果园分类方法及装置
本发明涉及人工智能,尤其涉及一种果园分类方法及装置。
背景技术:
1、果园种植面积的遥感监测,经历了从早期依赖航片目视解译、基于中分辨率影像光谱指数提取,到高分辨率影像面向对象分类,再到结合机器学习/深度学习的多维特征工程方法的演变过程。
2、现有研究多聚焦于北方平原产区的大规模集约化果园,而针对南方山地破碎地形下的果园制图研究相对匮乏,导致果园的精细化空间分布边界至今尚不清晰。
3、因此,如何实现山地破碎地形下的果园分类,是亟需解决的问题。
技术实现思路
1、本发明提供一种果园分类方法及装置,用以解决如何实现山地破碎地形下的果园分类的问题。
2、本发明提供一种果园分类方法,包括:
3、获取待分类区域的目标遥感影像;
4、将所述目标遥感影像输入至果园分类模型,得到所述果园分类模型输出的第一分类结果;
5、其中,第一分类结果表示所述目标遥感影像为果园遥感影像,所述果园分类模型是基于所述待分类区域的多个样本区域的多源融合特征和各所述样本区域的标签数据进行训练得到的,所述样本多源融合特征是基于所述样本区域的多个物候期窗口分别对应的多时相光学遥感影像和语义嵌入数据以及数字高程模型数据确定的。
6、根据本发明提供的一种果园分类方法,所述果园分类模型包括至少一个异构互补的基学习器和元学习器;
7、所述将所述目标遥感影像输入至果园分类模型,得到所述果园分类模型输出的第一分类结果,包括:
8、将所述目标遥感影像分别输入至各所述基学习器,得到第一预测概率;
9、将各所述第一预测概率进行拼接,得到第一拼接预测概率;
10、将所述第一拼接预测概率输入至所述元学习器,得到所述第一分类结果。
11、根据本发明提供的一种果园分类方法,所述果园分类模型是基于以下步骤训练得到的:
12、根据果树的落叶特性与物候生长周期,将所述果树的生长年划分为多个物候窗口;每个所述物候窗口对应所述生长年中的至少一个目标月份;
13、针对每个所述样本区域,根据各所述物候窗口,分别在每个所述物候窗口采集多个波段的多时相光学遥感影像;
14、通过遥感预训练基础模型,生成所述样本区域的深层空间语义嵌入数据;所述深层空间语义嵌入数据表征所述样本区域的复杂地物特征;
15、获取所述样本区域的数字高程模型数据;所述数字高程模型数据表征所述样本区域的地形特征;
16、基于各所述物候窗口对应的各所述波段的多时相光学遥感影像、所述深层空间语义嵌入数据和所述数字高程模型数据,确定所述多源遥感数据集;所述多源遥感数据集包括训练集和测试集,所述训练集包括各所述样本区域的多个样本多源融合特征;所述测试集包括各所述样本区域的多个样本多源融合特征;
17、基于所述训练集包括的各所述样本区域的多个样本多源融合特征和所述测试集包括的各所述样本区域的多个样本多源融合特征,对所述果园分类模型进行训练,得到训练后的果园分类模型。
18、根据本发明提供的一种果园分类方法,所述基于各所述物候窗口对应的各所述多时相光学遥感影像、所述深层空间语义嵌入数据和所述数字高程模型数据,确定所述多源遥感数据集,包括:
19、基于各所述物候窗口对应的各所述多时相光学遥感影像,确定多时相光谱特征、光谱指数特征、纹理特征和时序派生特征;所述纹理特征表征现代果园的规则行列结构与老式果园高郁闭度非均匀纹理之间的差异;所述时序派生特征表征园区在生长年内的落叶幅度、季节性波动强度及峰值生长水平,以期增强落叶果园与干扰地类的类间差异;
20、基于所述数字高程模型数据,确定地形特征;
21、基于所述多时相光谱特征、所述光谱指数特征、所述纹理特征、所述时序派生特征、所述地形特征和所述深层空间语义嵌入数据,确定所述样本区域的所述样本多源融合特征;
22、基于各所述样本区域的所述样本多源融合特征,确定所述多源遥感数据集。
23、根据本发明提供的一种果园分类方法,所述基于所述训练集包括的各所述样本区域的多个样本多源融合特征和所述测试集包括的各所述样本区域的多个样本多源融合特征,对所述果园分类模型进行训练,得到训练后的果园分类模型,包括:
24、将所述训练集包括的各所述样本区域的多个样本多源融合特征输入至所述果园分类模型中的各所述基学习器,得到第二预测概率;
25、将各所述第二预测概率进行拼接,得到第二拼接预测概率;
26、将所述第二拼接预测概率输入至所述果园分类模型中的所述元学习器,所述元学习器通过学习最优预测概率并融合类别权重,得到第二分类结果;
27、基于各所述第二分类结果和所述测试集包括的各所述样本区域的多个样本多源融合特征,重复训练各所述基学习器和所述元学习器,得到最终训练的各基学习器和元学习器。
28、根据本发明提供的一种果园分类方法,所述基于各所述第二分类结果和所述测试集包括的各所述样本区域的多个样本多源融合特征,重复训练各所述基学习器和所述元学习器,得到最终训练的各基学习器和元学习器,包括:
29、将所述测试集包括的各所述样本区域的多个样本多源融合特征输入至所述果园分类模型中的各所述基学习器,得到第三预测概率;
30、将各所述第三预测概率进行拼接,得到第三拼接预测概率;
31、将所述第三拼接预测概率输入至所述果园分类模型中的所述元学习器,所述元学习器通过学习最优预测概率并融合类别权重,得到第三分类结果;
32、基于所述第三分类结果,对所述第二分类结果进行验证,得到验证结果;
33、基于所述验证结果,采用基于树结构的贝叶斯优化算法对各所述基学习器的参数进行搜索,得到各所述基学习器的新参数;
34、基于各所述基学习器的所述新参数,重复执行上述训练步骤,得到最终训练的各基学习器和元学习器。
35、根据本发明提供的一种果园分类方法,所述方法还包括:
36、针对每个所述样本区域,基于所述样本区域的各所述样本多源融合特征,确定任意两个所述样本多源融合特征之间的相关系数;
37、将所述相关系数大于预设阈值的所述样本多源融合特征分为一组;
38、将所述组中的所有样本多源融合特征的第一夏普利值相加,得到所述组对所述果园分类模型的整体贡献。
39、根据本发明提供的一种果园分类方法,所述方法还包括:
40、采用五折交叉验证,训练得到多个所述果园分类模型的状态;
41、确定每个所述果园分类模型的状态对应的特征重要性排名和第二夏普利值;
42、基于各所述特征重要性排名,确定前k个特征的重叠率;
43、确定各所述第二夏普利值对应的均值和方差;
44、基于所述重叠率、所述均值和所述方差,确定稳健解释特征。
45、根据本发明提供的一种果园分类方法,所述方法还包括:
46、基于各所述基学习器对应的夏普利归因矩阵和所述元学习器赋予各所述基学习器的归回系数,确定目标值,所述目标值用于指示所述样本多源融合特征中的每个特征对分类结果的决策贡献。
47、本发明还提供一种果园分类装置,包括:
48、获取模块,用于获取待分类区域的目标遥感影像;
49、分类模块,用于将所述目标遥感影像输入至果园分类模型,得到所述果园分类模型输出的第一分类结果;
50、其中,第一分类结果表示所述目标遥感影像为果园遥感影像,所述果园分类模型是基于所述待分类区域的多个样本区域的多个样本多源融合特征和各所述样本区域的标签数据进行训练得到的,所述样本多源融合特征是基于所述样本区域的多个物候期窗口分别对应的多时相光学遥感影像和语义嵌入数据以及数字高程模型数据确定的。
51、本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述果园分类方法。
52、本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述果园分类方法。
53、本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述果园分类方法。
54、本发明提供的果园分类方法及装置,通过获取待分类区域的目标遥感影像;将所述目标遥感影像输入至果园分类模型,得到所述果园分类模型输出的第一分类结果;其中,第一分类结果表示所述目标遥感影像为果园遥感影像,所述果园分类模型是基于所述待分类区域的多个样本区域的多源融合特征和各所述样本区域的标签数据进行训练得到的,所述样本多源融合特征是基于所述样本区域的多个物候期窗口分别对应的多时相光学遥感影像和语义嵌入数据以及数字高程模型数据确定的。由于果园分类模型是基于待分类区域的多个样本区域的多源融合特征和各样本区域的标签数据进行训练得到的,样本多源融合特征是基于样本区域的多个物候期窗口分别对应的多时相光学遥感影像和语义嵌入数据以及数字高程模型数据确定的,因此通过果园分类模型能够实现山地破碎地形下的果园分类,提升分类精度和效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com