基于超宽带雷达和多光谱数据融合的土壤含水率检测

土壤含水率监测是精准农业的重要组成部分,对于农情监测和农业生产起着关键性作用。超宽带雷达由于其体积小、质量轻、穿透力强和功耗低等特性已被广泛应用于土壤含水率监测研究。而现有超宽带雷达反演土壤含水率多为理想裸土情况,实际应用中地表植被覆盖会对结果造成较大影响,针对此问题,融合超宽带雷达和多光谱数据,利用支持向量机（SVM）模型对农田尺度不同植被覆盖下的土壤含水率进行分级预测,以减小植被对预测精度的影响。研究结果表明,在超宽带雷达回波数据提取出的不同时域特征组合中,选用峰值因子、峭度、均方根、峰-峰值、最大幅值、方差、偏斜度、平均值和最小幅值9个时域特征作为SVM模型输入特征预测结果最好,总体精度为95.59%,Kappa系数为0.9492。加入植被指数NDVI后,不同时域特征组合作为特征输入的模型精度均有显著提高,其中将9个时域特征与NDVI共同作为SVM输入预测效果最佳,总体精度为98.09%,Kappa系数为0.9780,与不考虑植被影响的预测结果比较,总体精度提高了2.50个百分点,Kappa系数提高了0.0288。     

基于Sentinel-1和Sentinel-2多源遥感数据融合的农作物分类

基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support Vector Machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个和4个百分点,SVM方法下的分类精度提高了5个百分点,Kappa系数提高了8个百分点。     

基于决策树和SVM的Sentinel-2A影像作物提取方法

以河南省濮阳县为研究区,以2017年8月6日遥感影像为基础数据源,基于地面样方和样本点数据分析构建植被指数阈值分割分类决策树,结合支持向量机(Support vector machine,SVM)分类方法实现了秋季主要作物种植面积遥感识别,并与其他方法分类结果进行了精度验证与对比。结果表明,与最大似然法(Maximum likelihood,ML)和SVM法相比较,决策树和SVM相结合能较好地解决线状地物和小地块作物提取不全以及椒盐现象等问题,可以对秋季复杂作物进行有效识别,作物分类提取总体精度和Kappa系数分别为92.3%和0.886。利用中分辨率单时相遥感影像,结合波谱特征和植被指数能有效提高复杂作物分类精度,为区域复杂作物分类提取提供技术参考和借鉴价值。     

基于SVC和过采样的类别非均衡农业高光谱数据分类

系统研究了农业高光谱数据中少数类的分类质量问题。为了提升少数类的分类质量,提出采用过采样SMOTE技术增加少数类新样本,同时研究了SMOTE技术中新样本生成策略和少数类采样倍率对高光谱数据中少数类分类结果的影响,以及不平衡数据集上分类器与模型的匹配度。在新的采样数据集上采用多类分类SVC技术对少数类分类,提升了非均衡高光谱数据集中少数类的分类质量。在真实数据集上进行了试验验证,并对不同的分类方法和系统参数进行了试验对比和分析,结果表明,本文方法能够显著地提高非均衡高光谱数据中少数类分类效果,平均分类精度不小于0. 82,平均召回率提升幅度为11. 11%～26. 15%,F1提升幅度为5. 81%～40. 85%。     

基于SVM的多方位声散射数据协作融合鱼分类与识别

为解决基于声散射数据的鱼分类与识别问题,提出了一种基于SVM的多方位声散射数据协作融合鱼分类方法。首先,提取多方位声散射数据的小波包系数奇异值、时域质心及离散余弦变换系数特征,并进行特征融合;然后,采用支持向量机(SVM)分类器对每个方位提取的特征做出决策,并将决策结果表示成后验概率的形式,同时利用每个方位的决策概率对其他方位的决策进行加权;最后输出分类结果。采用3类鱼作为研究对象,得到不同方位数量条件下基于协作融合方法的分类正确率最终达到92%以上。试验数据处理结果表明,随着方位数量的增加,总体分类正确率呈升高的趋势,基于SVM的协作融合方法可以有效提高分类正确率。     

基于多时相Sentinel-2A的县域农作物分类

利用遥感技术精准地获取区域农作物种植结构数据,对指导农业生产、制定农业政策具有重要意义。以景泰县为研究区,以多时相Sentinel-2A遥感影像为数据源,计算时序归一化植被指数(Normalized difference vegetation index,NDVI)和红边归一化植被指数(Red edge normalized vegetation index,RENDVI)及其组合特征(NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI),分析作物特征曲线,并采用随机森林法分别以5种特征参数作为分类特征对研究区农作物进行精细分类。结果表明:根据形态特征,研究区农作物特征值曲线可划分为3种类型:高值型(玉米、水稻、胡麻和马铃薯)、低值型(洋葱、大棚作物和砂田瓜果)和开口型(春小麦、春小麦-秋油葵)。高值型和低值型可在7、8月影像中区分,开口型和前两种类型在5月和9月影像上的特征值有明显差异。3种类型内的作物可以通过不同时相影像区分,高值型的4种作物在9月影像上通过成熟期差异可以区分;低值型的3种作物的特征值差异在全年影像上都可以明显体现;开口型的两种作物利用9月影像可以明显区分。利用NDVI、RENDVI、NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI 5种特征分类的总体精度分别为82. 14%、78. 16%、81. 17%、75. 64%和86. 20%,Kappa系数分别为0. 78、0. 74、0. 77、0. 71和0. 83,总体精度和Kappa系数由大到小依次为NDVIRENDVI、NDVI、NDVI+RENDVI、RENDVI、NDVI-RENDVI,说明RENDVI辅助NDVI可以有效提高分类精度(精度较仅用NDVI提高4. 06个百分点)。选择合适的时期和分类特征,利用Sentinel-2A特有的红边波段数据及其较高的空间分辨率在县域农作物精细分类上具有较好的精度。     

基于粒子群优化SVM和多特征融合的鱼类分类方法研究

针对鱼类识别面临着光照强度、各背景栖息地的变化和不同物种在视觉上具有相似性等方面的问题,提出一种新的基于多特征相结合及粒子群优化SVM的鱼类分类方法。该方法采用在原始图像中提取颜色、方向梯度直方图(HOG)和灰度共生矩阵(GLCM)特征构成特征向量,并提出选择设置最佳权重比的方法进行特征融合,采用PCA技术对提取的特征向量进行降维,以消除冗余数据。结果表明,该方法在实际采集的数据集上的准确率达94.7%,同属类鱼识别最高准确率93.75%,该方法可以应用于实际的鱼类图像数据集,实现对鱼类生物多样性的有效监测。     

基于支持向量机的机械系统多故障分类方法

提出了一种利用支持向量机(SVM)对机械系统故障进行分类的新方法；以二值分类为基础，开发了基于支持向量机的多值分类器。并以齿轮的多种故障分类为例，进行了实际应用验证。结果表明，该方法具有很好的分类能力和较高的计算效率，不需要对原始数据进行预处理就可达到满意的效果，可以满足在线诊断的要求，适合于机械故障诊断中的多故障分类。该方法的应用，为故障诊断技术向智能化方向发展提供了新的途径。     

基于融合的DWT-LTP-IGLCM的野生食用菌纹理特征分类方法研究

为更好解决野生食用菌纹理特征提取方法的识别效率和准确性问题,针对相似野生食用菌褶,提出DWT-LTP-IGLCM的纹理特征提取融合方法,利用DWT有效保留图像的主要特征,通过LTP中心像素与相邻像素间的关系设定固定的阈值,不仅消除了噪声的干扰且具有更好的光照鲁棒性,结合旋转不变的灰度共生矩阵IGLCM的特征参数,得到了12个食用菌纹理特征值进行分析,基于支持向量机SVM方法对其特征进行有效的分类。试验结果表明:DWT-LTP-IGLCM的纹理特征提取,可以有效将相似食用菌进行分类识别,分类的正确率达到了100%,并且减少了食用菌外部特征分类的错分率,提高了食用菌分类识别效果。     

支持向量机多分类模型的洪水分类

尝试使用支持向量机多分类模型在洪水分类中的应用,以长江流域宜昌站为研究对象,采用历史文献中的相关数据,验证了支持向量机的多分类法应用于洪水分类的可行性。由于受数据资料的限制,样本数据选取对测试数据分类结果的影响作了探索性分析,如何优化样本数据的选择有待做进一步的深入研究。     

基于时间序列MODIS的农作物类型空间制图方法

为快速获取大范围种植结构复杂区域的作物种植面积,以MODIS数据为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、宽动态植被指数(Wide dynamic range vegetation index,WDRVI)、地表水分指数(Land surface water index,LSWI)、归一化雪被指数(Normalized difference snow index,NDSI)5种特征,结合同步的实地调查样本点,采用支持向量机算法(Support vector machines,SVM)提取黑龙江省主要农作物的种植面积。研究表明,在待选特征中NDVI、EVI与LSWI指数组合取得了最高的分类精度,总体分类精度为74.18%,Kappa系数为0.60;支持向量机算法与最大似然算法、随机森林算法相比,分类精度更优。该方法为在大区域中提取农作物种植面积提供了参考价值。     

基于Landsat8与Sentinel-1遥感图像融合的土壤含水率反演模型

针对当前运用单一光学卫星反演土壤含水率时易受到云的影响,单一SAR卫星反演土壤含水率时易受到地表粗糙度和植被影响的问题,以内蒙古河套灌区沙壕渠为研究区域,以4个深度的土壤含水率为研究对象,分别采用主成分分析(PCA)、施密特正交变换(GS)融合Landsat8和Sentinel-1图像以减少云、植被、土壤粗糙度的影响,并对融合后的图像质量进行评价,然后用融合图像的灰度构建1 134种遥感指数,基于相关系数分析、变量投影重要性分析、灰色关联分析3种变量筛选方法与BP神经网络(BP)、极限学习机(ELM)、随机森林(RF)、支持向量机(SVM)4种机器学习算法的耦合模型反演沙壕渠土壤含水率。研究结果表明：经PCA、GS融合后的融合图像可同时保持Sentinel-1和Landsat8图像的优势,并成功定量反演土壤含水率。基于融合图像构建的三维指数普遍比二维指数对土壤含水率更敏感。在表层土壤含水率反演中,基于GS融合的VIP-ELM模型精度最高(决定系数R²=0.66,均方根误差(RMSE)为1.35%)。将GS融合的VIP-ELM模型应用于其他土壤深度含水率的反演后发现...     

基于时变特征的多时相PolSAR农作物分类方法

获取农作物分类信息是极化合成孔径雷达(Polarimetric synthetic aperture radar,PolSAR)的重要应用之一,然而单时相PolSAR数据能够提供的信息十分有限,而且单时相数据的获取时间也会影响农作物分类精度。随着技术的发展,出现了大量的机载和星载PolSAR系统,这些系统能够获取目标重复观测的PolSAR数据,这为多时相PolSAR的数据分析和应用提供了可能。本文以多时相PolSAR农作物分类为出发点,通过利用不同农作物的极化散射特性的变化特性来提高分类精度。首先,基于极化散射特性分解原理分析了不同农作物在生长过程不同时期所呈现的散射特性变化规律,在此基础上定义了一个新的参数描述其散射特性的变化特性。其次,基于这一新参数提出了一种多时相PolSAR农作物监督分类算法。最后,通过对欧洲空间局所提供的基于Radarsat-2实测仿真生成的Sentinel-1数据处理结果表明,相比于基于复Wishart分布的监督分类算法,农作物的整体分类精度提高了约4个百分点,当农作物种类合并为4类时,整体分类精度提高了约6个百分点。     

基于Sentinel-1A的东北地区作物留茬区监测研究

以吉林省四平市为研究区,利用Sentinel-1A上搭载的全天时、全天候、高分辨的双极化合成孔径雷达（Synthetic aperture radar, SAR）对玉米留茬区进行监测。对比分析了玉米作物留茬区和非留茬区C波段微波信号的后向散射特性,并探讨了不同极化组合下的差异,确定留茬区可分离性相对较高的模式。运用支持向量机(Support vector machine,SVM)方法对研究区主要地物进行识别,获取留茬区的地理分布及其覆盖面积和比例。实验结果表明不同极化组合均能得到比较理想的结果,证明了实验方案的有效性。特别是对于VH和VV双极化组合模式下,总识别精度为86.15%,留茬区识别精度达90.26%。     

基于特征工程的大田作物行中心线识别方法

针对大田作物行特征复杂多样,传统作物行识别方法鲁棒性不足、参数调节困难等问题,该研究提出一种基于特征工程的大田作物行识别方法。以苗期棉花作物行冠层为识别对象,分析作物行冠层特点,以RGB图像和深度图像为数据来源,建立作物行冠层特征表达模型。运用特征降维方法提取作物行冠层的关键特征参数,降低运算量。基于支持向量机技术建立作物行冠层特征分割模型,提取作物行特征点。结合随机抽样一致算法和主成分分析技术建立作物行中心线检测方法。以包含不同光照、杂草、相机位姿的棉花作物行图像为测试数据,运用线性核、径向基核和多项式核的支持向量机分类器开展作物行冠层分割试验;对比分析典型Hough变换、最小二乘法和所建作物行中心线检测方法的性能。结果表明,径向基核分类器的分割精度和鲁棒性最优;所建作物行中心线检测方法的精度和速度最优,航向角偏差平均值为0.80°、标准差为0.73°;横向位置偏差平均值为0.90像素,标准差为0.76像素;中心线拟合时间平均值为55.74ms/f,标准差为4.31ms/f。研究成果可提高作物行识别模型的适应性,减少参数调节工作量,为导航系统提供准确的导航参数。     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于DeepLab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法.通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播.基于2018-2019年连续2年内蒙古自治区河...     

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...