2020年MathorCup大数据竞赛赛道B优秀论文4.pdfVIP

队伍编号1927

赛道B

基于多光谱数据的机器学习模式识别算法的优化评估

摘要

农业的可持续发展离不开对耕地的有效利用，准确把控耕地的数量和质量是

解决农业发展困境的关键。利用遥感技术，通过获取的卫星影像可快速、高效地

提取并识别出耕地，并进行专题地图的制作。为了更高效的提取耕地地块，需要

利用算法，建立合理的模型，来实现耕地的识别与提取。而模式识别耕地边界的

精度，直接影响了耕地数量与质量的把控，所以，建立精确的模型提取耕地地块

已经成为农业发展的进一步要求。

在初赛当我们对基于高光谱数据的模式识别多种算法进行了较为广泛的比

较与评估，选用较为传统的遥感数字图像处理模式识别的算法和人工智能信息提

取为两条大的技术路线。其中人工智能信息提取主要通过深度学习算法、遥感语

义分割算法以及随机森林模型予以实现。通过对各种模型的应用得出相对于传统

的遥感数字图像处理的方法，深度学习、随机森林和语义分割更适用于在高分辨

率、大尺度范围内进行模式识别的结论。

在复赛中我们继续沿用初赛的解题思路，舍弃对高分辨率、大尺度范围识别

存在困难的传统的遥感数字图像处理模式识别的算法。仅选取在初赛中表现较为

优秀的深度学习、随机森林和语义分割三类机器学习算法进行进一步的优化与分

析。并通过人工多次尝试与计算机随机参数提取的两种方式，着重放眼于关键参

数的选取，从而使每种模型表现出相对较高的验证精度。通过参数的选择及对模

型的优化，得到深度学习分类的总体精度由初赛的89%-91%提升到了94%-95%，

随机森林分类精度由初赛的93%-95%提升到了94%-98%。验证精度显著提升，分

类结果从主观上看也有了更好效果。通过Majority/Minority分析对于田间小路等

细节信息进行了相应的保留与提出，并使得分类的结果更加平滑且具有连续性。

对于初赛提出的创新性思路——语义分割，我们进行了实践并对算法从以下

方面进行了优化:（1）数据集增强，使用python-opencv进行更多的操作制作更加

丰富质量更高的数据集。（2）使用Google的笔记本Colab进行训练。（3）增加

训练迭代次数。（4）分割后处理使用全连接CRFs提升精度。

由于深度学习、随机森林和语义分割在模型建立与经度验证方面相对独立，

在优化提升各自模型精度的基础上，为了将三种模型得到的结果进行有机的整合，

我们创新性的将集成学习用于模型融合，将三种模型得到的结果进行有机的叠加。

从而得到更加具有说服力且集成三种模型的结果。

关键词：模式识别随机森林语义分割深度学习高光谱遥感影像

目录

一、问题重述1

1.1问题背景1

1.2需要解决的问题。1

二、问题分析1

2.1分析概述1

2.2问题1分析2

2.3问题2分析2

三、问题假设2

四、符号说明3

五、模型的建立3

5.1深度学习3

5.1.1卷积神经网络CNN4

5.1.2全卷积FCN网络模型5

5.1.3Deeplab-V3网络模型6

5.2随机森林模型7

5.2.1随机森林模型解释7

5.2.2随机森林模型建立7

5.3语义分割模型的建立8

5.3.1基于U-Net网路语义分割模型8

5.4分类结果的后处理9

5.5模型融合思路10

六、模型的求解与优化11

6.1耕地所占面积比例提取11

6.2分类后处理11

6.2.1深度学习Deeplab-V3模型的分类后处理11

6.2.2随机森林算法的分类后处理结果13

6.2.3分类后处理的结果分析14

6.3模型的精度验证参数15

6.3.1深度