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数据分析领域,特别涉及是一种基于激光雷达数据以及可见光遥感数据的红树林分类方法、装置、计算机设备以及存储介质。
技术介绍
1、红树林是一种特殊的生态系统,分布在沿海地区,并对维持海岸线稳定和生态环境平衡具有重要作用。
2、在现有的红树林分类方法中,通常仅使用可见光遥感数据进行分类,但由于其在红树林环境下存在诸多限制,如受植被密度和光照条件的影响,分类准确性和精细度有限。
技术实现思路
1、基于此,本专利技术的目的在于,提供一种基于激光雷达数据以及可见光遥感数据的红树林分类方法、装置、计算机设备以及存储介质,通过将激光雷达数据与可见光遥感数据融合,能够克服单一数据源的局限性,构建特征信息更加全面、充分的融合特征矩阵,同时采用特征提取和深度学习分类方法,对分类模型进行训练,使得分类模型能够进行准确的红树林分类,有效地提高分类准确性和精细度。
2、第一方面,本申请实施例提供了一种基于激光雷达数据以及可见光遥感数据的红树林分类方法,包括以下步骤:
3、获得样本区域的激光雷达数据以及可见光遥感数据;
4、对所述激光雷达数据进行红树林分类相关特征提取,构建所述激光雷达数据对应的第一特征矩阵,对所述可见光遥感数据进行红树林分类相关特征提取,构建所述可见光遥感数据对应的第二特征矩阵;
5、采用特征层叠方法,将所述第一特征矩阵以及第二特征矩阵进行特征融合,构建融合特征矩阵,从所述融合特征矩阵中提取若干个特征变量,构建训练特
6、将所述训练特征集输入至预设的分类模型中,对所述分类模型进行训练,获得目标分类模型;
7、响应于分类指令,获得待分类区域的激光雷达数据以及可见光遥感数据,根据所述待分类区域的激光雷达数据以及可见光遥感数据,获得所述待分类区域的融合特征矩阵,将所述融合特征矩阵输入至所述目标分类模型,获得所述待分类区域的红树林分类结果。
8、第二方面,本申请实施例提供了一种基于激光雷达数据以及可见光遥感数据的红树林分类装置,包括:
9、数据获取模块,用于获得样本区域的激光雷达数据以及可见光遥感数据;
10、特征提取模块,用于对所述激光雷达数据进行红树林分类相关特征提取,构建所述激光雷达数据对应的第一特征矩阵,对所述可见光遥感数据进行红树林分类相关特征提取,构建所述可见光遥感数据对应的第二特征矩阵;
11、特征选择模块,用于采用特征层叠方法,将所述第一特征矩阵以及第二特征矩阵进行特征融合,构建融合特征矩阵,从所述融合特征矩阵中提取若干个特征变量,构建训练特征集;
12、模型训练模块,用于将所述训练特征集输入至预设的分类模型中,对所述分类模型进行训练,获得目标分类模型;
13、分类模块,用于响应于分类指令,获得待分类区域的激光雷达数据以及可见光遥感数据,根据所述待分类区域的激光雷达数据以及可见光遥感数据,获得所述待分类区域的融合特征矩阵,将所述融合特征矩阵输入至所述目标分类模型,获得所述待分类区域的红树林分类结果。
14、第三方面,本申请实施例提供了一种计算机设备,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如第一方面所述基于激光雷达数据以及可见光遥感数据的红树林分类方法的步骤。
15、第四方面,本申请实施例提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法的步骤。
16、在本申请实施例中,提供一种基于激光雷达数据以及可见光遥感数据的红树林分类方法、装置、计算机设备以及存储介质,通过将激光雷达数据与可见光遥感数据融合,能够克服单一数据源的局限性,构建特征信息更加全面、充分的融合特征矩阵,同时采用特征提取和深度学习分类方法,对分类模型进行训练,使得分类模型能够进行准确的红树林分类,有效地提高分类准确性和精细度。
17、为了更好地理解和实施,下面结合附图详细说明本专利技术。
本文档来自技高网...【技术保护点】
1.一种基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于:所述融合特征矩阵包括若干个特征变量,所述特征变量包括叶面积指数、地面高度、点云密度、回波高度、回波强度、归一化植被指数以及土壤调节植被指数。
3.根据权利要求2所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于,所述对所述可见光遥感数据进行红树林分类相关特征提取,构建所述可见光遥感数据对应的第二特征矩阵,包括步骤:
4.根据权利要求2所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于,所述从所述融合特征矩阵中提取若干个特征变量,构建训练特征集,包括步骤:
5.根据权利要求1或4所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于,所述将所述训练特征集输入至预设的分类模型中,对所述分类模型进行训练,获得目标分类模型,包括步骤:
6.根据权利要求1所述的基于激光雷达数据以及可见光遥感数据的红树林分类方
7.一种基于激光雷达数据以及可见光遥感数据的红树林分类装置,其特征在于,包括:
8.一种计算机设备,其特征在于,包括:处理器、存储器以及存储在所述存储器上并可在所述处理器上运行的计算机程序;所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法的步骤。
9.一种存储介质,其特征在于:所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法的步骤。
...【技术特征摘要】
1.一种基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于:所述融合特征矩阵包括若干个特征变量,所述特征变量包括叶面积指数、地面高度、点云密度、回波高度、回波强度、归一化植被指数以及土壤调节植被指数。
3.根据权利要求2所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于,所述对所述可见光遥感数据进行红树林分类相关特征提取,构建所述可见光遥感数据对应的第二特征矩阵,包括步骤:
4.根据权利要求2所述的基于激光雷达数据以及可见光遥感数据的红树林分类方法,其特征在于,所述从所述融合特征矩阵中提取若干个特征变量,构建训练特征集,包括步骤:
5.根据权利要求1或4所述的基于激光雷达数据以及可见光遥感...
【专利技术属性】
技术研发人员:邓应彬,杨骥,李鑫,荆文龙,舒思京,
申请(专利权)人:中科珠江广州技术有限公司,
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。