CN116704212B - 基于机器学习及多光谱影像的林木火灾受损信息提取方法 - Google Patents
基于机器学习及多光谱影像的林木火灾受损信息提取方法 Download PDFInfo
- Publication number
- CN116704212B CN116704212B CN202310978722.3A CN202310978722A CN116704212B CN 116704212 B CN116704212 B CN 116704212B CN 202310978722 A CN202310978722 A CN 202310978722A CN 116704212 B CN116704212 B CN 116704212B
- Authority
- CN
- China
- Prior art keywords
- wood
- feature
- forest
- band
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 title claims abstract description 19
- 239000002023 wood Substances 0.000 claims abstract description 126
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013145 classification model Methods 0.000 claims abstract description 23
- 238000010586 diagram Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 16
- 238000007637 random forest analysis Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000036541 health Effects 0.000 claims abstract description 7
- 230000009467 reduction Effects 0.000 claims abstract description 7
- 238000012706 support-vector machine Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 30
- 230000000694 effects Effects 0.000 claims description 27
- 238000000926 separation method Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000000701 chemical imaging Methods 0.000 claims 4
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 230000001965 increasing effect Effects 0.000 description 9
- 238000011835 investigation Methods 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 description 1
- 241000592183 Eidolon Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013506 data mapping Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/28—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture specially adapted for farming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及基于机器学习及多光谱影像的林木火灾受损信息提取方法，属于图像处理技术领域，包括：将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；通过最优的特征子集为基础分别建立支持向量机分类模型、K最邻近分类模型和随机森林分类模型，再以此提取林木受损信息并绘制样地林木受损程度类别实测区域与预测受损木的空间分布格局图。本发明多光谱无人机具有地面分辨率高、对植被健康程度敏感、操作灵活等特点，可快速获取过火区域的高空间分辨率影像。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及基于机器学习及多光谱影像的林木火灾受损信息提取方法。
背景技术
森林火灾过后，林木树冠、树干形成层和树根被灼烧，形成不同损失程度的林木（烧毁木、烧死木、烧伤木和未伤木），对灾后植被生成造成极大影响；因此，在森林灾害研究中林木受害程度调查对于火灾评估及生态修复等具有重要作用。
传统的火灾林木受损信息获取是以野外样地勘察为基础，但是该方法不仅成本高、工作量大，且难以精确获取空间信息，因此，快速准确地提取出火烧迹地林木受害程度信息，能够为森林火灾受损木的调查效率、区域植被恢复规划及森林可持续发展等提供一定理论依据。近年来低空遥感技术的蓬勃发展为森林信息监测提供了新方法，无人机遥感因地面清晰度高、现势性好、机动灵活等优点，被逐渐应用于林火研究领域中；采用无人机遥感技术进行树冠火及地表火造成的林木树冠和树干受损程度调查可能会成为科学评估灾后林木损失的有效方法，是现代林火生态管理的发展趋势，但不同受损程度的林木影像信息识别方法仍是当下研究的热点问题。分类方法是影响遥感信息提取精度的枢纽，传统的分类模型如最大似然、平行六面体、最小距离和马氏距离等分类方法已被普遍应用于森林火灾研究中，由于遥感信息的统计分布具有较高的复杂性和随机性，特征空间中类别的分布比较分散且不符合事先假定的概率分布时，这些分类方法的分类结果将与真实状况相偏离，从而导致分类效果不佳，无法满足林木火灾受损程度信息提取的需求。随着计算机技术的飞速发展，机器学习算法为森林火灾调查评估提供了一种新的方式，它是从已知中获得规律，通过规则自动学习对未知进行预测，在处理多图像、尺度和聚集度之间的复杂交互方面，其效果优于传统的分类器，因此，如何通过机器学习来提高在遥感中普遍存在的强异质性地面区域的分类精度，进而实现林木火灾受损信息的提取，是目前需要考虑的问题。
需要说明的是，在上述背景技术部分公开的信息只用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于机器学习及多光谱影像的林木火灾受损信息提取方法，解决了现有技术存在的不足。
本发明的目的通过以下技术方案来实现：基于机器学习及多光谱影像的林木火灾受损信息提取方法，所述受损信息提取方法包括：
S1、将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；
S2、采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；
S3、通过最优的特征子集为基础分别建立支持向量机分类模型、K最邻近分类模型和随机森林分类模型，并通过支持向量机分类模型或者K最邻近分类模型或者随机森林分类模型提取林木受损信息并绘制样地林木受损程度类别实测区域与预测受损木的空间分布格局图。
所述受损信息提取方法包括：
S1、将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；
S2、采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；
S3、通过最优的特征子集为基础分别建立K最邻近分类模型和随机森林分类模型，并通过随机森林分类模型提取林木受损信息绘制第一样地林木受损程度类别实测区域与预测受损木的空间分布格局图，再通过K最邻近分类模型对面积小且分散的树林阴影和道路阴影信息进行提取，并绘制到第一样地林木受损程度类别实测区域与预测受损木的空间分布格局图中得到第二样地林木受损程度类别实测区域与预测受损木的空间分布格局图。
所述受损林木光谱特征提取包括：
统计计算数据影像中道路、未伤木、烧伤木、烧死木以及烧毁木类型样本的NDVI、NDVIrededge、GNDVI、LCI、ARVI、PSRI和RVI七种植被指数的平均值和标准差；
在可见光范围通过PSRI植被指数将道路与未伤木、烧伤木、烧死木以及烧毁木类型样本进行区分；
统计未伤木、烧伤木、烧死木及烧毁木受损类型样本在多光谱无人机影像R、G、B、Rededge及NIR波段中的均值并绘制各地类的光谱曲线图，以此为基础，建立7种植被指数增强植被健康状态的识别，将未伤木和烧伤木与烧死木和烧毁木之间进行区分；
计算各个植被指数的分离指数P来衡量各个植被指数区分各地物与其他地物的能力，根据各植被指数对各种地物与其他地物的能力，统计各植被指数的分离指数P≥1的数量，将分离指数P≥1数量最少的PSRI植被指数剔除。
所述受损林木纹理特征提取包括：
采用灰度共生矩阵提取出统计量效果最优的8种纹理特征并切除均值，8种纹理特征包括均值、标准差、协同性、对比度、相异性、熵、角二阶矩和相关性；
通过皮尔逊方法对纹理特征进行相关性分析，将8种纹理特征相互之间的相关系数大于预设值的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种之间不具备高度相关的纹理特征；
通过斯皮尔曼方法对对纹理特征进行相关性分析，将8中纹理特征中各个纹理特征与其他纹理特征之间相关性大于预设值最多的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种不存在高度相关的纹理特征。
从8种纹理特征提取出来的5种纹理特征的目的：将相关度高的（大于0.9）纹理特征进行剔除，保留其余纹理特征，在不影响分类精度的情况下可减少纹理特征信息的冗余，优化地物特征信息，有效提高运行效率和分类效果图；通过受损林木纹理特征提取步骤进行初步筛选，再进行S2步骤进行优选。
所述S2步骤的具体包括以下内容：
第个决策树节点的指数计算公式为其中，指类别数目，指位于节点处类别的样本权重，指第个决策树节点的系数，指位于节点处类别的样本权重，指类别，指不为类别的类别；
特征在第个决策树节点分裂前后指数的变化程度为，其中，、表示决策树分裂后两个新节点的指数，如果在决策树中的集合为M，则处于第个决策树的重要性为，如果模型中共有Z棵决策树，则公式转换为，将特征重要性结果进行归一化处理为，N表示特征数量，n表示第n个特征，此处的特征包括光谱特征和纹理特征的总和；
将每个特征的重要性按降序排列，从上至下顺次选择特征，首先选择重要性位居第一的额特征，下一次选择重要性排序位于前面的两个特征，以此类推直到全部特征进行了的OOB误差估计评价，判断最优特征参数数目，其中，和分别代表袋外数据，指数据个数，m表示训练集，表示m个训练集第c个特征变量在袋外数据的比率，表示m个训练集第s个特征变量在袋外数据的比率。
所述特征包括5个单波段、6种植被指数和10个纹理特征；
所述特征包括5个单波段、6种植被指数和10个纹理特征；
所述5个单波段包括红波段、绿波段、蓝波段、红边波段和近红外波段；
所述6种植被指数包括NDVI、NDVIrededge、ARVI、RVI、GNDVI和LCI；
所述10个纹理特征包括角二阶矩红边波段、角二阶矩绿波段、角二阶矩近红外波段、角二阶矩红波段、角二阶矩蓝波段、标准差红波段、标准差绿波段、标准差红边波段、标准差蓝波段、相异性红边波段。
此处的10个纹理特征是指最终优选出来的，受损林木纹理特征提取步骤中的纹理特征是初步筛选的。
本发明具有以下优点：多光谱无人机具有地面分辨率高、对植被健康程度敏感、操作灵活等特点，可快速获取过火区域的高空间分辨率影像。与传统调查方法相比，以机器学习提取多光谱无人机影像林木受损程度信息具有高效、精准的优势，对大面积森林火灾受损信息获取，火烧迹地研究和森林火灾监测及损失评估等提供重要基础。
附图说明
图1为本发明的流程示意图；
图2为不同典型地物光谱曲线示意图；
图3为典型地物分离指数P的示意图；
图4为纹理特征皮尔逊相关性分析示意图；
图5为纹理特征斯皮尔曼相关性分析示意图；
图6为特征重要性评价排序示意图；
图7为不同特征组合OOB精度示意图；
图8为不同特征组合总体精度示意图；
图9为西山区火场林木受损程度分类结果示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1 所示，本发明具体涉及一种基于多光谱无人机及及其学习的林木火灾受损信息提取方法，具体包括以下内容：
步骤1、数据获取与处理：
西山火场的无人机影像数据采用多光谱无人机精灵4 DJI产品获取，拍摄时在平板电脑上DJI GS Pro软件中设置航拍高度为260 m，旁向重叠以及航向重叠75%和80%，航点悬停拍照模式，获取2766张相片。首先将影像照片导入大疆智图软件中，再进行空间三角测量、点云空间加密处理和图片数据自动拼接处理等，最终生成分辨率约为0.1 m的研究区正射影像图（DOM）。
步骤2、受损林木特征提取：
（1）受损林木光谱特征提取：
由于多光谱无人机影像数据具有监测叶绿素含量的红边及近红外波段，可有效地识别林木受损信息。以此为基础构建各波段间比值计算的植被指数特征，增强植被结构特性及空间变化，加强地物可区分性。本发明提取7种与森林火灾高度相关的植被指数识别林木受损信息，即归一化差值植被指数NDVI、归一化差值红边植被指数NDVIrededge、植被衰减指数PSRI、大气阻抗植被指数ARVI、比值植被指数RVI、叶片叶绿素指数LCI及绿色归一化差异植被指数GNDVI；植被指数计算公式见下表1
表1植被指数计算表
分离指数可衡量各植被指数区分地物与其他地物的能力，常在植被指数分离性评估中体现，即公式（1）所示：
；
式中：P为分离指数；和分别为地物样本像元的均值和标准差；和分别为其他地物样本像元的均值和标准差。P值越大，植被指数区分地物与其他地物的能力越强；P≥1说明区分度较好，P＜1说明区分度较差。
本发明统计未伤木、烧伤木、烧死木及烧毁木受损类型样本在多光谱无人机影像R、G、B、Rededge及NIR波段中的均值并绘制各地类的光谱曲线如图2所示，由图可知，道路在可见光波段反射率较高，烧毁木、烧死木、烧伤木和未伤木在RGB波段的吸收能力较强，各林木受损类型的光谱反射率均明显低于道路。因此，在可见光范围内道路与其他地类区分度较大，且不易混淆，可采用该波段或利用该范围的波段构建相关植被指数将道路与其他类别划分开；烧死木与烧毁木的光谱反射率在可见光波长范围内相差不大几乎贴近，随着波长增加至红边及近红外波长区域，烧毁木与烧死木的区分较为明显；未伤木与烧伤木相比于烧死木和烧毁木对可见光的反射率较高，且反射率值接近，从红波段到近红外范围内（650~840 nm）反射率迅速升高，红边效应明显；表明各地类在红边和近红外范围内具有较好的区分度，以此为基础，建立植被指数增强植被健康状态的识别，将受损不严重的林木（未伤木受损类型和烧伤木受损类型）与严重受害的林木（烧死木类别和烧毁木类别）进行有效区分。
分析用于植被健康监测的7种植被指数特征，如表2所示，由表中各地物类别在植被指数中均值及标准差数值可知，PSRI值增大标识树木冠层胁迫增加，绿色健康植被一般取值为（-0.1～0.2），未伤木PSRI值最小仅为-0.014，随着林木受损程度加剧，PSRI值逐渐增加，烧毁木的值最大为0.238，其余林木受害程度类型PSRI值均处于-0.014～0.238之间，烧伤木PSRI值略低于烧死木，其中道路PSRI值最大为0.274。对于RVI未伤木最大，为7.545，烧伤木和烧死木受林火迫害均强于未伤木（烧伤木NDVI值＞烧死木NDVI值）；RVI值都小于未伤木，烧毁木的RVI值略高于道路，为1.796，道路的值最小仅为1.503。NDVIrededge对叶冠层的微小变化和林窗片断敏感，未伤木的NDVIrededge值为0.162，烧毁木仅为0.027，烧伤木和烧死木的NDVIrededge值位于二者之间，且烧伤木NDVIrededge值略高于烧死木。而NDVI指标，其值随着灾后林木受损严重程度的加大，呈现逐渐减小的趋势。未伤木的NDVI值为0.753，烧死木的NDVI值为0.389，而烧毁木的NDVI值只有0.277。ARVI针对NDVI进行改进的植被指数，未伤木ARVI值为0.768，随着植被受损程度类型加重，ARVI值逐渐减小。对于检测林木叶片叶绿素含量的GNDVI和LCI，能更好的识别出不同受害程度的林木，未伤木的GNDVI和LCI值均最大，分别为0.636，0.243。未受林火迫害植被的NDVI、NDVIrededge、ARVI、RVI、GNDVI和LCI值都明显高于被林火灼烧的林木，而PSRI值相比其他受害程度类型的林木较低，易与道路、烧毁木区分。
表2典型地物类别植被指数特征统计
统计影像道路、未伤木、烧伤木、烧死木及烧毁木类别间植被指数的平均值和标准差，通过数学公式计算分离指数P，如图3所示，据图可知，依据植被指数分离能力而言，火灾后的NDVI、ARVI、RVI分离性较好，只对烧死木-烧毁木和烧伤木-烧死木的分离指数小于1，相互之间容易造成混分；相比之下，NDVIrededge、GNDVI及LCI对烧伤木-烧死木、烧死木-烧毁木和未伤木-烧伤木的分离性较差，分离指数同样小于1，容易出现误判现象；NDVI、ARVI和RVI只有2种对应地物的分离指数P＜1明显优于NDVIrededge、GNDVI、LCI和PSRI，其中PSRI的分离指数P≥1的最少，区分各地物的能力最弱，因此，将PSRI剔除。
而NDVIrededge、GNDVI和LCI对各地物的区分能力好于PSRI，次于NDVI等植被指数。根据各地物的分离指数P可知，道路-烧伤木、道路-烧死木、道路-未伤木、道路-烧毁木、烧伤木-烧毁木、烧毁木-未伤木和未伤木-烧死木的分离指数均大于1，利用任何一种植被指数都具有较好的区分效果；在未伤木-烧伤木区分中NDVI、ARVI及RVI植被指数与GNDVI、NDVIrededge、LCI植被指数存在一定的互补效应，对于烧伤木-烧死木和烧死木-烧毁木的辨别，各植被指数的分离指数P值均处于0.5以上，但小于1。故在植被指数的基础上加入纹理特征以扩大烧死木-烧毁木和烧伤木-烧死木之间的可分离度。最终保留NDVI、NDVIrededge、ARVI、RVI、GNDVI和LCI 6种植被指数。
（2）受损林木纹理特征提取：
纹理特征能反映各地物表面排列随机性和空间分布信息，因高分辨率多光谱影像中蕴含着大量的纹理特征信息，是区分地物种类的重要特征参数，结合植被指数特征提取林木受损信息具有较好效果。灰度共生矩阵（Grey Level Co-occurrence Matrix，GLCM）是采用灰度空间相关性纹理的方法，窗口大小、步长和方向对纹理特征提取至关重要。对比3×3至25×25窗口提取的12组纹理特征，确定最佳窗口，在此基础上，设置步长为1、2、3，方向为0°、45°、90°和135°确定最终纹理参数。经试验，确定窗口大小为19×19、步长为3，方向45°，提取统计量效果最优的8种纹理特征（详见表3）并求出均值，使用Origin软件对相关性高的（＞0.9）纹理特征剔除，保留其余纹理特征，在不影响分类精度的情况下可减少纹理特征信息的冗余，优化地物特征信息，有效提高运行效率和分类效果图。
；
由图4可知，协同性与熵和角二阶矩2种纹理特征的相关系数分别为-0.989、0.918，相关性程度均高于0.9；而对比度与标准差和相异性的相关系数分别为0.911，0.942，相关程度同样均大于0.9，因此，将协同性和对比度2个纹理特征相关性大于0.9的剔除。另外，熵和角二阶矩的相关程度为-0.914，再根据其余4种纹理特征分别与熵和角二阶矩之间的相关程度判定是否高于0.9，从而把熵剔除。采用皮尔逊方法进行相关性分析最终保留均值、标准差、相异性、角二阶矩和相关性5项之间不具备高度相关的纹理特征。
由图5斯皮尔曼方法相关性分析可知，与协同性存在高度相关（＞0.9）的纹理特征数量最多，分别为相异性、熵及角二阶矩，因此，把协同性剔掉。在剩下的纹理特征中熵和对比度分别与角二阶矩和相异性相关性高，相关程度分别达到0.989和0.971，比较其余纹理特征分别与熵和角二阶矩的相关性系数绝对值判断哪项纹理特征的相关性更低，最后剔掉熵；对于相异性和对比度的判定，采用上述同样的方式，最终把对比度剔除，选取均值、标准差、相异性、角二阶矩和相关性5类不存在高度相关的纹理特征。
步骤3、受损林木特征重要性评价与最优选择：
在实际操作中，影像中存在着许多能反映不同地物信息的特征参数，如何在这些特征中选取对最终结果有显著影响的几种特征参数，从而降低模型构建的特征数量，加快计算机运行速度，这是当下追求“快”时代的我们比较关注的问题。本发明采用平均不纯度减少方法进行特征重要性评价，使用OOB误差进行最优特征参数的确定。其特征重要性计算的主要思想为：每棵树需要随机选取一定量的特征参数来完成每个节点的分裂，而每个特征都会为随机森林中每棵决策树提供一定的贡献，比较每个特征之间的贡献度平均值大小，进而确定每个特征的重要性顺序。
基尼指数（Gini Index）指样本被错分的几率，用表示，其值越小表示样本被正确划分的概率越大，确定性程度越高。常被用作衡量贡献大小的指标，使用对各个特征的指数进行评分。
第个决策树节点的指数计算公式：
；
式中：指第个决策树节点的系数，指类别数目，指位于节点处类别的样本权重，指位于节点处类别的样本权重，指类别，指不为类别的类别，直观的描述，随机在节点抽选两个样本，所处不同类别的几率。
特征在第个决策树节点分裂前后指数的变化程度：
；
式中：、表示决策树分裂后两个新节点的指数，若在决策树中的集合为M，则处于第个决策树的重要性：
；
如果模型中共有Z棵决策树，则公式转换为：
；
将特征重要性结果进行归一化处理：
；
N表示特征数量，n表示第n个特征，将每个特征的重要性按降序排列，从上至下顺次选择特征，首先选择重要性位居第一的特征，下一次选择重要性排序前2个特征，以此类推，直至全部特征进行OOB误差评价，判断最优特征参数数目，OOB误差估计值计算公式如下所示：
；
式中：和分别代表袋外数据，分别表示随机改变袋外数据第个特征变量，指数据个数，m表示训练集，表示m个训练集第c个特征变量在袋外数据的比率，表示m个训练集第s个特征变量在袋外数据的比率。
在步骤2分别对提取的植被指数特征、纹理特征采用分离指数法和相关性分析的方法进行了相应的特征参数剔除，共保留了多光谱影像5个单波段特征、NDVI、NDVIrededge、ARVI、RVI、GNDVI、LCI 6种植被指数和25个纹理特征（5个波段的均值、标准差、相异性、角二阶矩和相关性），共计36个影像特征，在Python平台下调用Scikit-learn库中随机森林模型，使用平均不纯度减少方法进行特征重要性排序，如图6所示，由图可知，在多光谱无人机影像11个光谱特征中，无人机影像单波段中的蓝、绿、红、红边、近红外5个波段的重要性分别为5.896、3.605、3.909、3.017、3.206，位于重要性排序的第5、第8、第7、第14、第12位序，虽然红边及近红外的重要性顺序略低于RGB 3个波段，但重要性均在3以上，对于林木受损程度信息提取中仍起到一定的提取增强效果。对于6种植被指数NDVI、NDVIrededge、ARVI、RVI、GNDVI、LCI的重要性均位于较高的位置，达到6.561、3.435、9.219、7.822、7.902、5.602分别位于第4、第9、第1、第3、第2、第6的位置，尽管红边及近红外的排序在单波段中较低，然而构建的植被指数却排在前列，其中ARVI指数的重要性最高、GNDVI仅次之，说明二者对于林木受损信息提取的效果最好，可增加制图精度。在25个纹理特征中，角二阶矩的重要性均处于较高的位置，其中红边波段的重要性最高为3.408，近红外波段的重要性是3.131，蓝光波段最低为1.764，表明由红边及近红外波段提取的角二阶矩特征对不同灼烧状态下的林木提取效果较好。均值和相关性的重要性较低，最高的红光波段的均值和近红外波段相关性仅有1.391，0.866的重要性，在林木火灾受损程度信息提取中提供的作用较小。在相异性中红边波段重要性为1.632，对受损木的识别起到一定的加强作用，其余均低于1.500%，对分类效果的影响较小。标准差中近红外波段的重要性为1.497，识别林木受损信息能力较弱，其余均高于1.500，可提高林木受害程度识别的结果。
在随机森林模型每次运行中大约有三分之一的样本数据没有被构建成决策树，因此，这部分样本数据被称作“袋外数据”，可采用这些样本进行误差估计。对36个不同的特征参数进行OOB误差分析如图7所示，在图中可以分析出，特征数在1～5区间时，OOB精度增长的幅度较大，当参与分类的特征数由5个逐步增加到21个时，OOB精度呈缓慢增长的趋势，特征数为21时，OOB精度最高为0.886，特征数目由21扩大到36个时，OOB精度整体出现略微的走低趋势，但下降幅度不大，因此，当参与特征数为21时，分类效果最佳。
图8是采用递归增加效果的思想，在保持特征重要性排序不变的基础上，每次随着参与分类特征数的增加重新进行总体精度的计算，特征数从1增加到21时，总体精度和Kappa系数先上升再下降后上升呈波段式上涨趋势。特征数是21时，总体精度和Kappa系数最高分别为89.10%、0.88，当继续增加特征，分类精度并无明显提高。在模型训练中参加分类的特征数过少，会造成识别率较低；若选取的特征数过多时，会增加模型计算时间，并可能出现过拟合现象，从而导致最终结果的准确率不会提升反而下降。因此，本发明选取特征重要性排序前21个特征作为优选的特征子集。
步骤4、分类模型建立：
本发明共选择多光谱影像的5个单波段、6种植被指数（NDVI、NDVIrededge、ARVI、RVI、GNDVI、LCI）和10个纹理特征（红边波段角二阶矩、绿波段角二阶矩、近红外波段角二阶矩、红波段角二阶矩、蓝波段角二阶矩、红波段标准差、绿波段标准差、红边波段标准差、蓝波段标准差、红边波段相异性），共21个影像特征，结合样地调查的各林木受损程度类型地理位置，分别构建不同的机器学习模型进行林木受损程度信息提取。比较SVM、KNN、RF 3种机器学习算法分类精度，以此验证机器学习方法识别林木受损程度信息的可行性。
（1）支持向量机分类模型（SVM分类模型）的构建：
采用径向基函数进行SVM分类模型的构建，其中惩罚因子Cost及Gamma的取值尤为重要，惩罚系数被用作均衡训练误差与目标二者之间的冲突问题，经研究发现Cost值越大，表明越可以容忍训练时出现的差错，制图效果越好；Gamma参数值是对训练点的影响距离进行调整，从而间接地确定数据映射特征空间的分布状况，当参数取值较高时，两点之间的距离挨近，被视为同一类，当取值较低情况时，支持向量的数量会增加，并对模型的训练与预测速度产生一定的影响。Cost取值100，Gamma取值0.08。
（2）随机森林分类模型（RF分类模型）的构建：
随机森林模型使用ENVI 5.6.3中Random Forest 插件对多光谱无人机影像及提取的多种特征参数实现林木受损信息的提取。在模型构建的过程中，主要的参数有：1）Number of Trees：表示随机森林生长的树的数量，其设定的值越大，模型的建立时间越长，反之，所消耗的时间越短；2）Number of Features：代表影像特征数量，如果采用“SquareRoot”模式，则Number of Trees = sqrt(nb)；假设勾选“Log”，表达为Number of Trees=log(nb)，式中nb是影像总波段数目；3）Min Node Samples：代表分割节点停止分割时，最少的样本量；4）Min Impurity：指分割节点停止分割时，所能达到的最低限度量；5）DisplayResult：表示生成的分类结果图在软件中显示。
（3）K最邻近分类模型（KNN分类模型）的构建：
在KNN分类器中K值的选取对于实验的精度来说至关重要。若K值设置过大，会酿成该模型分类能力降低，依据距离的选择可能将不同地物判断为同一种地物类型，进而失去实际中分类意义；若K值设置过小，将造成KNN分类器过于繁琐，降低模型的计算速率。为尽可能精准确定K值的大小对KNN分类方法最终分类结果的影响，对照了KNN分类器中K值以2为单位的增加幅度，从2逐步增加到20，分别比较分类器的识别效果，采用交叉验证方法将所有的评估结果取其均值评价该方法的表现能力。
由于K值对分类器的影响比较明显，当K取值2～8时，分类器的识别准确率逐渐提高，当K为10时准确率达到最高，此刻识别效果最佳，准确率为87.53%。当K再增加时分类器的识别结果逐步降低，并且具有走平的趋向。因此，本发明选取K=10进行建模，与大部分实验的选取大体相近。
步骤5、不同分类方法精度对比分析：
本发明以优选的特征子集为基础分别建立SVM、KNN和RF模型，并绘制样地林木受损程度类别实测区域与预测受损木的空间分布格局，如图9所示，3种分类器均可清晰看出火灾后林木不同程度的受损分布，较于其他地物类型，未伤木斑块较完整，道路提取较为清晰。其中，烧毁木区域（图9中三个类结果图中的下方黑色圈）分类结果图对比可知，3种分类方法均存在局部烧毁木错分成道路的情况，但RF结果图中烧毁木提取效果明显优于KNN和SVM，其中SVM分类器的分类效果最差；未伤木区域（图9中三个类结果图中的上方黑色圈）分类结果图对比可知，RF、KNN、SVM分类器皆将树冠间含有的小面积阴影部分误判为烧伤木，其中SVM分类器提取效果较差，存在较多的破碎烧伤木斑块，KNN分类器识别效果优于SVM，RF分类器能够把相应位置大部分阴影图斑所属类别正确探测出来。
使用OA、Kappa系数、PA、UA和F值定量评价3种分类方法，如表4所示。由表中整体分类效果可知，RF分类器总精度高于KNN和SVM，对林木受损程度识别总精度为88.95%，Kappa系数为0.8536，相比于KNN、SVM，总体精度分别提升1.82%、4.62%，Kappa系数提高0.02，0.059。在单个林木受害程度类型分类精度上，SVM分类结果中道路和未伤木错分、漏分情况均低于15%，其中道路分类精度为87.41%，未伤木分类精度高达90.08%。相比于其它林木受害类型，烧死木漏分和错分情况较为严重，PA和UA仅有77.58%和79.80均低于80.00%。同等条件下，KNN和RF对各受损程度类型的漏分、错分和分类精度均有所改善，KNN分类器较于SVM，烧死木漏分率和烧毁木错分率分别降低了14.32%和15.87%，未伤木分类精度提高了1.13%，烧伤木漏分情况降低了13.70%。RF相比于KNN分类器，烧毁木漏分率提高了0.50个百分点，但烧毁木错分情况降低了1.88个百分点，烧毁分类精度提高了0.79个百分点。总体来说，本发明对于林木受损信息提取，采用3种机器学习分类方法的总精度均高于85%，其中RF模型的分类精度明显优于SVM和KNN模型，但对于面积小且分散的树林阴影和道路阴影，存在提取效果相对较差的情况。
表4西山区火场林木受损程度分类精度比较表
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述受损信息提取方法包括：
S1、将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；
S2、采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；
S3、通过最优的特征子集为基础分别建立支持向量机分类模型、K最邻近分类模型和随机森林分类模型，并通过支持向量机分类模型或者K最邻近分类模型或者随机森林分类模型提取林木受损信息并绘制样地林木受损程度类别实测区域与预测受损木的空间分布格局图；
所述受损林木光谱特征提取包括：
统计计算数据影像中道路、未伤木、烧伤木、烧死木以及烧毁木类型样本的NDVI、NDVIrededge、GNDVI、LCI、ARVI、PSRI和RVI七种植被指数的平均值和标准差；
在可见光范围通过PSRI植被指数将道路与未伤木、烧伤木、烧死木以及烧毁木类型样本进行区分；
统计未伤木、烧伤木、烧死木及烧毁木受损类型样本在多光谱无人机影像R、G、B、Rededge及NIR波段中的均值并绘制各地类的光谱曲线图，以此为基础，建立7种植被指数增强植被健康状态的识别，将未伤木和烧伤木与烧死木和烧毁木之间进行区分；
计算各个植被指数的分离指数P来衡量各个植被指数区分各地物与其他地物的能力，根据各植被指数对各种地物与其他地物的能力，统计各植被指数的分离指数P≥1的数量，将分离指数P≥1数量最少的PSRI植被指数剔除；
所述受损林木纹理特征提取包括：
采用灰度共生矩阵提取出统计量效果最优的8种纹理特征并切除均值，8种纹理特征包括均值、标准差、协同性、对比度、相异性、熵、角二阶矩和相关性；
通过皮尔逊方法对纹理特征进行相关性分析，将8种纹理特征相互之间的相关系数大于预设值的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种之间不具备高度相关的纹理特征；
通过斯皮尔曼方法对对纹理特征进行相关性分析，将8中纹理特征中各个纹理特征与其他纹理特征之间相关性大于预设值最多的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种不存在高度相关的纹理特征。
2.根据权利要求1所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述S2步骤的具体包括以下内容：
第a个决策树节点b的Gini指数计算公式为其中，C指类别数目，指位于节点b处类别c的样本权重，指第a个决策树节点b的Gini系数，指位于节点b处类别c′的样本权重，c指类别，c′指不为类别c的类别；
特征Xn在第a个决策树节点b分裂前后Gini指数的变化程度为 其中，表示决策树分裂后两个新节点的Gini指数，如果Xn在决策树a中的集合为M，则Xn处于第a个决策树的重要性为如果模型中共有Z棵决策树，则公式转换为将特征重要性结果进行归一化处理为N表示特征数量，n表示第n个特征；
将每个特征的重要性按降序排列，从上至下顺次选择特征，首先选择重要性位居第一的特征，下一次选择重要性排序位于前面的两个特征，以此类推直到全部特征进行了的OOB误差估计评价，判断最优特征参数数目，其中，和分别代表袋外数据，c、s分别表示随机改变袋外数据第c、s个特征变量，xtrn指数据个数，m表示训练集，表示m个训练集第c个特征变量在袋外数据的比率，表示m个训练集第s个特征变量在袋外数据的比率。
3.根据权利要求2所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述特征包括5个单波段、6种植被指数和10个纹理特征；
所述5个单波段包括红波段、绿波段、蓝波段、红边波段和近红外波段；
所述6种植被指数包括NDVI、NDVIrededge、ARVI、RVI、GNDVI和LCI；
所述10个纹理特征包括角二阶矩红边波段、角二阶矩绿波段、角二阶矩近红外波段、角二阶矩红波段、角二阶矩蓝波段、标准差红波段、标准差绿波段、标准差红边波段、标准差蓝波段、相异性红边波段。
4.基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述受损信息提取方法包括：
S1、将获取的数据经过处理后进行受损林木光谱特征提取和受损林木纹理特征提取；
S2、采用平均不纯度减少方法进行特征重要性评价，并通过OOB误差进行最优特征参数的确定，得到最优的特征子集；
S3、通过最优的特征子集为基础分别建立K最邻近分类模型和随机森林分类模型，并通过随机森林分类模型提取林木受损信息绘制第一样地林木受损程度类别实测区域与预测受损木的空间分布格局图，再通过K最邻近分类模型对面积小且分散的树林阴影和道路阴影信息进行提取，并绘制到第一样地林木受损程度类别实测区域与预测受损木的空间分布格局图中得到第二样地林木受损程度类别实测区域与预测受损木的空间分布格局图；
所述受损林木光谱特征提取包括：
统计计算数据影像中道路、未伤木、烧伤木、烧死木以及烧毁木类型样本的NDVI、NDVIrededge、GNDVI、LCI、ARVI、PSRI和RVI七种植被指数的平均值和标准差；
在可见光范围通过PSRI植被指数将道路与未伤木、烧伤木、烧死木以及烧毁木类型样本进行区分；
统计未伤木、烧伤木、烧死木及烧毁木受损类型样本在多光谱无人机影像R、G、B、Rededge及NIR波段中的均值并绘制各地类的光谱曲线图，以此为基础，建立7种植被指数增强植被健康状态的识别，将未伤木和烧伤木与烧死木和烧毁木之间进行区分；
计算各个植被指数的分离指数P来衡量各个植被指数区分各地物与其他地物的能力，根据各植被指数对各种地物与其他地物的能力，统计各植被指数的分离指数P≥1的数量，将分离指数P≥1数量最少的PSRI植被指数剔除；
所述受损林木纹理特征提取包括：
采用灰度共生矩阵提取出统计量效果最优的8种纹理特征并切除均值，8种纹理特征包括均值、标准差、协同性、对比度、相异性、熵、角二阶矩和相关性；
通过皮尔逊方法对纹理特征进行相关性分析，将8种纹理特征相互之间的相关系数大于预设值的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种之间不具备高度相关的纹理特征；
通过斯皮尔曼方法对对纹理特征进行相关性分析，将8中纹理特征中各个纹理特征与其他纹理特征之间相关性大于预设值最多的纹理特征剔除，得到均值、标准差、相异性、角二阶矩和相关性5种不存在高度相关的纹理特征。
5.根据权利要求4所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述S2步骤的具体包括以下内容：
第a个决策树节点b的Gini指数计算公式为其中，C指类别数目，指位于节点b处类别c的样本权重，指第a个决策树节点b的Gini系数，指位于节点b处类别c′的样本权重，c指类别，c′指不为类别c的类别；
特征Xn在第a个决策树节点b分裂前后Gini指数的变化程度为 其中，表示决策树分裂后两个新节点的Gini指数，如果Xn在决策树a中的集合为M，则Xn处于第a个决策树的重要性为如果模型中共有Z棵决策树，则公式转换为将特征重要性结果进行归一化处理为N表示特征数量，n表示第n个特征；
将每个特征的重要性按降序排列，从上至下顺次选择特征，首先选择重要性位居第一的特征，下一次选择重要性排序位于前面的两个特征，以此类推直到全部特征进行了的OOB误差估计评价，判断最优特征参数数目，其中，和分别代表袋外数据，c、s分别表示随机改变袋外数据第c、s个特征变量，xtrn指数据个数，m表示训练集，表示m个训练集第c个特征变量在袋外数据的比率，表示m个训练集第s个特征变量在袋外数据的比率。
6.根据权利要求5所述的基于机器学习及多光谱影像的林木火灾受损信息提取方法，其特征在于：所述特征包括5个单波段、6种植被指数和10个纹理特征；
所述5个单波段包括红波段、绿波段、蓝波段、红边波段和近红外波段；
所述6种植被指数包括NDVI、NDVIrededge、ARVI、RVI、GNDVI和LCI；
所述10个纹理特征包括角二阶矩红边波段、角二阶矩绿波段、角二阶矩近红外波段、角二阶矩红波段、角二阶矩蓝波段、标准差红波段、标准差绿波段、标准差红边波段、标准差蓝波段、相异性红边波段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978722.3A CN116704212B (zh) | 2023-08-04 | 2023-08-04 | 基于机器学习及多光谱影像的林木火灾受损信息提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978722.3A CN116704212B (zh) | 2023-08-04 | 2023-08-04 | 基于机器学习及多光谱影像的林木火灾受损信息提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116704212A CN116704212A (zh) | 2023-09-05 |
| CN116704212B true CN116704212B (zh) | 2023-10-27 |
Family
ID=87831541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310978722.3A Active CN116704212B (zh) | 2023-08-04 | 2023-08-04 | 基于机器学习及多光谱影像的林木火灾受损信息提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116704212B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956187A (zh) * | 2019-11-28 | 2020-04-03 | 中国农业科学院农业信息研究所 | 一种基于集成学习的无人机影像植物冠层信息提取方法 |
| CN111274871A (zh) * | 2020-01-07 | 2020-06-12 | 西南林业大学 | 基于轻小型无人机的森林火灾林木受损程度提取方法 |
| CN112052757A (zh) * | 2020-08-24 | 2020-12-08 | 中国气象局沈阳大气环境研究所 | 火烧迹地信息提取方法、装置、设备和存储介质 |
| CN112288647A (zh) * | 2020-10-13 | 2021-01-29 | 武汉大学 | 一种基于门控卷积的遥感影像云和阴影修复的方法 |
| 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 |
| CN115561773A (zh) * | 2022-12-02 | 2023-01-03 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
| CN115965863A (zh) * | 2022-12-13 | 2023-04-14 | 南京林业大学 | 基于gee平台和vct算法的森林火灾斑块及发生时间提取方法 |
| CN115994618A (zh) * | 2022-12-22 | 2023-04-21 | 江西师范大学 | 一种基于亚热带森林火烧烈度的评价模型构建与预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101237089B1 (ko) * | 2011-10-12 | 2013-02-26 | 계명대학교 산학협력단 | 랜덤 포레스트 분류 기법을 이용한 산불연기 감지 방법 |
| JP6743243B2 (ja) * | 2018-06-05 | 2020-08-19 | タタ コンサルタンシー サービシズ リミテッドＴＡＴＡ Ｃｏｎｓｕｌｔａｎｃｙ Ｓｅｒｖｉｃｅｓ Ｌｉｍｉｔｅｄ | 磁気干渉の存在下でのデータ収集およびアセット検査のためのシステムおよび方法 |
-
2023
- 2023-08-04 CN CN202310978722.3A patent/CN116704212B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956187A (zh) * | 2019-11-28 | 2020-04-03 | 中国农业科学院农业信息研究所 | 一种基于集成学习的无人机影像植物冠层信息提取方法 |
| CN111274871A (zh) * | 2020-01-07 | 2020-06-12 | 西南林业大学 | 基于轻小型无人机的森林火灾林木受损程度提取方法 |
| CN112052757A (zh) * | 2020-08-24 | 2020-12-08 | 中国气象局沈阳大气环境研究所 | 火烧迹地信息提取方法、装置、设备和存储介质 |
| CN112288647A (zh) * | 2020-10-13 | 2021-01-29 | 武汉大学 | 一种基于门控卷积的遥感影像云和阴影修复的方法 |
| 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 |
| CN115561773A (zh) * | 2022-12-02 | 2023-01-03 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
| CN115965863A (zh) * | 2022-12-13 | 2023-04-14 | 南京林业大学 | 基于gee平台和vct算法的森林火灾斑块及发生时间提取方法 |
| CN115994618A (zh) * | 2022-12-22 | 2023-04-21 | 江西师范大学 | 一种基于亚热带森林火烧烈度的评价模型构建与预测方法 |
Non-Patent Citations (6)
| Title |
|---|
| Automated Extraction of Forest Burn Severity Based on Light and Small UAV Visible Remote Sensing Images;Ye J等;《Forests》;第13卷(第10期);正文第1-2页、摘要 * |
| 基于Rothermel模型的森林火灾模拟算法的改进;苗双喜等;《地理信息世界》;第10卷(第6期);14-21 * |
| 基于Sentinel-2A影像特征优选的随机森林土地覆盖分类;何云等;《资源科学》;第41卷(第5期);正文第995-996页 * |
| 基于WorldView-2影像数据对杭州西湖区绿地信息提取研究;钱军朝等;《西南林业大学学报(自然科学)》(第4期);162-172 * |
| 基于改进转换分离度特征选择规则的土地覆盖分类比较;张莹等;《林业科学》;第54卷(第8期);88-98 * |
| 火烧迹地信息遥感提取研究进展与展望;武晋雯等;《灾害学》(第4期);153-158 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116704212A (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sinha et al. | Review of image processing approaches for detecting plant diseases | |
| CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
| CN109117956B (zh) | 一种最佳特征子集的确定方法 | |
| Pydipati et al. | Statistical and neural network classifiers for citrus disease detection using machine vision | |
| US7221798B2 (en) | Method for selecting representative endmember components from spectral data | |
| CN102646200B (zh) | 多分类器自适应权值融合的影像分类方法及系统 | |
| Rad et al. | Classification of rice varieties using optimal color and texture features and BP neural networks | |
| Gatica et al. | Olive fruits recognition using neural networks | |
| CN114387528A (zh) | 松材线虫病监测天空地一体化监测方法 | |
| CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
| US20050114027A1 (en) | Cloud shadow detection: VNIR-SWIR | |
| CN107464035A (zh) | 中药材质量评定方法及系统 | |
| CN109598306A (zh) | 基于srcm和卷积神经网络的高光谱图像分类方法 | |
| CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
| CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
| CN110852381A (zh) | 一种林火火烧迹地的提取方法及系统 | |
| Nurmasari et al. | Oil palm plantation detection in Indonesia using Sentinel-2 and Landsat-8 optical satellite imagery (case study: Rokan Hulu regency, Riau Province) | |
| CN108764284B (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 | |
| CN114693616B (zh) | 一种基于改进目标检测模型与卷积神经网络的水稻病害检测方法、设备和介质 | |
| CN110443139A (zh) | 一种面向分类的高光谱遥感影像噪声波段探测方法 | |
| Zhang et al. | Isolation forest for anomaly detection in hyperspectral images | |
| CN111709927B (zh) | 一种类型异常图斑自动识别方法及系统 | |
| CN112990314A (zh) | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 | |
| CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
| US7058511B2 (en) | Sub-visible cloud cover assessment: VNIR-SWIR |
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 | ||
| OL01 | Intention to license declared | ||
| OL01 | Intention to license declared |