研究目的
通过使用中分辨率遥感影像,探索深度学习技术在复杂景观区域(该区域水稻易与周围环境混淆)中进行水稻识别的可行性。
研究成果
所提出的CNN模型在用户精度、生产者精度和总体精度方面均优于SVM。这一创新方法有效促进了复杂景观区中高分辨率遥感图像上的水稻识别,不仅拓宽了水稻信息提取的途径,对预测粮食产量、缓解气候变化和资源管理也具有重要意义。
研究不足
VI时间序列对分类模型具有重要影响。构建拟合时间序列曲线需要收集足够的数据源,但不可控的云层和降雨覆盖导致中国南方(尤其是生长季)数据采集不足。模型训练对误差分析也至关重要,涉及样本数量、网络层数、迭代次数等因素。丘陵地区地形复杂多样,可能出现部分误分类情况。
1:实验设计与方法选择
采用一种新颖的像素级分类方法,利用卷积神经网络(CNN)模型提取增强型植被指数(EVI)时间序列曲线的特征进行分类。运用迁移学习策略对预训练的CNN模型进行微调,获取EVI曲线的时间特征。实验中同时实施了支持向量机(SVM)这一传统机器学习方法。
2:样本选择与数据来源
收集了2017年5月13日至11月3日的8景HJ-1 A/B卫星影像,用于生成机器学习与分类的EVI数据集。研究区域为株洲市,位于中国湖南省东部。
3:实验设备与材料清单
HJ-1 A/B卫星数据、ENVI5.2图像处理软件、FLAASH大气校正模块、用于地面实况数据采集的GPS设备。
4:实验流程与操作步骤
1. 计算多时相卫星数据的植被指数并重构时间序列曲线作为输入;2. 基于快速特征嵌入的卷积架构框架开发分类深度学习模型,引入迁移学习策略;3. 通过选取不同样本进行模型训练与验证;4. 采用SVM与深度学习模型进行对比分类。
5:数据分析方法
利用地面实况点与谷歌地球的目视判读信息评估CNN和SVM两个模型的精度。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容