拉夫堡大学陈文华:精准农业中分类问题的研究
IJAC最新上线了一篇来自英国拉夫堡大学陈文华教授团队的研究成果:精准农业中分类问题的卫星遥感光谱特征选取研究,文章比较分析了针对精准农业分类问题的四种光谱特征选取方法,并提出了最优方案。
Potential Bands of Sentinel-2A Satellite for Classification Problems in Precision Agriculture
Tian-Xiang Zhang, Jin-Ya Su, Cun-Jia Liu, Wen-Hua Chen
全文下载(开放获取):
https://link.springer.com/article/10.1007/s11633-018-1143-x
图片来自SpringerLink
精准农业知多少?
当下,中国农业正从传统意义上的精耕细作向精准化、智能化的现代农业演进。从以"靠天"吃饭为主的传统农业,转向以"看天"吃饭为主的现代农业,再到如今以"用天"吃饭为主的精准农业。
精准农业(Precision Agriculture)是当今世界农业发展的新潮流,是由信息技术支持的根据空间变异,定位、定时、定量地实施一整套现代化农事操作技术与管理的系统,以期以最少的或最节省的投入达到同等收入或更高的收入,并改善环境,高效地利用各类农业资源,取得经济效益和环境效益。
精准农业由多个系统组成,即全球定位系统、农田信息采集系统、农田遥感监测系统、农田地理信息系统、农业专家系统、智能化农机具系统、环境监测系统、系统集成、网络化管理系统和培训系统。其中,遥感技术(remote sensing)是精准农业田间信息获取的关键技术,为精准农业提供农田小区内作物生长环境、生长状况和空间变异信息的技术要求。
过去的几十年间,卫星遥感在森林监测、灾害管理、农业等应用上发挥着十分重要的作用。不同卫星由于配备了不同功能的传感器,也呈现出不同特点。遥感图像可通过多光谱传感器获取,并根据特定应用而进行专门分析。
图片来自网络
农业上的光谱图像分类问题主要应用于作物状态监测,其中包括干旱情况、杂草病草胁迫、氮胁迫等。传统的方法,如基于多光谱波段的遥感指数可在胁迫监测时帮助提取有用信息。一些典型的指数,如归一化植被指数(normalized difference vegetation index, NDVI)和归一化水指数(normalized difference water index, NDWI) 已经广泛应用于土地覆盖分类、水胁迫监测等领域。但随着光谱波段数量的增加,基于遥感指数的分类方法并不能很好地利用新型遥感卫星丰富的光谱信息。
当前,新型遥感卫星提供的高光谱、高时间空间分辨率的遥感图像为精准农业中的分类问题提供了新的手段。很多在农业遥感中所遇到的问题和挑战都可以通过监督分类对遥感图像进行直接处理并加以解决,比如作物种类分类、疾病及胁迫(包括杂草、干旱、氮胁迫)监测。
本文以不同光谱波段信息为要素提取特征,着重探讨了基于机器学习分类器的直接分类法,而不是基于特定指数的分类方法。在这篇文章中,作者以哨兵-2A卫星(Sentinel-2A image)图像进行土地覆盖分类为例,应用支持向量机算法对五类对象(包括作物、树木、土壤、水、路)进行分类,并比较了针对该问题光谱特征选择的四种方法,从而验证了所提直接分类方法的有效性。
图片来自文章
第一种方法采用传统的经验指数作为特征要素,方法二则是使用普遍被研究人员关注的与特殊指数相关的光谱信息,如红光、近红外、短波红外,方法三通过相互信息进行分级,从而选取针对该分类问题评分较高、更为有效的光谱信息、方法四将卫星传感器的13个光谱波段全部作为特征要素进行应用。
图片来自文章
结果表明:针对文章提出的问题,方法三的分类性能优于方法一和方法二,而方法四的分类准确性又略微高于方法三但计算量稍大。因此,基于方法三和四的光谱波段选取和分类算法可更有效地解决精准农业中哨兵-2A图像的分类问题。不但如此,该方法还可用于森林植被监测、植物生理状态检测、灌溉决策等。
1) 除了光谱带信息,还可关注其他类型的信息,如纹理信息。
2) 可关注其他更先进的分类算法,如随机森林算法及其相关算法。
全文信息
Potential Bands of Sentinel-2A Satellite for Classification Problems in Precision Agriculture
Tian-Xiang Zhang, Jin-Ya Su, Cun-Jia Liu, Wen-Hua Chen
摘要:
Various indices are used for assessing vegetation and soil properties in satellite remote sensing applications. Some indices, such as normalized difference vegetation index (NDVI) and normalized difference water index (NDWI), are capable of simply differentiating crop vitality and water stress. Nowadays, remote sensing capabilities with high spectral, spatial and temporal resolution are available to analyse classification problems in precision agriculture. Many challenges in precision agriculture can be addressed by supervised classification, such as crop type classification, disease and stress (e.g., grass, water and nitrogen) monitoring. Instead of performing classification based on designated indices, this paper explores direct classification using different bands information as features. Land cover classification by using the recently launched Sentinel-2A image is adopted as a case study to validate our method. Four approaches of featured band selection are compared to classify five classes (crop, tree, soil, water and road) with the support vector machines (SVMs) algorithm, where the first approach utilizes traditional empirical indices as features and the latter three approaches adopt specific bands (red, near infrared and short wave infrared) related to indices, specific bands after ranking by mutual information (MI), and full bands of on-board sensors as features, respectively. It is shown that a better classification performance can be achieved by directly using the selected bands after MI ranking compared with the one using empirical indices and specific bands related to indices, while the use of all 13 bands can marginally improve the classification accuracy than MI based one. Therefore, it is recommended that this approach can be applied for specific Sentinel-2A image classification problems in precision agriculture.
关键词:
Sentinel-2A, remote sensing, image classification, supervised learning, precision agriculture.
全文下载(开放获取):
https://link.springer.com/article/10.1007/s11633-018-1143-x
感谢论文作者陈文华教授及其团队对以上内容的审核与修改!
好文推荐
【综述专栏】 王田苗:智能机器人研究现状及发展趋势思考与建议
论文助手
往期目录
IJAC新年首期,重磅来袭(Vol. 14 No.1, Feb. 2017)
更多精彩内容,欢迎关注
1) IJAC官方网站:
http://link.springer.com/journal/11633
2) Linkedin: Int. J. of Automation and Computing
3) 新浪微博: IJAC-国际自动化与计算杂志
4) Twitter: IJAC_Journal
5) Facebook: ijac journal
关于杂志或文章,您有任何意见或建议,欢迎后台留言或私信小编,对话框回复关键词,自动获取往期更多精彩内容!
本文编辑:欧梨成
点击“阅读原文",进入原文下载通道