КЛАССИФИКАЦИЯ ВИДОВ ДЕРЕВЬЕВ НА УРОВНЕ ЛИСТЬЕВ НА ОСНОВЕ ТЕХНОЛОГИИ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ
Аннотация
Технология гиперспектральной визуализации использована для идентификации восьми пород деревьев на уровне отдельных листьев. Для выбора характерных спектральных полос использованы алгоритм последовательных проекций (SPA), коэффициент усиления информации (IG) и индекс Джини (Gini). Алгоритм оптимизации роя бинарных частиц (BPSO) применен для оптимизации набора характерных полос, выбранных с помощью SPA, IG и Gini. Машинное обучение для оптимизации роя бинарных частиц (PSO-ELM), линейные модели байесовского нормального классификатора (LBNC) и k-ближайшего соседа (KNN) для пород деревьев созданы на основе всех спектральных диапазонов, характерных полос и оптимизированных характерных полос соответственно. Показатели 175-2 распознавания моделями PSO-ELM, LBNC и KNN на основе всех спектральных диапазонов составляют 98.45, 99.10 и 83.67% соответственно. Методы SPA, IG и Gini позволяют эффективно выбирать спектральные полосы для различения пород деревьев и значительно уменьшать размерность необходимых для распознавания спектральных данных. Результаты распознавания моделями, основанными на характерных полосах, выбранных Gini, лучшие, а показатели распознавания моделями PSO-ELM, LBNC и KNN достигали 97.55, 96.53 и 80.5% соответственно. BPSO-SPA, BPSO-IG и BPSO-Gini дополнительно уменьшaют размерность спектральных данных, не снижая точности распознавания. Модели, созданные на основе оптимизированных характерных полос, выбранных с помощью BPSO-Gini, показывают наилучший результат распознавания, а показатели распознавания моделями PSO-ELM, LBNC и KNN составили 96.53, 96.68 и 81.05% соответственно. В целом показатели распознавания модели PSO-ELM лучше, чем моделей LBNC и KNN.
Ключевые слова
идентификация древесных пород,
уровень отдельных листьев,
технология гиперспектральной визуализации,
уменьшение размерности,
оптимизация набора характерных полос
При поддержке: This work was supported by the National Natural Science Foundation of China (Grant No 31570713) and the Beijing Municipal Construction Project Special Fund.
Об авторах
R. Yang
Пекинский лесотехнический университет
Китай
Пекин 100083
Китай
Пекин 100083
J. Kan
Пекинский лесотехнический университет
Китай
Пекин 100083
Китай
Пекин 100083
Список литературы
1. X. S. Liu, X. L. Zhang, Forest Res. Manage, 1 , 61–64 (2004).
2. O. Nevalainen, E. Honkavaara, S. Tuominen, N. Viljanen, T. Hakala, X. Yu, Remote Sens., 9 , 185 (2017).
3. L. C. Plourde, S. V. Ollinger, M. L. Smith, M. E. Martin, Photogram. Eng. Remote Sens., 73 , No. 7, 829–840 (2007).
4. B. X. Ma, Y. B. Ying, X. Q. Rao, J. S. Gui, Spectrosc. Spectr. Anal., 29 , No. 6, 1611–1615 (2009).
5. J. B. Feret, G. P. Asner, IEEE Transact. Geosci. Remote Sens., 51 , No. 1, 73–84 (2012).
6. R. George, H. Padalia, S. P. S. Kushwaha, Int. J. Appl. Earth Observ. Geoinform., 28 , No. 1, 140–149 (2014).
7. M. Jia, Y. Zhang, Z. Wang, K. Song, C. Ren, Int. J. Appl. Earth Observ. Geoinform., 33 , No. 1, 226–231 (2014).
8. H. P. La, D. E. Yang, A. Chang, C. Kim, KSCE J. Civil Engin., 19 , No. 4, 1078–1087 (2015).
9. Z. Zhang, A. Kazakova, L. Moskal, D. Styers, Forests, 7 , No. 6, 122 (2016).
10. J. Cao, W. Leng, K. Liu, L. Liu, Z. He, Y. Zhu, Remote Sens., 10 , No. 1, 89 (2018).
11. A. Ghosh, F. E. Fassnacht, P. K. Joshi, B. Koch, Int. J. Appl. Earth Observ. Geoinform., 26 , No. 2, 49–63 (2014).
12. R. D. Jackson, P. M. Teillet, P. N. Slater, G. Fedosejevs, M. F. Jasinski, J. K. Aase, Remote Sens. Environ., 32 , No. 2, 189–202 (1990).
13. X. Li, A. H. Strahler, IEEE Transact. Geosci. Remote Sens., 30 , No. 2, 276–292 (1992).
14. P. Pellikka, D. J. King, S. G. Leblanc, Remote Sens. Rev., 19 , No. 1-4, 259–291 (2000).
15. S. Tuominen, R. Nasi, E. Honkavaara, A. Balazs, T. Hakala, N. Viljanen, I. Polonen, H. Saari, H. Ojanen, Remote Sens., 10 , No. 5, 714 (2018).
16. M. A. Cochrane, Int. J. Remote Sens., 21 , No. 10, 2075–2087 (2000).
17. Z. H. Wang, L. X. Ding, Spectrosc. Spectr. Analys., 30 , No. 7, 1825–1829 (2010).
18. H. J. Lin, H. F. Zhang, Y. Q. Gao, X. Li, F. Yang, Y. F. Zhou, Spectrosc. Spectr. Anal., 34 , No. 12, 3358–3362 (2014).
19. X. R. Geng, K. Sun, L. Y. Ji, Y. C. Zhao, IEEE Trans. Geosci. Remote Sens., 52 , No. 11, 7111–7119 (2014).
20. Y. Liu, H. Xie, L. G. Wang, K. Z. Tan, Appl. Opt., 55 , No. 3, 462–472 (2016).
21. G. K. Zhu, Y. C. Huang, S. Y. Li, J. Tang, D. Liang, IEEE Geosci. Remote Sens. Lett., 14 , No. 12, 2320–2324 (2017).
22. S. Jia, G. H. Tang, J. S. Zhu, Q. Q. Li, IEEE Trans. Geosci. Remote Sens., 54 , No. 1, 88–102 (2016).
23. M. Huang, J. Tang, B. Yang, Q. Zhu, Comput. Electron. Agric., 122 , 139–145 (2016).
24. M. C. U. Araujo, T. C. B. Saldanha, R. K. H. Galvao, T. Yoneyama, H. C. Chame, V. Visani, Chemometrics Intell. Lab. Syst., 57 , No. 2, 65–73 (2001).
25. Q. Dai, Cheng, J. H. Sun, X. A. Zeng, J. Food Eng., 136 , 64–72 (2014).
26. Y. He, C. Zhang, F. Liu, W. W. Kong, P. Cui, W. J. Zhou, Appl. Eng. Agric., 31 , No. 1, 23–30 (2015).
27. Z. Y. Huang, J. Shandong Agric. Univ. (Nat. Sci. Ed.), 44 (2), 252–256 (2013).
28. W. Q. Shang, H. K. Huang, Y. L. Liu, Y. M. Lin, Y. L. Qu, H. B. Dong, J. Comput. Res. Dev., 43 (10), 1688–1694 (2006).
29. G. B. Huang, Q. Y. Zhu, C. K. Siew, Neurocomputing, 70 , No. 1/2/3, 489–501 (2006).
30. J. Wang, L. Zhang, J. J. Cao, D. Han, Int. J. Mach. Learn. Cyber., 9 , No. 1, 21–35 (2018).
31. A. Kadir, Proc. 3rd Int. Symp. “Leaf Identification Using Polar Fourier Transform and Linear Bayes Normal Classifier”, 40–49 ( 2015 ).
32. T. Cover, P. Hart, IEEE Trans. Inform. Theory, 13 , No. 1, 21–27 (1967).
33. W. Sun, C. F. Wang, C. C. Zhang, J. Clean Prod., 162 , 1095–1101 (2017).
34. J. Kennedy, R. Eberhart, IEEE Int. Conf. Neural Networks, 4 , 1942–1948 (1995).
35. J. Kennedy, R. C. Eberhart, IEEE Int. Conf. Systems, Man, Cybern. Comput. Cybern. Simul., 5 , 4104–4108 (1997).
36. X. T. Zhao, S. J. Zhang, J. L. Liu, H. X. Sun, Food Sci. Technol., 33 , No. 10, 281–287 (2017).
Рецензия
Для цитирования:
Yang R., Kan J. КЛАССИФИКАЦИЯ ВИДОВ ДЕРЕВЬЕВ НА УРОВНЕ ЛИСТЬЕВ НА ОСНОВЕ ТЕХНОЛОГИИ ГИПЕРСПЕКТРАЛЬНОЙ ВИЗУАЛИЗАЦИИ. Журнал прикладной спектроскопии. 2020;87(1):175(1)-175(10).
For citation:
Yang R., Kan J. CLASSIFICATION OF TREE SPECIES AT THE LEAF LEVEL BASED ON HYPERSPECTRAL IMAGING TECHNOLOGY. Zhurnal Prikladnoii Spektroskopii. 2020;87(1):175(1)-175(10).
Просмотров: 283
Послать статью по эл. почте 