[發明專利]一種農業種植結構的遙感識別方法

在審

• 申請號: 202110371126.X
• 申請日: 2021-04-07
• 公開（公告）號: CN112906666A
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 黃冠華;馮子怡
• 申請（專利權）人: 中國農業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/08
• 代理公司: 北京中安信知識產權代理事務所(普通合伙) 11248
• 代理人: 李彬;徐林

本發明屬于農業遙感領域，涉及一種農業種植結構的遙感識別方法，采用機器學習算法提取農作物的種植結構，并且滿足多種訓練數據類型，自動訓練后得到高精度農業種植結構柵格化數據。本發明通過非監督算法k?means將相似像元先聚類成單一類別，而后運用自標記算法對樣本集進行擴充，最后利用D?ELM算法將這些合并后的像元類別訓練和計算。通過訓練后的再將所有區域分類判別，這樣大大提高了分類器的效率，避免了使用監督分類算法時間空間復雜度過高而導致大區域種植結構分類不可行的問題，同時D?ELM混合分類器在保證分類精度前提下，滿足農業遙感種植結構識別的制圖精度。

技術領域

本發明屬于農業遙感領域，涉及一種農業種植結構的遙感識別方法，采用機器學習算法提取農作物的種植結構，并且滿足多種訓練數據類型，自動訓練后得到高精度農業種植結構柵格化數據。

背景技術

20世紀以來，遙感能準確地獲取農業生產信息，成為指導傳統農業向信息科學化農業轉變的主要技術方法。如今，利用遙感技術可以實現農作物識別及對應種植面積估算、農作物長勢監測與產量估計、農作物葉面指數、葉綠素含量監測與養分診斷、農用地提取與動態監測等。因此，遙感和地理信息技術結合已經成為快速收集和定量分析農業信息、實現科學快速決策的基本手段。其中農作物種植結構識別和種植面積估算是進行農業結構調整的依據，也是研究水文模型、農業決策的重要數據源。從20世紀80年代中期，中國就開始利用氣象衛星開展小麥、水稻、玉米等大宗作物的面積監測、長勢及產量估計等技術研究。極限學習機(Extreme Learning Machine,ELM)因其學習速度快、泛化能力強而被廣泛應用于各種分類任務中。

極限學習機(Extreme Learning Machine,ELM)作為一類針對前饋神經網絡設計的機器學習算法，在2004年由Guang-Bin Huang、Qin-Yu Zhu和Chee-Kheong Siew提出，其誕生的動機是為了克服傳統神經網絡算法學習效率低、參數設定繁瑣的問題。

ELM的特點是其學習過程不需要調整隱含層節點參數，輸入層至隱含層的特征映射可以是隨機的或人為給定的。由于僅需求解輸出權重，ELM在本質上是一個線性參數模式(linear-in-the-parameter model)，其學習過程易于在全局極小值收斂。ELM在學習效率和泛化性能上的優勢已經在許多領域得到證實，在與反向傳播算法(Back-Propagation,BP)和支持向量機(Support Vector Machine,SVM)的比較中，ELM的學習時間顯著縮短，且學習精度相當。ELM最初是為傳統的分類和回歸類問題而設計的，但在隨后的研究中，其應用范圍被推廣至幾乎所有機器學習領域，包括聚類和特征學習(representationallearning)等，并出現許多變體和改進算法。ELM保持了前饋神經網絡的萬能近似定理(universal approximation theorem)適用性，而其學習策略為機器學習領域帶來了諸多啟發。然而，由于其淺層結構特征，ELM無法有效提取數據深層抽象信息。因此應用深度極限學習機，對解決大數據稀疏樣本條件下種植結構的識別應用十分重要。

針對衛星遙感圖像現有的分類算法難以在大范圍高精度圖像中實施、運算時間長且耗費大量的內存。對農業種植結構識別應用而言，單一的分類算法以及分類器很難解決實際情況所面對的計算量大，樣本稀疏等問題。

在實際工作中聚類算法、SVM、隨機森林、ELM等各種分類器都具有其優點與缺點，因此本發明結合各種算法的優勢，取長補短，提高分類的效率以及精度。監督分類算法的優勢在于可以根據訓練數據樣本對像元進行類別判別，根據樣本的特征來確定像元的歸屬。監督分類的主要缺陷是必須在分類前定義樣本的性質，分類效率低，而非監督分類是在沒有樣本的條件下，根據像元相似度自動判別歸類，沒有人工干預的成分，具有速度較快的優勢，但當地物光譜的差異比較微小的時候，分類效果不如監督分類效果好，且無監督分類不能判別像元的歸類，既為聚類算法。

發明內容