基于混沌免疫算法和遥感影像的土地利用分类

为提高利用遥感影像进行土地利用分类的精度，采用了基于混沌免疫算法(Chaos Immune Algorithm)的多光谱遥感影像分类方法。首先应用混沌免疫算法对样本进行自学习得到全局最优的聚类中心，然后通过得到的聚类中心对整幅影像进行分类。该方法利用混沌变量的遍历性，进行粗粒搜索，优化免疫算法的初始抗体群；通过克隆选择算子、变异算子、抗体的循环补充操作，避免陷入局部最优解，得到全局最优的聚类中心。在对淮南矿区采用TM影像进行的土地利用分类中，试验结果表明该方法分类总精度为89.9％，Kappa系数为0.8     

用模糊——动态聚类法对青海省东部进行水土保持综合治理亚区划分

青海省东部农业区是本省水土流失最严重的地区,属黄土高原丘陵沟壑区第四副区。本文在对该区16县（市）共234个乡的自然、社经、土地利用、水土流失和气象等因子全面调查的基础上,采用模糊－动态聚类方法,对本区进行水土保持分类,克服了单用模糊聚类或系统聚类易出现聚类分散,分类结果难于预见和单用动态聚类人为授权过多的弊病。特别是分区指标的样本数量较多时,这种现象就表现的更加突出。应用该方法进行分类,得出了3个亚区,各区的自然条件,水土流失特点和治理方向与实际情况完全相符,分类结果科学合理。     

应用高分辨率卫星影像提取水土保持措施信息的分类后处理技术研究

在应用高分辨率卫星影像进行水土保持措施信息的提取过程中,遥感分类图像后处理方法对不同类别的水土保持措施信息的提取精度具有重要影响。采用空间分辨率为2.5 m的卫星影像数据,针对黄土丘陵区水土保持措施的信息提取,用不同大小的聚类处理参数对各类型的措施面积精度进行了检验,在综合考虑水土保持措施的空间特征与图像特征基础上,确立了采用Spot5高分辨率卫星影像进行水土保持措施信息的遥感分类时,宜选用最小图斑为6×6个像元的参数值。     

基于3D激光雷达的鸡舍通道中心线检测方法

针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.94 ms,比LSM算法得到的平均误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。     

基于遗传算法优化的BP神经网络遥感数据土地覆盖分类

提出了一种基于遗传算法优化的BP神经网络遥感分类方法。该方法兼顾了遗传算法和梯度下降优化算法分别在全局和局部搜索极小点的优势；避免了在BP网络训练过程中过早收敛于局部极小点的风险；与BP算法相比，该算法多次重复过程所得网络的均方差比较稳定。在算法验证中，用中巴地球资源一号卫星数据作为试验数据，详细描述了网络优化过程中的参数设置和关键参数变化过程，比较了该算法与BP算法、最大似然法的分类精度。分类试验表明：该算法不但有较高的执行效率，也能达到很高的分类精度。     

一种遥感混合分类方法及其在山区土地覆盖分类中的应用

混合分类既可以改进纯粹的监督分类或非监督分类过程的效率,又可以提高纯粹的监督分类或非监督分类过程的精度。介绍一种新的遥感混合分类方法———控制聚类法(guided clustering)。首先对该方法的原理进行阐述,然后利用该方法对重庆市具有代表性的山区酉阳县的遥感影像进行分类实验。实验结果表明,这种方法能有效的提高分类精度,特别适合我国南方山区土地覆盖信息的提取。     

改进的蚁群聚类在精准灌溉管理分区中的应用

为了便于精准灌溉的田间实际操作和管理,采用改进的蚁群聚类算法进行灌溉管理分区研究。蚁群算法的离散性和并行性特点对于数据的特征聚类非常适用,然而当数据量较大时,蚁群聚类在系统循环过程中,对数据的搜索时间较长,计算量大,因此将初始聚类中心作为蚂蚁的初始食物源加以引导,减少蚂蚁行走的盲目性,以达到降低计算量、加快聚类的目的。该文以土壤物理特性作为数据源,在运用主成分分析消除初始指标相关性的基础上,采用改进的蚁群聚类对研究区进行精准灌溉管理分区的划分。将改进的蚁群聚类分区结果与传统的K-均值聚类进行比较,前者分区结果表现出土壤物理特性区内均一性更强、区间差异性更加显著的特点。改进的蚁群聚类分区结果表明,研究区可划分成2个灌溉管理分区,I区土壤的田间持水率、饱和含水率和凋萎含水率均较II区大,表明在相同的气候条件下,I区的土壤耐旱能力较II区强,分区结果可以为精准灌溉的分区管理提供参考依据和数据支持。     

基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类

为了实现干旱半干旱灌区地表信息低成本、高效率的动态监测,利用HJ-CCD数据的多时相和多光谱信息,探讨了平罗县土地利用遥感分类方法。首先建立研究区内典型地物的NDVI时间序列曲线,提取反映该区物候模式的时序特征参数;然后对土壤信息丰富的3月份多光谱影像进行主成分变换,选取第1主成分(PC1)作为光谱特征参数,最后基于分类回归树(classification and regression tree,CART)算法进行决策树监督分类。总体分类精度达到92.26%,Kappa系数为0.91,比最大似然法分类结果精度提高了2.58%。研究表明:构建的NDVI时间序列曲线对研究区内的地类具有较强的代表性,提取的时间维和光谱维的分类参数对各地类均有很好地区分性,CART决策树算法分类结果清晰准确且精度较高。该方法为HJ小卫星在干旱半干旱区等区域的深入应用提供科学依据和实证基础。     

数据驱动的农作物遥感分类地面样本点布设

地面样本点是农作物遥感分类模型训练的基础，样本点数量和质量是影响模型分类精度的2个主要因素。该研究构建了数据驱动的样本点布设方法，利用待分类影像的光谱、植被指数等特征构造分层抽样底图，结合分层随机抽样方法进行地面样本点布设，并分析不同抽样策略对农作物遥感分类结果的影响。采取基于k-means聚类分析的数据驱动方法，考虑6景哨兵2号影像提取的共78个分类特征，生成同一个最优k的聚类结果图；设计等量分配和按面积比分配2种样本量分配方式，样本点数量为25、49、100、169、225的5个总样本量；基于不同抽样策略获取地面样本点信息，利用同一个支持向量机模型对待分类影像进行监督分类，并通过与139个样本点的理论总样本量和400个样本点的传统方式总样本量对比分析，定量解析不同抽样策略对分类精度的影响。结果表明：1）在数据驱动非监督聚类生成的底图上进行抽样（按面积比分层抽样法、等量分层抽样法）获得的样本点质量和分类精度明显优于没有该底图的抽样策略（简单随机抽样法、系统抽样法）；2）当总样本量低于理论总样本量时，等量分层抽样法能获取比按面积比分层抽样法更高的分类精度。例如，当理论样本量为139时，...     

基于熵权法加权的模糊C均值聚类算法研究

针对模糊C均值聚类算法不能区分数据各属性之间的不平衡性,提出了一种基于熵权法加权的模糊C均值聚类算法。该算法首先应用熵权法计算各属性的权重系数,然后对标准化之后的原始数据进行加权,最后应用模糊C均值聚类算法对加权之后的数据进行聚类。实验表明,该算法聚类准确率要明显高于未加权的模糊C均值聚类算法。     

基于K_means硬聚类算法的葡萄病害彩色图像分割方法

为了提高植物病害图像的分割精度与效果,根据植物病害症状及图像的特点,提出了一种基于K_means硬聚类算法（HCM）的葡萄病害彩色图像非监督性分割处理方法。该方法是在L*a*b*颜色空间模式下利用ab二维数据空间的颜色差异,以平方欧式距离作为像素间的相似度距离、以均方差作为聚类准则函数对颜色进行二分类聚类,并通过数学形态学运算对聚类结果进行校正。利用该方法对3种葡萄病害彩色图像进行分割的结果表明,该方法能够较为准确地将病斑区域从彩色图像中分割出来,对葡萄病害彩色图像的分割处理比较理想,鲁棒性好,分割准确率     

基于优化模糊C均值聚类算法的路面不平度识别

模糊C均值(fuzzy C-mean,FCM)聚类算法具有良好的抗噪声性能,但FCM是一种局部搜索算法,易陷入局部最优,而遗传算法则具有全局优化搜索的优点。基于此该文提出了一种改进的FCM算法与遗传算法结合的聚类方法,先运用遗传算法得到聚类中心,然后用改进的FCM聚类算法得到最优解。并基于真实采集的道路谱数据,利用该算法对路面不平度进行识别。试验结果表明,改进的FCM算法与遗传算法结合的聚类算法路面识别率为94.54%,比FCM聚类算法高出4.98个百分点,比改进FCM算法高出4.67个百分点,具有更好的处理噪声数据的能力,提高了聚类的准确率和路面的识别率。     

基于近邻传播算法的茶园土壤墒情传感器布局优化

针对节水灌溉的土壤墒情传感器布局问题,提出了基于近邻传播算法(affinity propagation,AP聚类算法)的优化布局策略。策略在保证茶园传感网络全覆盖的基础上,实时采集试验区各节点的土壤墒情数据,构建节点土壤含水率的相似度矩阵,并迭代计算各节点的吸引度和归属度值,得出聚类数和聚类中心。结果表明,采用AP聚类算法对试验区域传感器进行优化布局,优化了传感器数量和位置,使传感器数量由25个减少到2个。在试验区随机采集土壤相对含水率,经验证,聚类中心节点的土壤相对含水率与试验区平均值相近,相对偏差近为0.76%,表明聚类中心节点的土壤墒情数据具有代表性。该方法有效降低了数据的冗余度,节约了系统成本。     

冰盖下梯形及抛物线形输水明渠正常水深显式迭代算法

随着冬季用水量的增加,越来越多的输水工程在冬季冰盖下输水,冰盖下输水已经成为一种常态化输水方式,但目前对明渠正常水深的显式计算方法的研究主要针对不结冰渠道的,缺少对冰盖下输水时正常水深的显式计算方面的研究。该文推导了梯形断面冰盖下输水时正常水深和流量关系,提出了正常水深的简易显式迭代算法,并经过证明,此迭代算法是收敛的。用同样的方法,推导了抛物线形断面冰盖下输水时正常水深和流量关系,提出了计算正常水深的简易显式迭代算法。算例表明,该文提出的冰盖下梯形断面和抛物线形断面的显式迭代算法具有形式简单、计算量小、精度高,收敛性好的特点,一般需要3~5次迭代就可使误差小于0.01 m,当增大迭代次数时,误差进一步减小。研究为冰盖下输水渠道正常水深计算提供了便捷的计算方法,对冰期输水渠道的设计及运行管理具有理论和实践意义。     

基于农机空间运行轨迹的作业状态自动识别试验

以物联网为代表的现代信息技术在农机作业管理领域的发展应用,实现了农机作业过程的定位监控,但现有农机远程监管系统对海量农机空间位置数据仅实现了远程存储、显示和简单分析,难以满足农机精准管理和数据智能处理的要求。该文采用数据挖掘中的聚类和空间数据分析方法,结合农机空间运行轨迹的特点,研究了基于空间运行轨迹点的农机作业状态自动识别算法;设计实现了典型农机运行状态自动识别方法,定量分析了农机作业班次内田间作业时间、空行转移时间、停歇时间的量化构成。农机试验表明:发展的基于空间索引和网格密度的聚类算法精度达89%以上。农机作业状态自动识别为农机作业生产率、农机利用率和作业成本核算提供了定量依据。     

基于演化算法的水果图像分割

为了满足水果采摘机器人对图像分割算法实时性和自适应性的要求,在传统演化算法的基础上,提出了一种基于蜂王交配结合精英选择、截断选择分阶段的改进演化算法对水果图像进行分割。在设计选择策略时,将迭代过程划分为前中后3个阶段,分别采用蜂王交配算法、精英选择策略和截断选择策略来进行适应值的选择,这样既保证了种群的多样性,又克服了传统演化算法局部最优、收敛过快的缺点。试验结果表明,该文提出的水果图像演化分割算法无论从稳定性、分割效果,还是全局最优收敛速度上,都明显优于传统演化算法,分割的阈值稳定在3个像素之内;与Otsu算法、贝叶斯分类算法、K均值聚类算法、模糊C均值算法等其他算法相比,水果图像演化分割算法分割效果最好,对同一幅图像进行分割得到的分割识别面积参考值最大,而且运行速度最快,平均运行时间为0.08735 s,远少于其余4种算法;并能用于柑橘、荔枝、苹果等各种水果的图像分割,具有一定的通用性,达到水果采摘机器人视觉实时识别的要求,为水果图像分割及其实时获取提供了一种新的基础算法。     

采用Landsat8产品算法流程的高分一号数据大气校正

高分一号(GF-1)卫星搭载的传感器,实现了高分辨率和宽幅成像能力的结合,使其在精准农业方面应用发挥重要作用。该文在6S大气辐射模拟模型基础上,参照LaSRC大气校正流程,设计了GF-1卫星WFV/MSS数据从算法原理分析到编码实现的大气校正。算法应用大气总传输率、水汽透过率和大气后向半球反照率等参数和高程、大气可降水以及臭氧含量等值,循环计算使GF-1像元红蓝通道值比等于来自MODIS数据的红蓝通道值比,求得GF-1像元气溶胶,再将包含当日大气可降水和臭氧含量的辅助数据文件等代入6S模型,得到大气校正后的地表反射率。试验表明,该大气校正方法在有农田和林木等植被覆盖的中低纬度大气校正效果较好,对稀疏植被的荒漠裸地和建筑地表大气校正效果相对稍差。比较GF-1WFV/MSS数据与Landsat8(LC8)OLI数据的基于6S模型LaSRC流程算法的大气校正结果,GF-1WFV/MSS各传感器与LC8OLI大气校正结果的相关系数为0.825~0.972,2种卫星数据大气校正结果相关性高,其中WFV相较于MSS显示出与LC8 OLI更相近的大气校正结果。结果表明,应用6S模型原理参照LaSRC校正流程设计的自行估计数据逐像元水平气溶胶参数的GF-1卫星数据大气校正方法应用方便、可操作性强,适合生长季农林监测等陆面应用。     

基于多源数据的盐碱地精确农作管理分区研究

为了便于对盐碱地实施变量管理和精确农作，以海涂围垦区盐碱土为研究对象，以NDVI数据、盐分数据以及作物产量数据作为分区变量，对一面积为15 hm²的盐碱地农田进行了基于多个数据源的精确农作管理分区研究。利用模糊c均值聚类方法进行分类分区，引入了模糊聚类指数(FPI)和归一化分类熵(NCE)作为最佳分区数目的判断标准，通过单项方差分析对分区结果进行比较和评价。研究发现，对本研究区，最佳的分区数目为三个。不同管理分区之间土壤化学性质(EC1:5,有机质，速效磷，速效钾，全氮，碱解氮以及阳离子交换量)的均值都存在着统计意义上的显著差异性，其中子区3具有最高的肥力水平和作物生产能力而子区1最低。利用所选取的三个变量，模糊c均值聚类算法可以较好地进行精确农作管理分区划分。分区结果不但可以指导采样, 而且可以作为变量管理的决策单元用于田间变量管理作业中,为精确农业变量投入的实施提供有效手段和决策依据。