基于多特征提取与优选的冬小麦面积提取
发布时间：2021-04-13 15:29
选取2015年10月至2016年6月冬小麦生长期9个关键时相的GF-1 WFV影像为数据源,综合多时相的光谱特征、植被指数特征与纹理特征,设置4组特征组合方案进行对比分析;并根据特征重要性进行特征选择,得到最优的特征子集建立随机森林分类模型,对河南省许昌市地物类型进行分类并实现冬小麦种植面积的提取。结果表明:在没有进行特征选择的情况下,4种特征组合中,综合多种特征类型的D组分类精度最高,经过特征选择后,各组分类精度均得到不同程度的提高,说明通过多种类型的特征变量综合与特征优选均可有效地提高分类精度;不同特征类型以及不同时相的特征变量对分类的贡献率不同,贡献率由大到小为植被指数、光谱指数、纹理特征,冬小麦生长季的2月、3月、5月、6月比其他月份对分类精度的贡献率更高;河南省许昌市冬小麦面积为2 258.7 km2,分类的总体精度达到95.18%,Kappa系数为0.925 5,其中冬小麦的制图精度与用户精度均达到98.67%。
【文章来源】：陕西师范大学学报(自然科学版). 2020,48(01)北大核心CSCD
【文章页数】：10 页
【部分图文】：
各地物类型的分类精度对比图
计算A、B、C、D 4组特征组合中各变量的重要性得分,再与随机森林分类器结合,在分类过程中选择最高分类精度对应的特征个数及特征子集,得到优化后的特征集A″、B″、C″、D″。下面以特征组合D为例进行说明,各特征变量重要性差异较大,最大分值为15.74,最小分值为1.1。不同特征个数对应的总体分类精度和Kappa系数见图3。由图3知,随着特征变量个数的不断增加,分类精度呈现先增加后减少、然后不断波动趋于稳定的变化趋势。随着特征变量的不断增加,分类信息量由不足变得充足,分类精度逐渐提高;但随着重要性分值较低的特征变量的不断加入,信息冗余现象明显,在一定程度上会影响精度的增加,甚至使分类精度出现下降的趋势。当特征个数为50时,分类总体精度与Kappa系数均达到最大值,分别为95.18%和0.940 5,因此将这50个特征变量构成的特征子集作为优选后的特征集,即D″。
表5 各特征组合的优选特征子集Tab.5 Preferred feature subsets of each feature combination 组 特征数量 特征变量 A″ 10 b64、b91、b51、b92、b94、b54、b81、b61、b63、b14 B″ 50 b64、b51、b94、b92、b91、b54、b82、b71、b63、b73、b53、b14、b5Ent、b81、b6Con、b72、b74、b61、b84、b52、b5ASM、b3ASM、b93、b44、b43、b62、b83、b34、b24、b4Con、b5Con、b21、b2Con、b41、b6ASM、b6Ent、b42、b4ASM、b22、b2Ent、b11、b23、b3Ent、b13、b9Con、b1Cor、b1Con、b2Cor、b4Ent、b9Ent C″ 40 b6SIPI、b91、b92、b5SIPI、b64、b81、b51、b5GNDVI、b6GNDVI、b93、b4GI、b82、b9SIPI、b83、b54、b4VIgreen、b2GI、b6SAVI、b4SIPI、b71、b61、b72、b2VIgreen、b63、b6DVI、b5SAVI、b21、b94、b73、b62、b42、b44、b9GNDVI、b5VIgreen、b14、b41、b8VIgreen、b5DVI、b5RDVI、b9RVI D″ 50 b92、b91、b5SIPI、b6SIPI、b64、b5GNDVI、b81、b51、b6GNDVI、b4VIgreen、b93、b4GI、b9SIPI、b82、b71、b83、b9NDVI、b5ASM、b72、b73、b5Ent、b54、b44、b4SIPI、b2VIgreen、b2GI、b6Con、b94、b61、b6DVI、b8VIgreen、b4GNDVI、b2Con、b5SAVI、b5RDVI、b6RDVI、b62、b8GI、b63、b8SIPI、b6SAVI、b5DVI、b5GI、b5OSAVI、b8NDVI、b3ASM、b3VIgreen、b53、b6RVI、b6OSAVI3.4 分类结果图
【参考文献】：
期刊论文
[1]单变量特征选择的苏北地区主要农作物遥感识别[J]. 王娜,李强子,杜鑫,张源,赵龙才,王红岩. 遥感学报. 2017(04)
[2]基于GF-1 WFV数据的玉米与大豆种植面积提取方法[J]. 黄健熙,侯矞焯,苏伟,刘峻明,朱德海. 农业工程学报. 2017(07)
[3]利用时序数据构建冬小麦识别矢量分析模型[J]. 杨闫君,占玉林,田庆久,顾行发,余涛. 遥感信息. 2016(05)
[4]基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J]. 游炯,裴志远,王飞,吴全,郭琳. 农业工程学报. 2016(13)
[5]基于决策树和混合像元分解的江苏省冬小麦种植面积提取[J]. 王连喜,徐胜男,李琪,薛红喜,吴建生. 农业工程学报. 2016(05)
[6]随机森林在高光谱遥感数据中降维与分类的应用[J]. 杨珺雯,张锦水,朱秀芳,谢登峰,袁周米琪. 北京师范大学学报(自然科学版). 2015(S1)
[7]基于GF-1卫星遥感的冬小麦面积早期识别[J]. 王利民,刘佳,杨福刚,富长虹,滕飞,高建孟. 农业工程学报. 2015(11)
[8]基于MODISNDVI多年时序数据的农作物种植识别[J]. 许青云,杨贵军,龙慧灵,王崇倡,李鑫川,黄登成. 农业工程学报. 2014(11)
[9]农作物遥感分类特征变量选择研究现状与展望[J]. 贾坤,李强子. 资源科学. 2013(12)
[10]基于影像认知和地学理解的面向对象分类研究[J]. 朱超洪,刘勇. 遥感技术与应用. 2012(04)
硕士论文
[1]图像的特征提取和分类[D]. 王丽亚.西安电子科技大学 2006
本文编号：3135556
【文章来源】：陕西师范大学学报(自然科学版). 2020,48(01)北大核心CSCD
【文章页数】：10 页
【部分图文】：
各地物类型的分类精度对比图
计算A、B、C、D 4组特征组合中各变量的重要性得分,再与随机森林分类器结合,在分类过程中选择最高分类精度对应的特征个数及特征子集,得到优化后的特征集A″、B″、C″、D″。下面以特征组合D为例进行说明,各特征变量重要性差异较大,最大分值为15.74,最小分值为1.1。不同特征个数对应的总体分类精度和Kappa系数见图3。由图3知,随着特征变量个数的不断增加,分类精度呈现先增加后减少、然后不断波动趋于稳定的变化趋势。随着特征变量的不断增加,分类信息量由不足变得充足,分类精度逐渐提高;但随着重要性分值较低的特征变量的不断加入,信息冗余现象明显,在一定程度上会影响精度的增加,甚至使分类精度出现下降的趋势。当特征个数为50时,分类总体精度与Kappa系数均达到最大值,分别为95.18%和0.940 5,因此将这50个特征变量构成的特征子集作为优选后的特征集,即D″。
表5 各特征组合的优选特征子集Tab.5 Preferred feature subsets of each feature combination 组 特征数量 特征变量 A″ 10 b64、b91、b51、b92、b94、b54、b81、b61、b63、b14 B″ 50 b64、b51、b94、b92、b91、b54、b82、b71、b63、b73、b53、b14、b5Ent、b81、b6Con、b72、b74、b61、b84、b52、b5ASM、b3ASM、b93、b44、b43、b62、b83、b34、b24、b4Con、b5Con、b21、b2Con、b41、b6ASM、b6Ent、b42、b4ASM、b22、b2Ent、b11、b23、b3Ent、b13、b9Con、b1Cor、b1Con、b2Cor、b4Ent、b9Ent C″ 40 b6SIPI、b91、b92、b5SIPI、b64、b81、b51、b5GNDVI、b6GNDVI、b93、b4GI、b82、b9SIPI、b83、b54、b4VIgreen、b2GI、b6SAVI、b4SIPI、b71、b61、b72、b2VIgreen、b63、b6DVI、b5SAVI、b21、b94、b73、b62、b42、b44、b9GNDVI、b5VIgreen、b14、b41、b8VIgreen、b5DVI、b5RDVI、b9RVI D″ 50 b92、b91、b5SIPI、b6SIPI、b64、b5GNDVI、b81、b51、b6GNDVI、b4VIgreen、b93、b4GI、b9SIPI、b82、b71、b83、b9NDVI、b5ASM、b72、b73、b5Ent、b54、b44、b4SIPI、b2VIgreen、b2GI、b6Con、b94、b61、b6DVI、b8VIgreen、b4GNDVI、b2Con、b5SAVI、b5RDVI、b6RDVI、b62、b8GI、b63、b8SIPI、b6SAVI、b5DVI、b5GI、b5OSAVI、b8NDVI、b3ASM、b3VIgreen、b53、b6RVI、b6OSAVI3.4 分类结果图
【参考文献】：
期刊论文
[1]单变量特征选择的苏北地区主要农作物遥感识别[J]. 王娜,李强子,杜鑫,张源,赵龙才,王红岩. 遥感学报. 2017(04)
[2]基于GF-1 WFV数据的玉米与大豆种植面积提取方法[J]. 黄健熙,侯矞焯,苏伟,刘峻明,朱德海. 农业工程学报. 2017(07)
[3]利用时序数据构建冬小麦识别矢量分析模型[J]. 杨闫君,占玉林,田庆久,顾行发,余涛. 遥感信息. 2016(05)
[4]基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取[J]. 游炯,裴志远,王飞,吴全,郭琳. 农业工程学报. 2016(13)
[5]基于决策树和混合像元分解的江苏省冬小麦种植面积提取[J]. 王连喜,徐胜男,李琪,薛红喜,吴建生. 农业工程学报. 2016(05)
[6]随机森林在高光谱遥感数据中降维与分类的应用[J]. 杨珺雯,张锦水,朱秀芳,谢登峰,袁周米琪. 北京师范大学学报(自然科学版). 2015(S1)
[7]基于GF-1卫星遥感的冬小麦面积早期识别[J]. 王利民,刘佳,杨福刚,富长虹,滕飞,高建孟. 农业工程学报. 2015(11)
[8]基于MODISNDVI多年时序数据的农作物种植识别[J]. 许青云,杨贵军,龙慧灵,王崇倡,李鑫川,黄登成. 农业工程学报. 2014(11)
[9]农作物遥感分类特征变量选择研究现状与展望[J]. 贾坤,李强子. 资源科学. 2013(12)
[10]基于影像认知和地学理解的面向对象分类研究[J]. 朱超洪,刘勇. 遥感技术与应用. 2012(04)
硕士论文
[1]图像的特征提取和分类[D]. 王丽亚.西安电子科技大学 2006
本文编号：3135556
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3135556.html
