CN112052793A - 一种时间步进的农作物分类方法、装置及计算机设备 - Google Patents
一种时间步进的农作物分类方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112052793A CN112052793A CN202010923845.3A CN202010923845A CN112052793A CN 112052793 A CN112052793 A CN 112052793A CN 202010923845 A CN202010923845 A CN 202010923845A CN 112052793 A CN112052793 A CN 112052793A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- classification
- data
- classification result
- crop
- 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
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
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种时间步进的农作物分类方法、装置及计算机设备,其中,所述方法具体包括:在农作物生长季初期,制作用于遥感分类的训练样本数据;根据卫星的过境时间计划,及时获取遥感数据并进行预处理生成可用于遥感分类输入数据,然后开展遥感分类,得到研究区第一幅农作物分类结果;随着生长季的演进,不断获取遥感数据,并采用同样的方法进行遥感分类,得到相应的遥感分类结果;当获得3次及以上遥感分类结果时,利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告;重复如上步骤直到生长季结束。
Description
技术领域
本发明涉及遥感分类技术领域,尤其是涉及一种时间步进的农作物分类方法、装置及计算机设备。
背景技术
及时的农作物分类信息是农业生产指导和管理的重要科学依据,如何在农作物生长季内随时可获得精度最优的农作物分类结果是当前农作物遥感分类技术应用的技术瓶颈,为此本申请提出一种时间步进的农作物分类分类方法,解决了此技术瓶颈,保证了可随时获得最优的农作物分类结果,在生长季末期,生成最终的农作物分类图。
发明内容
现有技术存在的问题:遥感分类往往滞后,在农作物生长季内得到分类结果较难;当逐个对输入遥感数据进行分类后,不能确定哪一个结果是最好的;
针对现有技术存在的不足,第一方面,本发明提供了一种时间步进的农作物分类方法,包括:
S1:在农作物生长季初期,获得用于遥感分类的样本数据;
S2:根据卫星的过境时间计划,获取遥感数据并进行预处理生成可用于遥感分类的输入数据,然后开展遥感分类,得到研究区农作物的遥感分类结果;
S3:随着生长季的演进,不断获取遥感数据,并采用所述S2中的步骤进行遥感分类,得到相应的遥感分类结果;
S4:当获得3次及以上遥感分类结果时,利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告。
进一步,所述在农作物生长季初期,获得用于遥感分类的样本数据具体包括:
在农作物生长季初期,结合地面样本采集和遥感影像训练技术,得到所述研究区训练样本数据。
进一步,
所述利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告,具体包括:
利用多数决定投票方法,融合多次分类的分类结果,生成融合后最优的分类结果;
对所述融合后的分类结果进行精度检验,得到所述评价报告。
进一步,还包括:
再次获取所述遥感数据,并进行分类,得到对应的第二次分类结果。
进一步,多次重复所述再次获取所述遥感数据,并及时进行分类,得到对应的分类结果;
利用多数决定的投票方法,对所述分类结果进行处理,对所述评价报告进行更新得到更新后的分类结果的过程,在农作物生长季结束时得到最终的分类结果。
进一步,所述方法还包括:
利用误差混淆矩阵法,对遥感分类结果进行评价,并生成精度评价报告。
第二方面,本发明提供了一种时间步进的农作物分类装置,包括:
训练样本模块,用于在农作物生长季初期,获得用于遥感分类的样本数据;
数据获取模块,用于在农作物生长季,根据卫星的过境时间计划,及时获取遥感数据;
预处理模块,用于根据卫星的过境时间计划,获取遥感数据并进行预处理生成可用于遥感分类的输入数据;
分类模块,用于基于遥感分类输入数据和训练样本数据进行分类,得到对应遥感分类结果;
融合处理模块,用于当获得3次及以上遥感分类结果时,利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告。
进一步,
还包括:
精度评价模块,用于利用误差混淆矩阵法,对遥感分类结果进行评价,并生成精度评价报告。
第三方面,本发明提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是:
本发明提出的一种时间步进的农作物分类方法,解决了现有遥感分类时间滞后的技术瓶颈,保证了可随时获得最优的农作物分类结果,在生长季末期,生成最终的农作物分类图。
附图说明
图1是本发明的一种时间步进的农作物分类方法的流程示意图;
图2是本发明的一种时间步进的农作物分类装置的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定装备结构、接口、技术之类的具体细节,以便透彻理解本发明。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
如图1所示,第一方面,本发明提供了一种时间步进的农作物分类方法,包括:
S1:在农作物生长季初期,获得用于遥感分类的样本数据;
S2:根据卫星的过境时间计划,获取遥感数据并进行预处理生成可用于遥感分类的输入数据,然后开展遥感分类,得到研究区农作物的遥感分类结果;
S3:随着生长季的演进,不断获取遥感数据,并采用所述S2中的步骤进行遥感分类,得到相应的遥感分类结果;
S4:当获得3次及以上遥感分类结果时,利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告。
在一些说明性实施例中,所述在农作物生长季初期,获得用于遥感分类的样本数据具体包括:
在农作物生长季初期,结合地面样本采集和遥感影像训练技术,得到所述研究区训练样本数据。
在一些说明性实施例中,
所述利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告,具体包括:
利用多数决定投票方法,融合多次分类的分类结果,生成融合后最优的分类结果;
对所述融合后的分类结果进行精度检验,得到所述评价报告。
在一些说明性实施例中,还包括:
再次获取所述遥感数据,并进行分类,得到对应的第二次分类结果。
在一些说明性实施例中,多次重复所述再次获取所述遥感数据,并及时进行分类,得到对应的分类结果;
利用多数决定的投票方法,对所述分类结果进行处理,对所述评价报告进行更新得到更新后的分类结果的过程,在农作物生长季结束时得到最终的分类结果。
在一些说明性实施例中,所述方法还包括:
利用误差混淆矩阵法,对遥感分类结果进行评价,并生成精度评价报告。
实施例1
1.针对研究区,在生长季初期,结合地面样本采集和遥感影像训练技术,生成可用于遥感分类的样本数据,样本数据应考虑均匀的空间分布和样本数据的统计平衡,最终样本分成空间独立的分类建模样本集和检验样本集。
2.获取T1时间的遥感影像,经过遥感图像的基本处理步骤,生成研究区空间范围的遥感数据,然后利用主流分类算法进行分类,生成R1分类结果
3.获取T2时间的遥感影像,经过遥感图像的基本处理步骤,生成研究区空间范围的遥感数据,然后利用主流分类算法进行分类,生成R2分类结果
4.获取T3时间的遥感影像,经过遥感图像的基本处理步骤,生成研究区空间范围的遥感数据,然后利用主流分类算法进行分类,生成R3分类结果
5.利用多数决定的投票算法,融合R1,R2,R3,形成R分类结果
6.对R分类结果进行精度检验,生成评价报告
7.获取T4时间的遥感影像,经过遥感图像的基本处理步骤,生成研究区空间范围的遥感数据,然后利用主流分类算法进行分类,生成R4分类结果
8.利用多数决定的投票算法,融合R1,R2,R3,R4,形成更新的R分类结果
9.对R分类结果进行精度检验,生成评价报告
10.重复以上7,8和9步骤,R为当前生长季的最优结果,可以随时使用
11.生长季结束,生成R最终结果
如图2所示,第二方面,本发明提供了一种时间步进的农作物分类装置,包括:
训练样本模块100,用于在农作物生长季初期,获得用于遥感分类的样本数据;
数据获取模块200,用于在农作物生长季,根据卫星的过境时间计划,及时获取遥感数据;
预处理模块300,用于根据卫星的过境时间计划,获取遥感数据并进行预处理生成可用于遥感分类的输入数据;
分类模块400,用于基于遥感分类输入数据和训练样本数据进行分类,得到对应遥感分类结果;
融合处理模块500,用于当获得3次及以上遥感分类结果时,利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告。
在一些说明性实施例中,所述装置还包括:
精度评价模块,用于利用误差混淆矩阵法,对遥感分类结果进行评价,并生成精度评价报告。
第三方面,本发明提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,物流管理服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (9)
1.一种时间步进的农作物分类方法,其特征在于,包括:
S1:在农作物生长季初期,获得用于遥感分类的样本数据;
S2:根据卫星的过境时间计划,获取遥感数据并进行预处理生成可用于遥感分类的输入数据,然后开展遥感分类,得到研究区农作物的遥感分类结果;
S3:随着生长季的演进,不断获取遥感数据,并采用所述S2中的步骤进行遥感分类,得到相应的遥感分类结果;
S4:当获得3次及以上遥感分类结果时,利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告。
2.根据权利要求1所述的分类方法,其特征在于,所述在农作物生长季初期,获得用于遥感分类的样本数据具体包括:
在农作物生长季初期,结合地面样本采集和遥感影像训练技术,得到所述研究区训练样本数据。
3.根据权利要求1所述的分类方法,其特征在于,所述利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告,具体包括:
利用多数决定投票方法,融合多次分类的分类结果,生成融合后最优的分类结果;
对所述融合后的分类结果进行精度检验,得到所述评价报告。
4.根据权利要求1所述的分类方法,其特征在于,还包括:
再次获取所述遥感数据,并进行遥感分类,得到对应的分类结果。
5.根据权利要求4所述的分类方法,其特征在于,多次重复所述再次获取所述遥感数据,并及时进行分类,得到对应的分类结果;
利用多数决定的投票方法,对所述分类结果进行处理,对所述评价报告进行更新得到更新后的分类结果的精度评价,在农作物生长季结束时即得到最终的分类结果。
6.根据权利要求1~5任一项中所述的方法,其特征在于,所述方法还包括:
利用误差混淆矩阵法,对遥感分类结果进行评价,并生成精度评价报告。
7.一种时间步进的农作物分类装置,其特征在于,包括:
训练样本模块,用于在农作物生长季初期,获得用于遥感分类的样本数据;
数据获取模块,用于在农作物生长季,根据卫星的过境时间计划,及时获取遥感数据;
预处理模块,用于根据卫星的过境时间计划,获取遥感数据并进行预处理生成可用于遥感分类的输入数据;
分类模块,用于基于遥感分类输入数据和训练样本数据进行分类,得到对应遥感分类结果;
融合处理模块,用于当获得3次及以上遥感分类结果时,利用多数决定的投票方法,对所述已获得的遥感分类结果进行融合处理,生成最优的遥感分类结果并同时生成精度评价报告。
8.根据权利要求7所述的装置,其特征在于,还包括:
精度评价模块,用于利用误差混淆矩阵法,对遥感分类结果进行评价,并生成精度评价报告。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~6任一项中所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923845.3A CN112052793A (zh) | 2020-09-04 | 2020-09-04 | 一种时间步进的农作物分类方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010923845.3A CN112052793A (zh) | 2020-09-04 | 2020-09-04 | 一种时间步进的农作物分类方法、装置及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052793A true CN112052793A (zh) | 2020-12-08 |
Family
ID=73607390
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010923845.3A Pending CN112052793A (zh) | 2020-09-04 | 2020-09-04 | 一种时间步进的农作物分类方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052793A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN108399423A (zh) * | 2018-02-01 | 2018-08-14 | 南京大学 | 一种遥感影像分类的多时相-多分类器融合方法 |
WO2018153143A1 (zh) * | 2017-02-22 | 2018-08-30 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
CN111523525A (zh) * | 2020-07-02 | 2020-08-11 | 航天宏图信息技术股份有限公司 | 农作物分类识别方法、装置和电子设备 |
-
2020
- 2020-09-04 CN CN202010923845.3A patent/CN112052793A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101126812A (zh) * | 2007-09-27 | 2008-02-20 | 武汉大学 | 高分辨率遥感影像的分割和分类及变化检测一体化方法 |
CN106548146A (zh) * | 2016-11-01 | 2017-03-29 | 北京航天泰坦科技股份有限公司 | 基于时空分析的地表覆盖变化算法和系统 |
WO2018153143A1 (zh) * | 2017-02-22 | 2018-08-30 | 河海大学 | 一种利用遥感含水量测量滩涂高程的方法 |
CN107169462A (zh) * | 2017-05-19 | 2017-09-15 | 山东建筑大学 | 一种基于层次分析的脑电信号特征分类的二分类方法 |
CN108399423A (zh) * | 2018-02-01 | 2018-08-14 | 南京大学 | 一种遥感影像分类的多时相-多分类器融合方法 |
CN111523525A (zh) * | 2020-07-02 | 2020-08-11 | 航天宏图信息技术股份有限公司 | 农作物分类识别方法、装置和电子设备 |
Non-Patent Citations (2)
Title |
---|
CUI, G.等: "Refining Land Cover Classification Maps Based on Dual-Adaptive Majority Voting Strategy for Very High Resolution Remote Sensing Images", 《REMOTE SENS.》, vol. 10, no. 8, pages 1 - 19 * |
毛双双: "基于高分一号面向对象分类后林地变化检测研究", 《中国优秀硕士学位论文全文数据库:农业科技辑》, no. 12, pages 1 - 84 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69217047T2 (de) | Verbesserungen in neuronalnetzen | |
CN110210434A (zh) | 病虫害识别方法及装置 | |
Ronellenfitsch et al. | Topological phenotypes constitute a new dimension in the phenotypic space of leaf venation networks | |
Benes et al. | Multiscale computational models can guide experimentation and targeted measurements for crop improvement | |
Sinclair et al. | Geospatial assessment for crop physiological and management improvements with examples using the simple simulation model | |
WO2017170086A1 (ja) | 情報処理システム、情報処理装置、シミュレーション方法およびシミュレーションプログラムが記録された記録媒体 | |
CN112597870B (zh) | 一种土地覆盖分类模型的构建方法 | |
Henderson et al. | Using geometry to uncover relationships between isotropy, homogeneity, and modularity in cortical connectivity | |
Patidar et al. | Weed seedling detection using mask regional convolutional neural network | |
Tittonell | Msimu wa Kupanda: targeting resources within diverse, heterogenous and dynamic farming systemes of East Africa | |
Li et al. | SparseTracer: the reconstruction of discontinuous neuronal morphology in noisy images | |
CN113228096A (zh) | 通过机器学习进行光学矫正 | |
CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
EP3032473A1 (en) | Method and system for classifying plant disease through crowdsourcing using a mobile communication device | |
Artzet et al. | Phenomenal: an automatic open source library for 3D shoot architecture reconstruction and analysis for image-based plant phenotyping | |
Hati et al. | AI-driven pheno-parenting: a deep learning based plant phenotyping trait analysis model on a novel soilless farming dataset | |
CN112052793A (zh) | 一种时间步进的农作物分类方法、装置及计算机设备 | |
CN116071644B (zh) | 逐日叶面积指数数据反演方法、装置、设备及存储介质 | |
Benke et al. | A discrete simulation approach to spatial allocation of commodity production for revenue optimisation over a local region | |
Liao et al. | Semi-automated quantitative evaluation of neuron developmental morphology in vitro using the change-point test | |
CN112149719A (zh) | 一种多用途一站式遥感分类方法、装置及计算机设备 | |
Karennagari et al. | Infection Segmentation of Leaves Using Deep Learning techniques to enhance crop productivity in smart agriculture | |
CN115617089A (zh) | 基于传感器状态变化的温度控制方法、装置、设备及介质 | |
CN110059880B (zh) | 一种服务发现方法及装置 | |
Barbosa et al. | Characterizing neuromorphologic alterations with additive shape functionals |
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 |