043317A1 (en) * 2021-09-16 2023-03-23 Digifarm As Method and system for delineating agricultural fields in satellite images
CN113837134A (zh) * 2021-09-29 2021-12-24 桂林理工大学 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法
CN114694036A (zh) * 2022-03-18 2022-07-01 南京农业大学 一种基于高分影像和机器学习的高海拔地区作物分类识别的方法
CN115049900A (zh) * 2022-05-20 2022-09-13 昆明理工大学 一种基于光学与雷达数据的水稻种植区识别方法及系统
CN115049900B (zh) * 2022-05-20 2024-06-11 昆明理工大学 一种基于光学与雷达数据的水稻种植区识别方法及系统
CN116012723A (zh) * 2022-12-08 2023-04-25 北京师范大学 基于时序遥感影像的湿地类型提取方法、装置及电子设备
CN115810155A (zh) * 2023-01-18 2023-03-17 中关村睿宸卫星创新应用研究院 一种潮汐湿地的分类方法
CN115810155B (zh) * 2023-01-18 2023-04-18 中关村睿宸卫星创新应用研究院 一种潮汐湿地的分类方法

Also Published As

Publication number Publication date
CN111652193B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
CN111652193B (zh) 基于多源影像的湿地分类方法
Zhang et al. Remote sensing image spatiotemporal fusion using a generative adversarial network
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
CN111738329B (zh) 一种面向时间序列遥感影像的土地利用分类方法
CN111898688B (zh) 一种基于三维深度学习的机载LiDAR数据树种分类方法
CN111310666B (zh) 一种基于纹理特征的高分辨率影像地物识别与分割方法
CN103440505B (zh) 空间邻域信息加权的高光谱遥感图像分类方法
CN108428220B (zh) 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法
Ren et al. Patch-sorted deep feature learning for high resolution SAR image classification
CN113705580A (zh) 基于深度迁移学习的高光谱图像分类方法
CN105447274A (zh) 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法
CN113838064B (zh) 一种基于分支gan使用多时相遥感数据的云去除方法
CN115880487A (zh) 基于深度学习方法的林木激光点云枝叶分离方法
CN110647977B (zh) 一种用于星上对舰船目标检测的Tiny-YOLO网络的优化方法
Liu et al. Crop mapping using sentinel full-year dual-polarized SAR data and a CPU-optimized convolutional neural network with two sampling strategies
Guo et al. A flexible object-level processing strategy to enhance the weight function-based spatiotemporal fusion method
Gu et al. A classification method for polsar images using SLIC superpixel segmentation and deep convolution neural network
Hu et al. Supervised multi-scale attention-guided ship detection in optical remote sensing images
CN107358625B (zh) 基于SPP Net和感兴趣区域检测的SAR图像变化检测方法
Zhang et al. Bayesian gravitation-based classification for hyperspectral images
Liu et al. Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network
CN114494586B (zh) 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法
Mohammadi et al. Land cover mapping using a novel combination model of satellite imageries: case study of a part of the Cameron Highlands, Pahang, Malaysia.
Jing et al. Time series land cover classification based on semi-supervised convolutional long short-term memory neural networks
Alatalo et al. Improved difference images for change detection classifiers in SAR imagery using deep learning

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
CB03 Change of inventor or designer information

Inventor after: Zhang Meng

Inventor after: Lin Hui

Inventor after: Cai Yaotong

Inventor after: Li Xinyu

Inventor before: Zhang Meng

Inventor before: Lin Hui

Inventor before: Cai Yaotong

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant