人工智能在遥感影像分类中的应用

人工智能在遥感影像分类中的应用

Summary：21世纪随着科学技术的飞速发展，各种新兴产业层出不穷，遥感图像技术就是其中的佼佼者。遥感图像可以收集到丰富的信息，但也使相关人员面临信息分类和整理的困难，而新的人工智能技术解决了这一问题。人工智能就是为机器编写程序，使其具有相应的学习能力，能够有效地利用互联网或计算机资源实现无人或人为遥感图像信息分类。Keys：人工智能；遥感影像分类；应用一、遥感影像技术和人工智能技术的定义1.遥感影像技术遥感影像技术是指特定的传感仪器对不同功能的物体进行保持运动或静止状态，对地物或其他具有反射特性的介质的电磁辐射进行检测，然后对物体上传到地面上的一系列反应进行分析和应用的一项新科学技术。配备遥感技术的平台通常是卫星或飞机，或地面上的物体。这些物体上的传感器将数据转换成一定的参数，并通过物体的物理、化学或生物特性将其传输到遥感技术的数据控制中心。2.人工智能技术人工智能不是一个完全独立的学科，它只是计算机科学的一部分。人工智能是研究如何让机器像人类大脑一样对某种情况做出反应。它还开发出了能够像人类思维一样做出反应的智能机器。人工智能的内容包括机器人、语音识别技术、图形识别技术以及相应的专家系统。而自人工智能技术发明以来，无论在理论还是在实际操作上都越来越成熟，其应用范围也在逐渐扩大。可以想象，在未来，机器将作为人类智能的载体。虽然人工智能不是真正的人类，但它可以像人类一样思考，甚至可能超越人类的智能。二、人工智能在遥感影像分类中的应用1.决策树1.1决策树的定义决策树是在知道某一事件发生的概率的基础上，使用所计算出的概率为0或预期的事情为0或更多，然后对项目进行风险评估，确定项目的可行性分析技术，概率论和统计学原理，通过树形结构来表达这种方法，因此研究人员称这种方法为决策树。人工智能主要由人类编译，具有机器学习能力。因此，在机器学习时，决策树属于可以用来预测项目或工程结果的模型，表示对象属性与对象值之间的对应关系。决策树很容易理解，在实践中也很容易实现。在使用和学习时，不需要大量的储备知识，所以简单方便。其数据分析的显示比较直观，使用方便是决策树的突出特点。1.2决策树在遥感影像分类中的作用与其他决策算法相比，决策树算法属于非常高级的一类。遥感影像捕获的目标数据空间分布非常复杂，返回的数据精度不高。利用决策树可以很容易地理解对象数据的分类，还可以对相应的数据进行校对，降低容错率。决策树是一种易于使用的分类技术。简而言之，它们以问题和答案树的形式得出结论。假设这个问题的正确答案是“1”，当执行到达获取答案的步骤时，答案是“1”，并沿着这个分支继续决策;如果答案不是“1”，则执行另一个分支。整个决策树执行过程中到达的最后一个节点就是最终的准确数据。在使用决策树进行学习时，不需要不断地调整和校对参数，过程也非常简单明了。更常见的学习类型不是用来为输入参数创建类别，而是在不进行分析的情况下做出决定。这种学习类型被统一命名为决策问题。一般来说，在对问题进行决策时，需要根据世界的现状做出适当的假设，以便于分析和处理。当一个决定被执行时，它可以只完成一次，也可能需要多次重复才能得到一个结论。但是，一次只能实现一个结果，并且在多次执行之后将出现多个决策。如果未来因为某种原因需要做出多个决策，整个决策过程将变得冗余和复杂。除了考虑决策的影响，我们还应该注意从其他渠道获得信息的可能性。2.神经网络2.1神经网络算法的定义首先，机器将输入的参数转换为概念，并使用各种符号来表示它们。然后，对这套符号进行科学严谨的计算，并按照已经规定的逻辑开始推导。机器将推断结果存储起来，然后发送给计算机，计算机利用其计算能力来表达最终的决定。简单地说，就是对各种参数进行分布和分层，然后推断出问题的解决方案。这种方法基于两个方面:一是利用“神经元”的兴奋状态将信息分层存储在互联网上;二是通过“神经元”之间的相互作用实现数据处理。2.2神经网络算法在遥感影像分类中的应用神经网络算法是根据人类大脑的结构和处理信息的方式而研究开发的一种计算机算法，由无数的信息处理单元组成，并且分布在整个网络中，对比非常复杂，人类开发这种算法的目的是可以让机器模拟和计算人脑的思维，可以在一定程度上，减轻人类思维的负担，它属于人脑的一种简化数学计算模型。对于目前的遥感图像技术，神经网络算法可以帮助它处理大量的数据和信息。到了20世纪80年代，神经网络算法已经能够很好地处理一些图像数据，并且经过进化有了重大突破，非常方便当代遥感图像的分类和处理。由于神经网络算法需要输入相应的参数进行分布式计算，而遥感图像技术获得的数据也包含大量的参数，因此可以将这些参数上传到神经网络，计算结果准确高效，并消除或减少误差。随着现代神经网络算法研究的深入，整个神经网络的网络模型越来越广泛，其应用领域也越来越广泛，遥感图像分类技术也越来越成熟。3.遗传算法3.1遗传算法的定义遗传算法是在20世纪60年代初期被研发出来的，由美国一名大学生提出。但由于当时没有足够的理论支撑和计算工具，也只是提出这个概念而没有深入研究。直到1975年，美国出版了一本关于遗传算法理论和计算基础的书，书中详细介绍了这一算法的依据以及计算的具体工具，这本书促进了遗传算法的发展。后来，美国一位学者模拟达尔文的生物进化理论提出了遗传算法，其认为自然中物种进化是有迹可循的，达尔文的生物进化论指出，同一个物种因环境的影响可能会往不同的方向进化，而其认为，人类在各个方向的计算也如同生物进化一样，会因为参数不同而结果不同。简而言之，遗传算法是一种类似生物进化论和遗传概率的数学计算模型，这类模型在后来的运用中得到认可。由于遗传算法是依据生物进化论演变而成的，在使用过程中，其利用数学中的函数和公式，将问题解答的过程转化成生物进化时的基因重组、染色体交叉变异这类过程，并通过计算机的仿真能力得出正确的结果。3.2遗传算法在遥感影像分类中的应用遗传算法与生物进化类似，但与生物进化的过程并不完全相同。虽然它完全模拟了生物受环境选择和进化的现象，但实际上它用数学参数代替了进化体，遗传算法逐渐成为一种具有“生成+检查”特点的搜索进化算法。遗传算法用问题的参数区域代替生物的基因编码区域，用函数代替物种对环境的适应程度，使编码区域的种群代替生物种群作为进化的基础。基于从大数据集中选择参数的决策和遗传系统，创建一个迭代循环。在整个遗传算法中，用数学中的排列组合原理代替基因的随机重组原理，使经过几轮排列组合后得到的位串集优于老一代。整个群体中的个体在不断进化，以得到最正确的答案，最终达到解决问题的目标。这种方法类似于决策树，但不同的是决策树不需要输入太多的参数，而这种算法需要大量的参数来提供支持。结束语本文分别介绍了人工智能技术和遥感图像技术的定义，分析了两者之间的相关性，并从决策树、神经网络和遗传算法三个方面探讨了人工智能在遥感图像分类中的应用。通过研究可以看出，遥感图像技术的应用领域已经非常广泛，并且一直在不断扩大。人工智能作为新时代的产物，具有强大的数据处理能力，可以帮助遥感图像技术更好地服务于现代技术和社会。Reference[1]陈火荣.数据挖掘中决策树算法的应用研究[J].电脑编程技巧与维护,2017(14):63-65.[2]韩浩武,许伟,黄魏,等.基于遥感影像和决策树算法的土壤制图[J].土壤通报,2019,50(1):