UAV高光谱影像联合SULOV_XGBoost算法的柑橘果树精细分类方法

精准、动态监测经济作物种植信息是农业精细化管理面临的迫切需求。为实现不同果树品种的精细分类,以桂林市六塘默科特柑橘试验基地为研究区,获取机载高光谱影像数据,深度挖掘不同柑橘果树品种的光谱信息,构建多维数据集,提出一种利用SULOV结合极端梯度提升(eXtreme gradient boosting,XGBoost)算法进行优选特征,并采用XGBoost分类算法进行柑橘果树品种精细分类的方法,最后,与随机森林(random forest,RF)和支持向量机(support vector machine,SVM)的分类结果的精度进行对比分析。结果发现:(1)所提的SULOV结合XGBoost算法(SULOV_XGBoost)柑橘果树精细分类算法能够有效进行特征差距较小场景的果树作物不同品种间的精细分类,算法整体分类效果优于传统的常用机器学习方法(RF与SVM);(2)一阶微分拐点处值与原始波段值的融合特征对提升精细分类精度具有极大作用;另外加入不同波长范围波段组合也能够显著提高柑橘果树精细分类结果;(3)SVM在地物可辨性较高的条件下其分类性能更佳,且抗干扰能力强。研究成果可为同一物种不同品种作物的精细分类提供新的思路和方法,亦可为作物种植信息精准普查、精细化管理以及农业产业结构布局、调整和动态监测等提供参考。

MPOLSAR-1.0:多维度SAR多波段全极化精细分类数据集

地物精细分类是合成孔径雷达(SAR)的主要应用方向之一。在多波段全极化SAR工作模式下,可充分获取目标不同波段信息和极化响应特征,有望提高目标分类精度。然而国内外现有的数据集仅有个别波段、少数地区、少量样本的低分辨率全极化分类数据。为推动多波段全极化SAR分类应用的发展,在高分航空观测系统应用校飞与验证项目支持下,利用多维度SAR在海南的校飞数据构建了一个样本量充分大、地物类别较为丰富、分类可靠性较高的多波段全极化精细分类数据集。该文概述了该数据集的构成,给出了发布数据(MPOLSAR-1.0)的信息描述方式、数据集制作流程和方法,并分别基于极化特征分类方法和经典机器学习分类方法给出了初步的分类实验结果,为该数据集的共享和应用提供支撑。

基于AIMS的高光谱遥感在城市植被精细分类研究

针对机载多光谱遥感在植被调查和分类中分辨率不足、光谱信息缺失、杂质的干扰等问题,高光谱数据具有更强的植被识别的能力,近年来在城市园林或植被调查管理中越来越引起重视。本文基于AIMS多模态航摄仪获取的常州市全域高光谱数据,利用机载高光谱遥感技术,研究并提出了基于AIMS的高光谱遥感在城市植被精细分类方法,对常州市城市园林绿化进行遥感监测。通过高光谱遥感技术获取植被的空间分布、类型分布、覆盖度等信息,为常州市摸清“绿色家底”、创建生态园林城市提供科学依据。

特征优选的GF-1影像植被遥感精细分类研究

植被精细化分类对掌握不同植被在维护生态环境安全中的作用具有重要意义。本文选择国产高分一号(GF-1)卫星影像,构建该影像下的基于光谱、纹理、植被指数的多特征空间,并选择ReliefF算法与CFS算法进行特征筛选,最后结合随机森林算法与libsvm模型,研究特征选择对分类精度的影响,并获取植被精细化分类的最佳多特征分类算法模型。结果表明,特征选择能在一定程度上提高分类精度;CFS算法相较于ReliefF算法能更好地简化特征子集的维度,并获取能提高分类精度的更优子集;基于CFS-libsvm的植被精细化分类方法具有较高的分类精度。

多源数据林地类型的精细分类方法

【目的】探讨复杂中山区域、多源数据支持下,高空间分辨率遥感影像林地类型层次化精细分类方法,以促进高分辨率遥感数据在森林资源调查与监测方面的深入应用。【方法】以嘉陵江上游甘肃省小陇山林业实验局百花林场为研究区,以SPOT5和高分一号(GF-1)遥感影像为主要数据源,综合利用影像光谱特征、植被指数特征、纹理特征与时相特征、地形特征、森林资源"二类调查"成果数据与林相图等辅助信息,及典型地类与主要森林类型外业调查样本数据,发展针对暖温带典型天然次生林区、复杂山区地形条件下高空间分辨率遥感影像林地类型多层次信息提取与森林类型精细识别的有效方法。在分析不同时相影像光谱特征的基础上,构建并优选归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)、差值植被指数(DVI)4种植被指数特征和均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6种纹理特征,引入与主要森林类型空间分布相关的DEM高程值、坡度、坡向3个敏感地形因子,利用不同林地类型时相动态特征和辅助信息特征,在不同层次影像上分别采用适于该层待分信息类别的阈值法、支持向量机(SVM)、多分类器组合(MCC)、人工神经网络(ANN)分类方法,将各层分类结果合并获得整个研究区林地类型精细分类图。最后,采用分层随机抽样的独立检验样本对分类结果中7类林地类型进行精度验证,并对5类主要森林类型精细识别结果进行面积统计,与"二类调查"及影像解译结果各类型面积统计值进行对比分析,进一步从整体上检验分类方法的有效性和分类结果的可信度。【结果】本文所发展的分类方法对林地类型信息提取精度较高,有林地、其他林地、苗圃地等7类林地类型总体分类精度达92.28%,总Kappa系数为0.899 6;油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5类主要森林类型面积统计结果的平均相对精度为92.4%。【结论】多源数据支持下的多层次林地类型精细分类方法是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势,且森林类型精细识别详细程度达到优势树种(组)级别,是解决复杂山区林地类型精细分类与森林类型精细识别的一种有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。

基于植被特征库的高光谱植被精细分类（英文）

目前,高光谱数据精细分类面临两方面问题:一方面,传统单纯利用光谱信息的分类往往难以满足各应用行业对精度的需求,另一方面,基于像元的分类结果受制于椒盐噪声,影响其有效应用。为此,提出了一种基于植被特征库构建与优化的高光谱植被精细分类策略。首先,从高光谱影像中的原始光谱特征出发,结合灰度共生矩阵和局域指示空间分析两类纹理特征,并有针对性地加入了对植被叶绿素、胡萝卜素、花青素和氮素叶面积指数等理化参量敏感的光谱指数特征,构建了完备的植被特征库,以提高植被类别间的可分性;进而对植被特征库进行光谱维优化,提出了基于类对可分性的光谱维优化算法,选择对各类对具有最高识别能力的特征波段,通过迭代使各类别间均达到较高的区分度,并利用最优索引因子法进一步降低数据冗余,以提高分类效率;在进行植被特征库空间维优化时,主要基于地物分布通常具有一定的空间连续性这一理论,提出了基于邻域光谱角距离的植被特征库空间维优化算法,以去除分类结果中的椒盐噪声,提高分类精度和分类图像平滑度。基于航空高光谱数据的植被精细分类验证表明,该方法可以显著提高分类精度,在作物品种识别、精准农业等方面将具有广泛的应用前景。

高光谱遥感数据用于水稻精细分类研究

根据水稻生长期的高光谱数据的光谱特征 ,设计了一个混合决策树分类算法。该算法的特征波段根据波段间的可分离性决定 ,算法的选择根据实际分类效果决定 ,波段间的可分离性根据各波段均值的归一化距离决定。最后用江苏常州市金坛良种场的高光谱图象数据做了分类实验 ,取得了测试样本总体分类精度 94 .

基于卷积神经网络的商品图像精细分类

针对某一类别商品图像的精细分类,研究并实现了深度学习中的卷积神经网络方法。所设计的卷积神经网络由2个卷积层、2个亚采样层及1个完全连接层组成,特征平面的神经元只对其感受野的重叠区域做出反应,由反向传播算法调整网络参数最终完成学习任务。通过鞋类图像的精细分类实验表明,该方法平均分类正确率可达91.5%。

基于Fg-CarNet的车辆型号精细分类研究

车辆型号识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景.针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,采用车辆正脸图像为数据源,提出一种多分支多维度特征融合的卷积神经网络模型Fg-CarNet (Convolutional neural networks for car fine-grained classification, Fg-CarNet).该模型根据车正脸图像特征分布特点,将其分为上下两部分并行进行特征提取,并对网络中间层产生的特征进行两个维度的融合,以提取有区分度的特征,提高特征表达能力,通过使用小卷积核以及全局均值池化,使在网络分类准确度提高的同时降低了网络模型参数大小.在CompCars数据集上进行验证,实验结果表明, Fg-CarNet提取的车辆特征在保证网络模型参数最小的同时,车辆型号识别率达到最高,实现了最好的分类效果.

基于聚类站点客流公共特征的轨道交通车站精细分类

已有城市轨道交通车站分类多基于定性分析,不能满足精细化设计和运营的需要。本文提出一种基于聚类站点公共特征的站点精细分类方法。首先,将来源于AFC(Automatic Fare Collection)的进站客流量数据处理为时间序列数据,并基于K-Means++算法对各个站点的客流量进行聚类;其次,建立客流量聚类结果与土地利用特征多维参数的拟合方程,计算获得居住密集型、工作就业型以及区域中心型等5种大类站点的客流量公共特征。在此基础上,充分考虑属于同一大类站点不同站点的细分特性,使用5类客流量公共特征比重组合精细描述具体站点类型。实例结果表明,使用本文提出的精细分类方法计算得到的每个站的客流量拟合值与真实客流值间的平均绝对百分比误差控制在14%以内,说明该分类方法具有可行性。

融合LBP和小波矩特征的肺癌图像精细分类

在肺癌图像精细分类中,进一步区分小细胞肺癌、鳞肺癌、腺肺癌、细支气管肺泡癌还不够成熟,为此,在改进现有精细图像分类研究工作的基础上,利用无须码本与释文的快速模板匹配框架,融合了LBP(Local Binary Pattern)纹理特征和小波矩形状特征,提出了适合肺癌数据的精细图像分类新方法.将纹理特征与形状特征融合,通过分配两种特征的权重,用融合特征进行模板匹配.匹配结果表示成特征响应图的形式,再通过改进的均值空间金字塔模型,从特征响应图中抽取有用特征,进行分类训练.实验结果表明,该方法在肺部影像数据库联盟(LIDC)数据库上达到了91.75%的平均正确率,证明了肺癌图像精细分类方法的有效性.

基于光谱特征参量化的高光谱影像精细分类

从高光谱影像能够提供地物连续光谱曲线的优势出发,提出了提取地物诊断性光谱吸收峰的特征参数进行地物精细分类的方法。用OMIS高光谱数据进行实验,首先对光谱曲线进行包络线去除处理,然后在归一化的曲线上提取光谱吸收峰的形态特征参数,根据不同种地物的光谱差异与分类需求进行特征参数选择,用于地物分层精细分类,在每一类别的地物之中实现不同子类的区分。分类总体精度达到81.022 6%,Kappa系数为0.748 9,尤其在植被和水体的子类区分上取得了较好的效果,证实了该方法的有效性。

面向机电设备选型设计方案的精细分类方法

针对机电产品选型设计过程中存在复杂性、模糊性的状况,为了提高其设计进程,改进检索的效率和质量,提出了一种将多种方法与模糊C-均值聚类方法相结合方法。通过构建基于模糊C-均值原理的分类模型,借助于模糊伪F统计判别,可以较快获得更为精细的最佳分类数据,在一定程度上避免了分类的盲目性及人为主观因素的干扰,能较好地为案例设计提供数据支持,提高检索推理质量。通过实际运用验证了该方法的可行性。

基于FV-DCNN的塑料垃圾精细分类模型

为实现塑料垃圾的高质量回收利用,提出了一种基于Fisher向量(FV)与深度卷积神经网络(CNN)相结合的塑料垃圾精细分类方法。以塑料垃圾近红外光谱图为原数据,将深度CNN与FV编码相结合建立了塑料垃圾精细分类模型。针对几种典型塑料材料设计了验证实验,实验结果表明:该模型分类精度达到了91.25%,使塑料垃圾精细分类成为可能。

基于遥感技术的森林树种精细分类研究进展与展望

森林树种精细分类对于森林管理、森林扰动监测、环境和生物多样性评估以及碳储量和蓄积量估算至关重要,遥感技术凭借其快速获取大范围、连续性、长时间序列空间数据的技术优势可以实时、准确地获取森林生态系统树种类型。该文通过查阅大量国内外研究文献,针对利用卫星遥感技术提取树种信息研究的不同数据源与不同树种信息提取模型,按其基于不同数据源提取的原理与方法,将其归纳为多光谱遥感、雷达遥感、高光谱遥感、多源遥感协同4个方面,并且对现有研究的研究进展、研究方法、存在的问题进行归纳总结,讨论了各个方法模型和所用遥感数据的优缺点。在此基础上,指出制约树种提取精度的瓶颈和解决措施,最后对利用卫星遥感技术对树种信息提取研究的发展趋势进行了展望。

医院药房实施药品精细分类的管理

根据药品的特殊性进行精细分类,制定相应的管理制度,突出重点加强管理,使用提示标签,分区分类定位存放,规范了药品管理,减少了调配差错,提高了工作效率,做到了药品的精细化管理。

基于随机森林分类方法和多源遥感数据的湿地植被精细分类

利用大丰市沿海滩涂湿地区域的高光谱影像和同时期的机载LIDAR数据,结合影像的光谱信息,采用随机森林算法(RF)对研究区进行湿地植被精细分类,并分析和评价分类模型参数设置对总体精度的影响,最后与SVM分类结果进行对比。结果表明:随机森林分类方法的总体精度为90.3%、卡帕(Kappa)系数为0.874;与传统的SVM分类方法相比,RF法均提高了4种湿地植被的生产者精度和使用者精度。通过分析RF分类模型参数设置对总体精度的影响,得出当生长树个数为30、生长树深度为30时,分类精度最高。

基于高分二号的矿区土地利用精细分类与分析

以陕西大西沟金属矿区为研究区,选取国产高分二号卫星全色锐化的多光谱影像为主要数据源,并以研究区的实地调查资料为辅助资料,采用面向对象的支持向量机(SVM)监督分类方法和基于像素SVM分类对该地区的土地利用精细分类,多角度分析比较。结果表明前者分类精度达到了87.63%,更适合矿区土地利用精细分类。从而采用前者分类方法结合矿区道路距离图和矿渣分布图,来分析研究矿区土地变化的一些特征以及对周边环境的影响,为矿区的土地利用和规划提供重要基础。

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.

一体化储层精细分类方法在非均质储层定量表征中的应用

为解决东非裂谷H油田强非均质储层难以精细分类及难以实现三维定量表征的问题,基于36.5 m岩心和399样次分析化验资料,通过岩心描述、物性分析、薄片分析、扫描电镜以及毛管压力分析等,对储层进行了精细分类。结果表明:综合岩性、物性、孔隙结构特征和渗流能力等,将储层精细划分为4类;在储层分类的基础上,通过建立岩-电关系,筛选出储层电性参数,即泥质含量和密度,并依据电性参数及界限值完成了单井上的储层分类;利用流动带指数和喉道半径这2个关键参数及界限值,构建了精细储层地质模型。最终实现了储层三维定量表征,为编制开发方案奠定了基础。