CN112257531A - 基于多样性特征联合的林地变化遥感监测方法 - Google Patents
基于多样性特征联合的林地变化遥感监测方法 Download PDFInfo
- Publication number
- CN112257531A CN112257531A CN202011088024.9A CN202011088024A CN112257531A CN 112257531 A CN112257531 A CN 112257531A CN 202011088024 A CN202011088024 A CN 202011088024A CN 112257531 A CN112257531 A CN 112257531A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- forest
- sensing image
- feature vector
- forest land
- 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
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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种基于多样性特征联合的林地变化遥感监测方法,用于解决因同谱异物和同物异谱而导致的对林地变化监测精度较低的问题。实现步骤为:对林地遥感影像进行预处理;获取预处理后林地遥感影像的光谱特征向量集和纹理特征向量集;对光谱特征向量集和纹理特征向量集分别进行归一化;对归一化后的光谱特征向量集和纹理特征向量集进行多样性特征联合;获取训练样本集和测试样本集;构建随机森林分类模型并进行迭代训练;获取林地变化信息。本发明利用多样性特征联合方法来提高对林地遥感影像的分类精度,增强了对林地变化的监测能力。
Description
技术领域
本发明属于遥感技术领域,涉及一种林地变化遥感监测方法,具体涉及一种基于多样性特征联合的林地变化遥感监测方法。
背景技术
森林是自然生态系统的一个重要组成部分,它不仅可以调节自然界中的空气和水的循环,保护土壤免受风和雨的侵袭,还能减少环境污染对人类的危害。森林的自然演替、病虫害、火灾以及人类活动的干扰都会使森林发生变化,而森林的变化直接影响到陆地生态系统的平衡。因此,开展林地变化监测工作,有助于了解森林空间分布的变化信息,建立或更新森林资源档案,通过科学的技术措施和合理的调控方案保护森林资源。
传统的林地变化监测以地面的人工调查为主,存在着工作量大、更新周期长、效率低和时效性差等问题,难以满足当今快速高效地对大范围的林地变化进行监测的需求。与传统方法相比,遥感技术以其覆盖范围广、获取信息速度快与数据量丰富等优点,在林地变化监测中得到了广泛应用。遥感影像分类是监测林地变化的重要手段,利用遥感影像光谱波段的反射率计算的归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI等光谱特征常用于林地遥感影像分类。但是,由于同谱异物和同物异谱现象的存在,只利用光谱特征对遥感影像进行分类会导致分类精度较低。
例如:申请公布号为CN110135322A,名称为“一种基于IFI的时间序列森林变化监测方法”,公开了一种基于IFI的时间序列森林变化监测方法。该方法首先对遥感影像预处理,然后计算出预处理后遥感影像的归一化植被指数NDVI并进行暗物质掩膜,之后整合森林指数并获取训练样本,最后利用图像插值法补全掩膜影像的信息并对遥感影像进行分类得到森林变化监测结果。该方法存在的不足之处是:只运用了遥感影像的光谱特征进行分类,没有利用到遥感影像的纹理特征,没有考虑到同谱异物和同物异谱的问题,导致遥感影像的分类精度较低。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷,提出了一种基于多样性特征联合的林地变化遥感监测方法,用于解决同谱异物和同物异谱的现象导致对林地变化监测精度较低的问题。
为实现上述目的,本发明采取的技术方案包括如下步骤:
(1)对林地遥感影像数据进行预处理:
(1a)读取不同时间的林地遥感影像集A={A1,A2,...,At,...,AT},其中At表示第t个时间点的大小为M×N×D的遥感影像,T表示林地遥感影像的总数,T≥2,M、N、D分别表示At的行数、列数、光谱波段数目,M≥10,N≥10,D≥4;
(1b)对每幅林地遥感影像At进行辐射校正,得到辐射校正后的林地遥感影像集A'={A'1,A'2,...,A't,...,A'T},并对每幅辐射校正后的林地遥感影像A't进行大气校正,得到大气校正后的林地遥感影像集A”={A”1,A”2,...,A”t,...,A”T};
(2)获取大气校正后的林地遥感影像集A”的光谱特征向量集G1:
利用光谱波段的反射率计算每幅大气校正后的林地遥感影像A”t的归一化植被指数NDVIt、比值植被指数RVIt和增强植被指数EVIt,并将NDVIt、RVIt和EVIt组合成光谱特征向量集G1t,得到A”对应的光谱特征向量集G1={G11,G12,...,G1t,...,G1T};
(3)获取大气校正后的林地遥感影像集A”的纹理特征向量集G2:
(3a)设置包括两个相互嵌套且中心点重合的正方形滑窗w1和w2的复合窗口,w1的大小为(2p+1)×(2p+1),w2的大小为(2q+1)×(2q+1),p和q均为整数,p≥1,q≥1,且p>q;
(3b)以1为步长,并按照先行后列的顺序通过复合窗口对A”t每一个波段d进行滑动扫描,得到滑窗w1对应的遥感影像块的集合B(i,j,d)和滑窗w2对应的遥感影像块的集合C(i,j,d):
其中d∈D,m和n分别表示复合窗口的中心点在A”t中所处的行数和列数,I(m+i-p-1,n+j-p-1,d)和I(m+i-q-1,n+j-q-1,d)分别表示w1和w2中包含的A”t的像素值;
(3c)通过B(i,j,d)和C(i,j,d)计算滑窗w1对应的A”t的第d个波段的五个纹理特征:数据范围f1,d、均值f2,d、方差f3,d、熵f4,d和偏斜f5,d,同时计算滑窗w2对应的A”t第d个波段的五个纹理特征:数据范围g1,d、均值g2,d、方差g3,d、熵g4,d和偏斜g5,d,得到A”t的D个波段共包含D×10个纹理特征向量的纹理特征向量集G2t,则A”的D个波段的纹理特征向量集为G2={G21,G22,...,G2t,...,G2T};
(4)对光谱特征向量集G1和纹理特征向量集G2分别进行归一化:
对光谱特征向量集G1和纹理特征向量集G2分别进行归一化,得到归一化后的光谱特征向量集f(G1)和纹理特征向量集f(G2):
(5)对光谱特征向量集f(G1)和纹理特征向量集f(G2)进行多样性特征联合:对光谱特征向量集f(G1)和纹理特征向量集f(G2)进行多样性特征联合,得到包括U个混合特征向量的多样性特征集G:
其中,Fu表示第u个混合特征向量,Fu=[a1u,a2u,...,aqu,...,aQu]T,[·]T表示转置,aqu表示第u个混合特征向量的第q个特征,[aq1,aq2,..,aqu,..,aqU]表示第q个样本向量,G共包含了Q个样本向量,Q=M×N×T,U=3+(D×10);
(6)获取训练样本集Xtrain和测试样本集Xtest:
对每幅遥感影像At中二维遥感影像的M×N个像素点进行标注,并将Q个像素点的标签组成标签集Y,然后随机选取G中的S个样本向量及Y中与S个样本向量对应的标签作为训练样本集Xtrain,将G中剩余的样本向量及Y中剩余的标签作为测试样本集Xtest,其中
(7)构建随机森林分类模型并进行迭代训练:
(7a)构建包括K棵深度为depth的决策树的随机森林分类模型L,L={L1,L2,...,Lk,...,LK},设迭代次数为k,最大迭代次数为K,并令k=1,其中depth≥10,K≥500,Lk表示第k棵决策树;
(7b)从Xtrain中随机有放回地抽取S次样本向量及标签,每次抽取1个样本向量及其对应的标签,并将S次抽取的样本向量及标签作为每棵决策树Lk的输入进行训练,得到训练后的第k棵决策树Lk′;
(7c)判断k≥K是否成立,若是,得到训练后的随机森林分类模型L′,否则令k=k+1,并执行步骤(7b);
(8)获取林地变化信息:
把测试样本集Xtest作为训练后的随机森林分类模型L′的输入进行分类,并将分类得到的结果作为林地变化信息。
本发明与现有技术相比,具有以下优点:
(1)本发明在计算林地遥感影像的纹理特征时,利用了复合窗口,该复合窗口由两个大小不同、相互嵌套且中心点重合的正方形滑窗构成,相比于只使用一个滑窗,复合窗口可以获取遥感影像更多的纹理特征,有助于提高林地遥感影像的分类精度,增强林地变化监测能力。
(2)本发明将计算的归一化植被指数NDVI、比值植被指数RVI和增强植被指数EVI组合成的光谱特征向量集与纹理特征向量集进行变换并联合,得到包含光谱特征与纹理特征的多样性特征集,可以获取林地遥感影像更丰富的信息,将多样性特征集的样本划分成训练样本和测试样本,并对随机森林分类模型进行训练并测试时,有效解决了同谱异物和同物异谱所导致的分类精度较低的问题,提高了对林地变化的监测能力。
附图说明
图1是本发明的实现流程图;
具体实施方式
下面结合附图和具体实施例,对本发明作进一步详细描述。
参照图1,本发明包括如下步骤:
步骤1)对林地遥感影像数据进行预处理:
步骤1a)读取不同时间的林地遥感影像集A={A1,A2,...,At,...,AT},其中At表示第t个时间点的大小为M×N×D的遥感影像,T表示林地遥感影像的总数,T≥2,M、N、D分别表示At的行数、列数、光谱波段数目,M≥10,N≥10,D≥4,
在具体实施例中,读取的林地遥感影像集来源于哨兵2A卫星,其中T=2,M=810,N=594,D=13;
步骤1b)为了消除因太阳位置、角度条件及某些不可避免的噪声等引起的传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异,恢复林地遥感影像的本来面目,本发明将每幅林地遥感影像At输入遥感影像处理软件ENVI中,使用ENVI的radiometric calibration工具包对At自动进行辐射校正,输出辐射校正后的林地遥感影像集A'={A'1,A'2,...,A't,...,A'T},为了消除大气对地物反射的影响,本发明利用ENVI的FLASH Atmospheric Correction工具包对每幅辐射校正后的林地遥感影像A't自动进行大气校正,输出大气校正后的林地遥感影像集A”={A”1,A”2,...,A”t,...,A”T};
步骤2)获取大气校正后的林地遥感影像集A”的光谱特征向量集G1:
植被指数体现了植被在红、绿、蓝及近红外光谱波段的反射率与土壤背景之间的差异,可以反映出遥感影像中的植被覆盖度,特别适用于对林地变化的监测,因此,为了提高对林地变化的监测能力,本发明利用遥感影像光谱波段的反射率计算每幅大气校正后的林地遥感影像A”t的归一化植被指数NDVIt、比值植被指数RVIt和增强植被指数EVIt,计算公式分别为:
DVIt=ρNIRt-ρREDt
其中,ρNIRt、ρREDt和ρBLUEt表示林地遥感影像At”的近红外光谱波段反射率、红光谱波段反射率和蓝光谱波段反射率,NDVIt、RVIt和EVIt表示三种不同的光谱特征,将NDVIt、RVIt和EVIt组合成光谱特征向量集G1t,最后得到A”对应的光谱特征向量集G1={G11,G12,...,G1t,...,G1T};
步骤3)获取大气校正后的林地遥感影像集A”的纹理特征向量集G2:
步骤3a)为了获取林地遥感影像更丰富的纹理特性,本发明设置了包括两个相互嵌套且中心点重合的正方形滑窗w1和w2的复合窗口,w1的大小为(2p+1)×(2p+1),w2的大小为(2q+1)×(2q+1),p和q均为整数,p≥1,q≥1,且p>q;
步骤3b)以1为步长,并按照先行后列的顺序通过复合窗口对A”t每一个波段d进行滑动扫描,得到滑窗w1对应的遥感影像块的集合B(i,j,d)和滑窗w2对应的遥感影像块的集合C(i,j,d):
其中d∈D,m和n分别表示复合窗口的中心点在A”t中所处的行数和列数,I(m+i-p-1,n+j-p-1,d)和I(m+i-q-1,n+j-q-1,d)分别表示w1和w2中包含的A”t的像素值;
步骤3c)通过B(i,j,d)和C(i,j,d)计算滑窗w1对应的A”t的第d个波段的五个纹理特征:数据范围f1,d、均值f2,d、方差f3,d、熵f4,d和偏斜f5,d,同时计算滑窗w2对应的A”t第d个波段的五个纹理特征:数据范围g1,d、均值g2,d、方差g3,d、熵g4,d和偏斜g5,d,实现步骤为:
步骤3c1)计算滑窗w1和w2对应的A”t第d个波段的数据范围f1,d和g1,d:
步骤3c2)计算滑窗w1和w2对应的A”t第d个波段的均值f2,d和g2,d:
步骤3c3)计算滑窗w1和w2对应的A”t第d个波段的方差f3,d和g3,d:
步骤3c4)计算滑窗w1和w2对应的A”t第d个波段的熵f4,d和g4,d:
步骤3c5)计算滑窗w1和w2对应的A”t第d个波段的偏斜f5,d和g5,d:
得到A”t的D个波段共包含D×10个纹理特征向量的纹理特征向量集G2t,则A”的D个波段的纹理特征向量集为G2={G21,G22,...,G2t,...,G2T};
步骤4)对光谱特征向量集G1和纹理特征向量集G2分别进行归一化:
对光谱特征向量集G1和纹理特征向量集G2分别进行归一化,得到归一化后的光谱特征向量集f(G1)和纹理特征向量集f(G2):
步骤5)对光谱特征向量集f(G1)和纹理特征向量集f(G2)进行多样性特征联合:
为了在分类时能够充分利用遥感影像的光谱特征和纹理特征,获取关于林地遥感影像更多的信息,避免因同谱异物和同物异谱所引起的分类错误,增强对林地变化监测的能力,本发明对光谱特征向量集f(G1)和纹理特征向量集f(G2)进行多样性特征联合,得到包括U个混合特征向量的多样性特征集G:
其中,Fu表示第u个混合特征向量,Fu=[a1u,a2u,...,aqu,...,aQu]T,[·]T表示转置,aqu表示第u个混合特征向量的第q个特征,[aq1,aq2,..,aqu,..,aqU]表示第q个样本向量,G共包含了Q个样本向量,Q=M×N×T,U=3+(D×10);
步骤6)获取训练样本集Xtrain和测试样本集Xtest:
本发明通过目视解译的方式对每幅遥感影像At中二维遥感影像的M×N个像素点进行标注,并将Q个像素点的标签组成标签集Y,然后随机选取G中的S个样本向量及Y中与S个样本向量对应的标签作为训练样本集Xtrain,将G中剩余的样本向量及Y中剩余的标签作为测试样本集Xtest,其中
步骤7)构建随机森林分类模型并进行迭代训练:
步骤7a)使用python软件构建包括K棵深度为depth的决策树的随机森林分类模型L,L={L1,L2,...,Lk,...,LK},设迭代次数为k,最大迭代次数为K,并令k=1,其中depth≥10,K≥500,Lk表示第k棵决策树;
具体实施例中,K=500,depth=15;
步骤7b)设置python软件中的工具包DesicionTree的最大深度max_depth=depth,从Xtrain中随机有放回地抽取S次样本向量及标签,每次抽取1个样本向量及其对应的标签,并将S次抽取的样本向量及标签作为DesicionTree的输入,对Lk进行自动训练,得到训练后的第k棵决策树Lk′;
步骤7c)判断k≥K是否成立,若是,得到训练后的随机森林分类模型L′,否则令k=k+1,并执行步骤(7b);
步骤8)获取林地变化信息:
把测试样本集Xtest作为训练后的随机森林分类模型L′的输入进行分类,并将得到的分类结果作为林地变化信息。
本发明通过多样性特征联合得到包含光谱特征和纹理特征的多样性特征集,并将多样性特征集中半数以上的样本向量用于训练,剩余的样本向量用于测试,由于训练样本集包含了光谱特征与纹理特征,因此在训练过程中,每棵决策树能够获取关于林地遥感影像更多的信息,与只包含光谱特征的训练样本集相比,本发明所获取的训练样本集避免了因同谱异物和同物异谱所引起的分类错误而导致训练得到的随机森林分类模型性能较差的问题;
在测试过程中,由于训练好的随机森林分类模型具有更好的分类性能,且所使用的测试样本集也包含了光谱特征与纹理特征,因此,有效提高了测试样本集的分类精度,最终能够获取更准确的林地变化信息,增强了对林地变化的监测能力。
Claims (4)
1.一种基于多样性特征联合的林地变化遥感监测方法,其特征在于,包括如下步骤:
(1)对林地遥感影像数据进行预处理:
(1a)读取不同时间的林地遥感影像集A={A1,A2,...,At,...,AT},其中At表示第t个时间点的大小为M×N×D的遥感影像,T表示林地遥感影像的总数,T≥2,M、N、D分别表示At的行数、列数、光谱波段数目,M≥10,N≥10,D≥4;
(1b)对每幅林地遥感影像At进行辐射校正,得到辐射校正后的林地遥感影像集A'={A'1,A'2,...,A't,...,A'T},并对每幅辐射校正后的林地遥感影像A't进行大气校正,得到大气校正后的林地遥感影像集A”={A”1,A”2,...,A”t,...,A”T};
(2)获取大气校正后的林地遥感影像集A”的光谱特征向量集G1:
利用光谱波段的反射率计算每幅大气校正后的林地遥感影像A”t的归一化植被指数NDVIt、比值植被指数RVIt和增强植被指数EVIt,并将NDVIt、RVIt和EVIt组合成光谱特征向量集G1t,得到A”对应的光谱特征向量集G1={G11,G12,...,G1t,...,G1T};
(3)获取大气校正后的林地遥感影像集A”的纹理特征向量集G2:
(3a)设置包括两个相互嵌套且中心点重合的正方形滑窗w1和w2的复合窗口,w1的大小为(2p+1)×(2p+1),w2的大小为(2q+1)×(2q+1),p和q均为整数,p≥1,q≥1,且p>q;
(3b)以1为步长,并按照先行后列的顺序通过复合窗口对A”t每一个波段d进行滑动扫描,得到滑窗w1对应的遥感影像块的集合B(i,j,d)和滑窗w2对应的遥感影像块的集合C(i,j,d):
其中d∈D,m和n分别表示复合窗口的中心点在A”t中所处的行数和列数,I(m+i-p-1,n+j-p-1,d)和I(m+i-q-1,n+j-q-1,d)分别表示w1和w2中包含的A”t的像素值;
(3c)通过B(i,j,d)和C(i,j,d)计算滑窗w1对应的A”t的第d个波段的五个纹理特征:数据范围f1,d、均值f2,d、方差f3,d、熵f4,d和偏斜f5,d,同时计算滑窗w2对应的A”t第d个波段的五个纹理特征:数据范围g1,d、均值g2,d、方差g3,d、熵g4,d和偏斜g5,d,得到A”t的D个波段共包含D×10个纹理特征向量的纹理特征向量集G2t,则A”的D个波段的纹理特征向量集为G2={G21,G22,...,G2t,...,G2T};
(4)对光谱特征向量集G1和纹理特征向量集G2分别进行归一化:
对光谱特征向量集G1和纹理特征向量集G2分别进行归一化,得到归一化后的光谱特征向量集f(G1)和纹理特征向量集f(G2):
(5)对光谱特征向量集f(G1)和纹理特征向量集f(G2)进行多样性特征联合:
对光谱特征向量集f(G1)和纹理特征向量集f(G2)进行多样性特征联合,得到包括U个混合特征向量的多样性特征集G:
其中,Fu表示第u个混合特征向量,Fu=[a1u,a2u,...,aqu,...,aQu]T,[·]T表示转置,aqu表示第u个混合特征向量的第q个特征,[aq1,aq2,..,aqu,..,aqU]表示第q个样本向量,G共包含了Q个样本向量,Q=M×N×T,U=3+(D×10);
(6)获取训练样本集Xtrain和测试样本集Xtest:
对每幅遥感影像At中二维遥感影像的M×N个像素点进行标注,并将Q个像素点的标签组成标签集Y,然后随机选取G中的S个样本向量及Y中与S个样本向量对应的标签作为训练样本集Xtrain,将G中剩余的样本向量及Y中剩余的标签作为测试样本集Xtest,其中
(7)构建随机森林分类模型并进行迭代训练:
(7a)构建包括K棵深度为depth的决策树的随机森林分类模型L,L={L1,L2,...,Lk,...,LK},设迭代次数为k,最大迭代次数为K,并令k=1,其中depth≥10,K≥500,Lk表示第k棵决策树;
(7b)从Xtrain中随机有放回地抽取S次样本向量及标签,每次抽取1个样本向量及其对应的标签,并将S次抽取的样本向量及标签作为每棵决策树Lk的输入进行训练,得到训练后的第k棵决策树L′k;
(7c)判断k≥K是否成立,若是,得到训练后的随机森林分类模型L′,否则令k=k+1,并执行步骤(7b);
(8)获取林地变化信息:
把测试样本集Xtest作为训练后的随机森林分类模型L′的输入进行分类,并将分类得到的结果作为林地变化信息。
3.根据权利要求1所述的基于多样性特征联合的林地变化遥感监测方法,其特征在于,步骤(3c)中所述的计算滑窗w1对应的A”t的第d个波段的五个纹理特征,以及计算滑窗w2对应的A”t第d个波段的五个纹理特征,实现步骤为:
(3c1)计算滑窗w1和w2对应的A”t第d个波段的数据范围f1,d和g1,d:
(3c2)计算滑窗w1和w2对应的A”t第d个波段的均值f2,d和g2,d:
(3c3)计算滑窗w1和w2对应的A”t第d个波段的方差f3,d和g3,d:
(3c4)计算滑窗w1和w2对应的A”t第d个波段的熵f4,d和g4,d:
(3c5)计算滑窗w1和w2对应的A”t第d个波段的偏斜f5,d和g5,d:
4.根据权利要求1所述的基于多样性特征联合的林地变化遥感监测方法,其特征在于,步骤(7c)中所述的将作为每棵决策树Lk的输入进行训练,实现方式为:设置python软件中的工具包DesicionTree的最大深度max_depth=depth,并将S次抽取的样本向量及标签作为DesicionTree输入进行自动训练,得到训练后的第k棵决策树L′k。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088024.9A CN112257531B (zh) | 2020-10-13 | 2020-10-13 | 基于多样性特征联合的林地变化遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011088024.9A CN112257531B (zh) | 2020-10-13 | 2020-10-13 | 基于多样性特征联合的林地变化遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257531A true CN112257531A (zh) | 2021-01-22 |
CN112257531B CN112257531B (zh) | 2023-07-28 |
Family
ID=74242037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011088024.9A Active CN112257531B (zh) | 2020-10-13 | 2020-10-13 | 基于多样性特征联合的林地变化遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257531B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399685A (zh) * | 2022-03-25 | 2022-04-26 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
CN115115948A (zh) * | 2022-07-26 | 2022-09-27 | 云南大学 | 一种基于随机森林和辅助因子的林地信息精细化提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584284A (zh) * | 2018-12-13 | 2019-04-05 | 宁波大学 | 一种分层决策的滨海湿地地物样本提取方法 |
CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
CN110598564A (zh) * | 2019-08-16 | 2019-12-20 | 浙江工业大学 | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 |
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
CN111652092A (zh) * | 2020-05-19 | 2020-09-11 | 中南林业科技大学 | 基于Sentinel-2A数据监测森林覆盖变化的方法 |
-
2020
- 2020-10-13 CN CN202011088024.9A patent/CN112257531B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN109584284A (zh) * | 2018-12-13 | 2019-04-05 | 宁波大学 | 一种分层决策的滨海湿地地物样本提取方法 |
CN110135322A (zh) * | 2019-05-09 | 2019-08-16 | 航天恒星科技有限公司 | 一种基于ifi的时间序列森林变化监测方法 |
CN110598564A (zh) * | 2019-08-16 | 2019-12-20 | 浙江工业大学 | 基于OpenStreetMap的高空间分辨率遥感影像迁移学习分类方法 |
CN111652092A (zh) * | 2020-05-19 | 2020-09-11 | 中南林业科技大学 | 基于Sentinel-2A数据监测森林覆盖变化的方法 |
AU2020101054A4 (en) * | 2020-06-19 | 2020-07-30 | Guizhou Institute Of Pratacultural | A Multi-source Remote Sensing Data Classification Method Based On the Classification Sample Points Extracted By the UAV |
Non-Patent Citations (1)
Title |
---|
刘思涵;尚夏明;马婷;: "基于随机森林特征选择的森林类型分类", 北京测绘, no. 12 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114399685A (zh) * | 2022-03-25 | 2022-04-26 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
CN114399685B (zh) * | 2022-03-25 | 2022-06-21 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
CN115115948A (zh) * | 2022-07-26 | 2022-09-27 | 云南大学 | 一种基于随机森林和辅助因子的林地信息精细化提取方法 |
CN115115948B (zh) * | 2022-07-26 | 2024-03-29 | 云南大学 | 一种基于随机森林和辅助因子的林地信息精细化提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112257531B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Houborg et al. | A cubesat enabled spatio-temporal enhancement method (cestem) utilizing planet, landsat and modis data | |
CN107392130B (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
Ferreira et al. | Retrieving structural and chemical properties of individual tree crowns in a highly diverse tropical forest with 3D radiative transfer modeling and imaging spectroscopy | |
CN112051222A (zh) | 一种基于高分卫星影像的河湖水质监测方法 | |
Leroux et al. | Land cover mapping using Sentinel‐2 images and the semi‐automatic classification plugin: A Northern Burkina Faso case study | |
CN107389036A (zh) | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 | |
CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
CN102750701A (zh) | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 | |
Iordache et al. | A dynamic unmixing framework for plant production system monitoring | |
Gutman et al. | Revisiting the use of red and near-infrared reflectances in vegetation studies and numerical climate models | |
CN108195771A (zh) | 一种海洋高光谱遥感影像目标识别方法 | |
CN112257531B (zh) | 基于多样性特征联合的林地变化遥感监测方法 | |
CN116310840A (zh) | 一种融合多关键物候期光谱特征的冬小麦遥感识别方法 | |
CN108898070A (zh) | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 | |
Sun et al. | Automatic atmospheric correction for shortwave hyperspectral remote sensing data using a time-dependent deep neural network | |
Shirazinejad et al. | Applying multidate Sentinel-2 data for forest-type classification in complex broadleaf forest stands | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
Li et al. | Extraction of rocky desertification information in karst area by using different multispectral sensor data and multiple endmember spectral mixture analysis method | |
CN116844053A (zh) | 一种小麦种植区域识别方法、系统、电子设备及存储介质 | |
Pu | Comparing canonical correlation analysis with partial least squares regression in estimating forest leaf area index with multitemporal Landsat TM imagery | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
Sallaba | Potential of a Post-Classification Change Detection Analysis to Identify Land Use and Land Cover Changes | |
Brumby et al. | Evolving land cover classification algorithms for multispectral and multitemporal imagery | |
Qian et al. | A multidisciplinary user acceptability study of hyperspectral data compressed using an on‐board near lossless vector quantization algorithm | |
Wang et al. | Improved estimation of SPAD values in walnut leaves by combining spectral, texture, and structural information from UAV-based multispectral image |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |