[发明专利]一种农业种植结构的遥感识别方法

说明书

本发明属于农业遥感领域，涉及一种农业种植结构的遥感识别方法，采用机器学习算法提取农作物的种植结构，并且满足多种训练数据类型，自动训练后得到高精度农业种植结构栅格化数据。本发明通过非监督算法k‑means将相似像元先聚类成单一类别，而后运用自标记算法对样本集进行扩充，最后利用D‑ELM算法将这些合并后的像元类别训练和计算。通过训练后的再将所有区域分类判别，这样大大提高了分类器的效率，避免了使用监督分类算法时间空间复杂度过高而导致大区域种植结构分类不可行的问题，同时D‑ELM混合分类器在保证分类精度前提下，满足农业遥感种植结构识别的制图精度。

技术领域

本发明属于农业遥感领域，涉及一种农业种植结构的遥感识别方法，采用机器学习算法提取农作物的种植结构，并且满足多种训练数据类型，自动训练后得到高精度农业种植结构栅格化数据。

背景技术

20世纪以来，遥感能准确地获取农业生产信息，成为指导传统农业向信息科学化农业转变的主要技术方法。如今，利用遥感技术可以实现农作物识别及对应种植面积估算、农作物长势监测与产量估计、农作物叶面指数、叶绿素含量监测与养分诊断、农用地提取与动态监测等。因此，遥感和地理信息技术结合已经成为快速收集和定量分析农业信息、实现科学快速决策的基本手段。其中农作物种植结构识别和种植面积估算是进行农业结构调整的依据，也是研究水文模型、农业决策的重要数据源。从20世纪80年代中期，中国就开始利用气象卫星开展小麦、水稻、玉米等大宗作物的面积监测、长势及产量估计等技术研究。极限学习机(Extreme Learning Machine,ELM)因其学习速度快、泛化能力强而被广泛应用于各种分类任务中。

极限学习机(Extreme Learning Machine,ELM)作为一类针对前馈神经网络设计的机器学习算法，在2004年由Guang-Bin Huang、Qin-Yu Zhu和Chee-Kheong Siew提出，其诞生的动机是为了克服传统神经网络算法学习效率低、参数设定繁琐的问题。

ELM的特点是其学习过程不需要调整隐含层节点参数，输入层至隐含层的特征映射可以是随机的或人为给定的。由于仅需求解输出权重，ELM在本质上是一个线性参数模式(linear-in-the-parameter model)，其学习过程易于在全局极小值收敛。ELM在学习效率和泛化性能上的优势已经在许多领域得到证实，在与反向传播算法(Back-Propagation,BP)和支持向量机(Support Vector Machine,SVM)的比较中，ELM的学习时间显著缩短，且学习精度相当。ELM最初是为传统的分类和回归类问题而设计的，但在随后的研究中，其应用范围被推广至几乎所有机器学习领域，包括聚类和特征学习(representationallearning)等，并出现许多变体和改进算法。ELM保持了前馈神经网络的万能近似定理(universal approximation theorem)适用性，而其学习策略为机器学习领域带来了诸多启发。然而，由于其浅层结构特征，ELM无法有效提取数据深层抽象信息。因此应用深度极限学习机，对解决大数据稀疏样本条件下种植结构的识别应用十分重要。

针对卫星遥感图像现有的分类算法难以在大范围高精度图像中实施、运算时间长且耗费大量的内存。对农业种植结构识别应用而言，单一的分类算法以及分类器很难解决实际情况所面对的计算量大，样本稀疏等问题。

在实际工作中聚类算法、SVM、随机森林、ELM等各种分类器都具有其优点与缺点，因此本发明结合各种算法的优势，取长补短，提高分类的效率以及精度。监督分类算法的优势在于可以根据训练数据样本对像元进行类别判别，根据样本的特征来确定像元的归属。监督分类的主要缺陷是必须在分类前定义样本的性质，分类效率低，而非监督分类是在没有样本的条件下，根据像元相似度自动判别归类，没有人工干预的成分，具有速度较快的优势，但当地物光谱的差异比较微小的时候，分类效果不如监督分类效果好，且无监督分类不能判别像元的归类，既为聚类算法。

发明内容