-
题名基于无人机多源遥感数据的亚热带森林树种分类
被引量：6
- 1
-
-
作者
姚扬
秦海明
张志明
王伟民
周伟奇
-
机构
中国科学院生态环境研究中心城市与区域生态国家重点实验室
云南大学生态与环境学院暨云南省高原山地生态与退化环境修复重点实验室
深圳市环境监测中心站
中国科学院大学
北京城市生态系统研究站
-
出处
《生态学报》
CAS
CSCD
北大核心
2022年第9期3666-3677,共12页
-
基金
国家自然科学基金面上项目(41771203)。
-
文摘
树种多样性是生态学研究的重要内容,树木的种类和空间分布信息可有效服务于可持续森林管理。但在复杂林分条件下,获取高精度分类结果的难度大。而无人机遥感可获取局域超精细数据,为树种分类精度的提高提供了可能。基于可见光、高光谱、激光雷达等多源无人机遥感数据,探究其在亚热带林分条件下的树种分类潜力。研究发现:(1)随机森林分类器总体精度和各树种的F1分数最高,适合亚热带多树种的分类制图,其区分13种类别(8乔木,4草本)的总体精度为95.63%,Kappa系数为0.948;(2)多源数据的使用可以显著提高分类精度,全特征模型精度最高,且高光谱和激光雷达数据显著影响全特征模型分类精度,可见光纹理数据作用较小;(3)分类特征重要性从大到小排序为结构信息,植被指数,纹理信息,最小噪声变换分量。
-
关键词
无人机
多源数据
机器学习分类器
树种分类
-
Keywords
UAV
multi-source data
machine learning classifier
tree species classification
-
分类号
S771.8
[农业科学—森林工程]
S718.5
[农业科学—林学]
-
-
题名基于改进AdaBoost算法对环柄菇毒性判别研究
被引量：1
- 2
-
-
作者
李健
熊琦
胡雅婷
-
机构
吉林农业大学信息技术学院
-
出处
《中国农机化学报》
北大核心
2021年第3期72-77,共6页
-
基金
国家自然科学基金(41671397)
吉林省科技发展计划项目(20180101041JC)
吉林省生态环境厅环境科研项目(2019—02)。
-
文摘
使用改进的AdaBoost算法,根据环柄菇的特征对其毒性进行判别,提高环柄菇毒性的判别速度和准确性。首先通过计算数据集的初始权值分布,根据权值分布对训练集进行学习,得到弱分类器,根据弱分类器的分类结果,将错误的样本权值加大,同时计算出各个样本特征的权值,并删去权值系数小于规定值的特征;计算每个弱分类器在训练集上的误差率,并计算该弱分类器在强分类器中所占的权重,更新训练集中的权值分布,对权值过高的样本加上了损失函数,得到了最终的强分类器,输出预测结果;最后通过混淆矩阵,准确率,支持率等指标定量计算改进前后的AdaBoost算法的优化程度。在试验证明部分,使用python对数据集进行清洗,并归一化处理,然后分别利用三种算法对数据集进行预测,得到各自的准确率,改进之后的AdaBoost算法准确率达到99.96%,比单一的弱分类器和改进前的AdaBoost算法准确率平均提高7.5%。该方法可以提升环柄菇毒性判别的准确性,缩短毒性判别的检测时间,推动食用菌毒性诊断专家系统的研究。
-
关键词
环柄菇毒性判别
机器学习分类器
ADABOOST算法
特征筛选
-
Keywords
toxicity identification of Pleurotus ostreatus
machine learning classifier
AdaBoost algorithm
feature selection
-
分类号
S24
[农业科学—农业电气化与自动化]
Q939
[生物学—微生物学]
-
-
题名基于视觉的钢轨表面缺陷识别方法综述
被引量：8
- 3
-
-
作者
张博
刘秀波
赵志荣
陈茁
-
机构
中国铁道科学研究院集团有限公司基础设施检测研究所
朔黄铁路发展有限责任公司
-
出处
《铁道建筑》
北大核心
2020年第9期136-140,共5页
-
文摘
基于计算机视觉技术的钢轨表面缺陷识别方法凭借其非接触、准确性高、无遗漏、快速高效等优点得到越来越多的关注。其识别流程包括:对采集到的钢轨表面图像进行预处理;采用灰度水平投影等方法提取出钢轨的轨面区域;利用图像分割技术提取出缺陷部分的图像信息;对缺陷特征进行描述,计算出缺陷的特征向量;利用机器学习分类器实现缺陷分类;通过深度学习实现钢轨表面缺陷的识别。基于当前研究难点,指出未来主要的研究方向,包括图像的优化预处理、钢轨表面缺陷的快速准确提取及对基于深度学习的缺陷识别方法的深化完善。
-
关键词
钢轨
视觉技术
表面缺陷识别
机器学习分类器
深度学习
-
Keywords
rail
visual technology
surface defect identification
machine learning classifier
deep learning
-
分类号
U213.42
[交通运输工程—道路与铁道工程]
-
