System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及遥感特征优选提取,具体来说是一种基于降冗余特征优选策略的大豆种植区遥感提取方法。
技术介绍
1、传统的农业调查方法来估计大豆种植面积,往往需要耗费大量人力、物力和财力,而且其结果易受主观因素影响,缺少空间分布信息。而遥感技术可以实现高效、客观及低成本的监测农作物种植面积,弥补了传统农业调查方法的不足。
2、基于遥感数据的大豆识别,依赖于大豆独有的物候特征和光谱特征。然而与大豆同期生长的田间作物种类繁多,部分类型与大豆物候期接近且遥感光谱特征容易与之混淆,如玉米、高梁等,而我国以散户为主的种植模式增加了农田景观的破碎度,使得大豆识别变得更加具有挑战性。
3、目前,机器学习是作物遥感识别的主流方法,传统意义上的机器学习以光谱波段作为输入,形式单一且未能充分挖掘原始波段所蕴含的信息。部分研究通过引入扩展特征,如纹理、植被指数和色彩空间分量等,并且结合特征优选操作来改进机器学习的提取效果,然而这些研究并未考虑所筛选特征之间的信息冗余问题,导致部分优选特征存在信息的重叠,降低了算法的执行效率。因此,如何减少特征之间的冗余信息已经成为了急需解决的技术问题。
技术实现思路
1、本专利技术的目的是为了解决现有技术中多维遥感特征执行分类时可能出现的信息冗余、数据臃肿和执行效率低的缺陷,提供一种基于降冗余特征优选策略的大豆种植区遥感提取方法来解决上述问题。
2、为了实现上述目的,本专利技术的技术方案如下:
3、一种基于降冗余特征优选策略的大
4、sentinel-1、sentinel-2以及planet影像的获取及预处理;
5、利用决策树规则集剔除非农田地物;
6、进行relieff特征重要性评估;
7、进行特征最大相关最小冗余排序;
8、构建relieff-mmrm-rf分类模型:利用sfs判定特征的最佳维度,筛选降冗余优选特征子集,构建relieff-mmrm-rf分类模型;
9、大豆种植区分布图的生成:评估relieff-mmrm-rf分类模型,绘制出大豆空间分布图。
10、所述sentinel-1、sentinel-2以及planet影像的获取及预处理包括以下步骤:
11、下载大豆结荚早期且覆盖示例研究区的sentinel-1和sentinel-2影像以及planet影像;
12、其中下载的sentinel-1影像是sentinel-1a雷达卫星以iw模式获得的grdh级产品数据;下载的sentinel-2影像是经过几何校正和大气校正的level-2a级大气底部反射率数据;下载的planet 3b产品是已经经过传感器辐射定标和正射校正的数据产品,且完成大气校正预处理工作;
13、利用snap软件对sentinel-1影像依次完成轨道校正、消除热噪声、辐射定标、滤除斑点噪声以及地形矫正的预处理工作,获得vh、vv微波极化特征;
14、对于sentinel-2影像的预处理,首先利用snap软件中的重采样工具将所有波段的分辨率重采样到10m;然后利用波段选择工具选择sentinel-2影像的蓝、绿、红、红边1、红边2、红边3、近红外、窄红外、短波红外1和短波红外2波段,将其导出为envi支持的img存储格式;最后在envi软件中对导出结果进行波段合成、镶嵌并采用研究区矢量行政边界进行裁剪;
15、在研究区sentinel-2影像上布设8个5km×5km的验证样方,样方的设置在空间上尽可能均匀分布且其内包含的人工地物占比尽可能小,然后利用各验证样方的矢量边界裁剪获得各验证样方的planet影像。
16、所述利用决策树规则集剔除非农田地物包括以下步骤:
17、采用分层提取策略,构建决策树筛选规则用于剔除非农田地物:
18、首先利用改进的归一化水体指数mndwi剔除水体,实现水陆分离;再借助归一化建筑指数ndbi剔除人工地物;然后使用sentinel-2影像的b8波段反射率剔除裸地和稀疏林木等非农田地物;最后借助10m分辨率的dynamic world全球土地利用产品提供的耕地分布作为决策树的最后一个判别条件,去除剩余的非耕地像元;
19、利用决策树结果生成掩膜文件,对sentinel-2影像进行掩膜处理,得到农田植被的总体分布。
20、所述进行relieff特征重要性评估包括以下步骤:
21、基于掩膜后的sentinel-2影像,采用目视解译方法,选取各类别典型作物的样本点作为训练样本点;
22、基于预处理后的sentinel-1和sentinel-2影像,利用envi软件中的band math工具计算多种植被指数和扩展的微波极化特征;
23、在envi软件中,对sentinel-2影像做pca变换,然后基于信息量最大的第一主成分分量通过灰度共生矩阵计算获得了空间纹理特征,由sentinel-2影像原始波段反射率、植被指数、微波极化特征和空间纹理特征共同构成候选特征全集;
24、在matlab软件中,利用relieff特征重要性评估算法计算各个候选特征的权重值,并根据权重值大小对候选特征进行降序排列,同时计算排序后各候选特征对应的特征权重累计百分比;
25、relieff的核心思想是首先随机选择一个样本r,并在候选特征全集a中的某个特征下找到随机样本r的k个同类样本和异类样本,若该样本与异类样本的距离之和大于同类样本的距离之和,则表明该特征有利于分类,增加该特征的权重值;反之,则减少该特征的权重值;最后将n次计算结果的均值作为每个特征的最终权重;
26、relieff算法的计算公式如下,
27、
28、式中,ω(ai)表示特征i的权重值,∑h∈h|ri-hi|为k个同类最近邻样本与r样本在特征i上的距离之和,∑m∈m|ri-mi|代表k个异类最近邻样本与样本r在特征i上的距离之和。
29、所述进行特征最大相关最小冗余排序包括以下步骤:
30、取特征权重累计百分比前80%所对应的特征,将其作为relieff优选特征;
31、利用mrmr降冗余算法,根据与分类最大相关且特征之间冗余最小的准则,对relieff优选特征进行再次排序;
32、mrmr算法的核心思想是首先计算每个特征与目标变量之间的相关度;然后选择与目标变量具有最大相关性的特征,纳入已选特征集;而后计算各剩余特征与已选特征集之间的相关度,并选择与目标变量相关性最高且与已选特征相关性最低的特征,纳入已选特征集;直到已选特征集中的特征达到所需数量;其中,利用互信息来衡量特征与目标变量之间以及剩余特征与已选特征子集中特征之间的相关度,互信息的计算公式如下,式中,p(x)为变量x的概率,p(y)为变量y的概率,p(x,y)为x,y的联合概率,
本文档来自技高网...
【技术保护点】
1.一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所述Sentinel-1、Sentinel-2以及Planet影像的获取及预处理包括以下步骤:
3.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所述利用决策树规则集剔除非农田地物包括以下步骤:
4.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所述进行ReliefF特征重要性评估包括以下步骤:
5.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所述进行特征最大相关最小冗余排序包括以下步骤:
6.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所述构建ReliefF-mMRM-RF分类模型包括以下步骤:
7.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所
...【技术特征摘要】
1.一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所述sentinel-1、sentinel-2以及planet影像的获取及预处理包括以下步骤:
3.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法,其特征在于,所述利用决策树规则集剔除非农田地物包括以下步骤:
4.根据权利要求1所述的一种基于降冗余特征优选策略的大豆种植区遥感提取方法...
【专利技术属性】
技术研发人员:赵晋陵,肖甜,佘宝,黄林生,阮超,黄文江,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。