杨凌农业示范区经济作物种植结构多源多时相遥感数据集

卫星遥感能够及时获取大尺度下的地物分布,为经济作物种植结构的信息获取提供良好的数据与技术支撑。本数据集以杨凌农业示范区为研究区域,由遥感数据、地面真值数据、杨凌边界以及分类结果 4部分组成。遥感数据由2021年4月到9月的哨兵2号、高分1号(包括高分1号C星)、高分2号以及高分6号等卫星数据构成,经过辐射校正、大气校正、正射校正、图像融合以及影像配准等遥感影像处理。通过实地调查、Google Earth目视解译、小区域的无人机近地遥感等多种方式,建立地面真实分布验证区。在质量控制方面,遥感数据整体含云量很少、颜色均匀、空间分辨率为2 m;地面真值图通过实地调查进行绘制,真实可靠。本数据集采用随机森林算法验证,总体分类精度为86.17%。本数据集可为相关算法在经济作物种植结构获取方面的研究及应用提供训练样本,也可为杨凌示范区的土地利用分类及变化、农作物长势监测等方面提供数据支撑。

融合栈式自编码与CNN的高光谱影像作物分类方法

在高光谱影像作物分类中,为了充分利用高光谱遥感影像完整的光谱信息,同时避免高维数据带来的Hughes现象,本文从栈式自编码网络的数据降维与CNN网络的分类优势出发,首先分析了此种网络在训练过程中的共性,以自编码网络优化过程中分类器的选取作为切入点,构建了可用于高光谱影像分类的融合网络架构。相较于传统方法,本文方法仅通过一次监督训练,即可实现高光谱影像直接分类,简化了传统数据处理流程,而且具有更优的分类性能。在实验中,利用Pavia University与雄安地区两组典型的高光谱遥感影像数据集对本文方法进行了验证,实验结果表明,Pavia University数据集中,在仅选用10%的像素点作为训练集的情况下,本文方法总体分类精度达到98.73%,比传统方法提升了8个百分点以上;在雄安数据集中,在仅选用1%的像素点作为训练集的情况下,本文方法总体分类精度达到98.04%,比传统方法提升了7个百分点以上,证明了本文分析的正确性和所提方法有效性,也为小样本情况下的高光谱影像分类提供了一种新的研究思路。

面向不平衡高光谱遥感分类的SMOTE和旋转森林动态集成算法

旋转森林RoF(Rotation Forest)是一种功能强大的集成分类器,它在高光谱图像分类中已经获得了很多成功的应用。然而,现实数据经常存在类别不平衡的问题,这使得传统的RoF算法侧重识别多数类别的样本,而忽略了少数类样本的分类精度。SMOTE(Synthetic Minority Oversampling Technique)算法通过模拟生成新样本的方式来增加少数类别样本的数量,进而达到平衡数据集类别的效果;但是SMOTE算法目前主要被用于数据预处理阶段,并且在处理多类问题时具有增加人工噪声的风险。为了解决高光谱数据学习中的多类不平衡问题,本文提出了一个新的SMOTE和RoF动态集成算法;该算法利用动态采样因子技术,将类别分布优化和基分类器训练过程进行融合。本实验利用Indian Pines、Salinas以及Pavia University这3个公开的高光谱数据对新的SMOTE和RoF动态集成算法的性能进行测试,同时选取4种对比算法,包括随机森林、传统的RoF以及通过随机过采样和SMOTE数据预处理后的RoF算法,并且采用总体分类精度、平均分类精度、F-measure、Gmean、最小召回率、集成分类器多样性、模型训练时间以及McNemar测试等为算法性能评价标准。实验结果表明本文方法具有明显的分类优势,可以保证在增加数据总体分类精度的基础上提高小类别样本的识别精度。