方案摘要
方案下载应用领域 | 农/林/牧/渔 |
检测样本 | 林产品 |
检测项目 | 植物生理>其他 |
参考标准 | NA |
本文探讨了利用AisaFENIX高光谱航空影像在山地农业植被分类中的应用,高光谱数据提供了对农场景观进行详细分类和量化的可能性,补充了当地专家的知识,增加了决策的可信度。本次实验作为新西兰Ravensdown/MPI PGP项目“Pioneering to Precision”的一部分,使用AisaFENIX高光谱成像仪对八个不同的农场(5个在新西兰北部,3个在新西兰南部)进行数据采集,得到在380-2500 nm范围内有448个光谱波段,空间分辨率为1米的高光谱数据。PGP项目的主要目标是根据光谱信息绘制土壤肥力图,以相同的空间分辨率分别在春秋季节进行高光谱图像采集。利用各种数据预处理和分类技术,对农场的牧草成分进行了分类,以确定哪种组合能提供佳的精度;用支持向量机(SVM)对草地进行分类,准确率达99.59%。对同一两个农场的额外景观成分进行了分类。分类为非牧场牧草地面覆盖物的成分包括:水、履土壤、麦卢卡、灌木丛、树胶、杨树和其他树种。通过研究分析证明高光谱技术可成功地用于高精度的植被分类,同时也可应用于景观要素分类和量化,比如肥料和农场经营管理、农村估价、农场战略管理和规划等。 利用芬兰SPECIM AisaFENIX高光谱成像系统对新西兰北岛Patitapu 和 Ohorea进行数据采集,然后利用支持向量机(SVM)进行数据处理分类。从Patitapu图像中选择感兴趣的区域(ROI)来表示图像中的两个期望类:牧场和非牧场类。非牧场类包括非草地的元素,包括树木、灌木、路轨、建筑物、裸露的土壤和水。牧草类只包括草地牧草。分类精度是通过将正确分类的像素数相加并除以收集到的总像素来测量的。P
本文探讨了利用AisaFENIX高光谱航空影像在山地农业植被分类中的应用,高光谱数据提供了对农场景观进行详细分类和量化的可能性,补充了当地专家的知识,增加了决策的可信度。本次实验作为新西兰Ravensdown/MPI PGP项目“Pioneering to Precision”的一部分,使用AisaFENIX高光谱成像仪对八个不同的农场(5个在新西兰北部,3个在新西兰南部)进行数据采集,得到在380-2500 nm范围内有448个光谱波段,空间分辨率为1米的高光谱数据。PGP项目的主要目标是根据光谱信息绘制土壤肥力图,以相同的空间分辨率分别在春秋季节进行高光谱图像采集。利用各种数据预处理和分类技术,对农场的牧草成分进行了分类,以确定哪种组合能提供最佳的精度;用支持向量机(SVM)对草地进行分类,准确率达99.59%。对同一两个农场的额外景观成分进行了分类。分类为非牧场牧草地面覆盖物的成分包括:水、履土壤、麦卢卡、灌木丛、树胶、杨树和其他树种。通过研究分析证明高光谱技术可成功地用于高精度的植被分类,同时也可应用于景观要素分类和量化,比如肥料和农场经营管理、农村估价、农场战略管理和规划等。
利用芬兰SPECIM AisaFENIX高光谱成像系统(国内代理:Quantum Design中国子公司)对新西兰北岛Patitapu 和 Ohorea进行数据采集,然后利用支持向量机(SVM)进行数据处理分类。从Patitapu图像(如图1)中选择感兴趣的区域(ROI)来表示图像中的两个期望类:牧场和非牧场类。非牧场类包括非草地的元素,包括树木、灌木、路轨、建筑物、裸露的土壤和水。牧草类只包括草地牧草。分类精度是通过将正确分类的像素数相加并除以收集到的总像素来测量的。Patitapu图像数据的分类在从非牧草中识别牧草时达到了99.11%的准确性(如表1所示)
表1:Patitapu牧草分类的准确性和相关统计
SVM Classification Accuracy for Patitapu | ||||
Overall Accuracy (70534/71167) | 99.11% | |||
Kappa Coefficient | 0.982 | |||
Ground Truth (Pixels) | ||||
Class | Pasture | Non-Pasture | Total | |
Unclassified | 0 | 0 | 0 | |
Pasture | 39156 | 603 | 39759 | |
Non-Pasture | 30 | 31378 | 31408 | |
Total | 39186 | 31981 | 71167 | |
Ground Truth (Percent) | ||||
Class | Pasture | Non-Pasture | Total | |
Unclassified | 0 | 0 | 0 | |
Pasture | 99.92 | 1.89 | 55.87 | |
Non-Pasture | 0.08 | 98.11 | 44.13 | |
Total | 100 | 100 | 100 | |
Class Error | Commission | Omission | Commission | Omission |
(Percent) | (Percent) | (Pixels) | (Pixels) | |
Pasture | 1.52 | 0.08 | 603/39759 | 30/39186 |
Non-Pasture | 0.1 | 1.89 | 30/31408 | 603/31981 |
Class Error | Producer | User | Producer | User |
(Percent) | (Percent) | (Pixels) | (Pixels) | |
Pasture | 99.92 | 98.48 | 39156/39186 | 39156/39759 |
Non-Pasture | 98.11 | 99.9 | 31378/31981 | 31378/31408 |
来源:Cushnahan, TYule, IJGrafton, MCE, Pullanagari, R, White, M The classification of hill country vegetation from hyperspectral imagery Occasional Report Number 30, 2017, pp. 1 - 9 (9)
利用AFM+SEM二合一显微镜-FusionScope揭秘半导体陶瓷材料微观机理
利用AFM+SEM二合一显微镜-FusionScope表征纳米线阵列
利用FusionScope进行纳米力学测试,测试动态全程可见
相关产品
关注
拨打电话
留言咨询