基于时序光谱重构的卷积神经网络遥感农作物分类与应用
文献类型：学位论文
| 作者 | 冯齐心 |
| 答辩日期 | 2019-06-30 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 杨辽 |
| 关键词 | 农作物分类 卷积神经网络 遥感 时间序列 特征提取 Crop classification Convolutional neural network Remote sensing Time series Feature extraction |
| 学位专业 | 工程硕士 |
| 其他题名 | Remote Sensing Crop Classification and Application Based on Time Series Spectral Reconstruction using CNN |
| 英文摘要 | 精准农业是世界各国农业现代化的共同选择。 随着遥感信息技术的快速发展， 遥感在农作物分类与种植结构调查方面也取得了长足进步， 但仍然存在以下问题： 一是目前的遥感农作物分类法均需要较多的人工干预， 自动化水平不高， 二是由于数据源与分类方法的限制，分类精度有待进一步提升。近年来， 遥感的交叉学科——计算机科学与技术在深度学习领域取得了丰硕成果， 尤其在图片的分类与识别领域，卷积神经网络可自动从图片中提取深层特征，完成高精度的图片分类与识别， 相比传统的手工设计特征提取器或机器学习算法有较大的精度优势， 且自动化水平更高， 可为解决遥感农作物分类中精度有待提高、 难以自动化等问题提供新思路。因此本文采用时间序列的Sentinel-2A 数据， 以新疆沙湾县为实验区， 开展了基于卷积神经网络的农作物分 类 方 法 研 究 ， 并 提 出 了 基 于 时 序 光 谱 重 构 的 卷 积 网 络 作 物 分 类 法(TSMI+CNN)。 该方法为充分利用时间序列数据中丰富的多光谱与光谱变化信息， 以地面像元为基本单元， 以时间维为纵轴、光谱维为横轴， 对时间序列多光谱进行了重构，得到了每个地面像元基元的时序光谱图， 再采用 Adam 梯度下降法与 Dropout 40%连接率优化后的卷积网络对时序光谱图进行分类。 为验证该方法的实际分类效果，本文采用了时间序列多光谱+随机森林、 时间序列NDVI+随机森林、 时间序列 NDVI+卷积神经网络等方法进行分类对比研究，结果表明：(1) 该方法总体分类精度达到了 95.12%， 高于时间序列多光谱+随机森林(88.58%)、时间序列 NDVI+随机森林(90.25%)、时间序列 NDVI+卷积神经网络(91.79%)等对照实验组， 表明该分类法可有效提高遥感农作物分类的精度。(2) 对于―异物同谱‖情况明显，在各对照组中混淆相对严重的春玉米与番茄，TSMI+CNN 分类法的 F1-score 综合精度分别达到了 95.9%和 89.9%，相比其他对比试验组中的最高精度的分别提高了 8.2%与 8.3%。 说明该方法可有效提高光谱相似性高作物的分类精度。(3) 本研究中各对照组均有不同程度的边界轮廓线模糊现象，不利于农作物的地块边界提取。 另外， TSM+RF 分类法地块内部不均匀，出现了较多椒盐噪声。TSMI+CNN 分类法的制图结果边界清晰，地块内部均质且基本无椒盐噪声，可完成高质量的农作物遥感制图， 能为基元像元法的遥感制图提供方法借鉴。(4) 基于特征提取的传统分类方法涉及复杂的特征提取与重建工作，TSMI+CNN 分类法通过对时间序列多光谱的时间维与光谱维重新排列， 采用卷积网络完成了研究区内各农作物的提取， 不涉及复杂特征提取与重建，可有效提高遥感农作物分类的自动化水平。 |
| 学科主题 | 测绘工程 |
| 语种 | 中文 |
| 源URL | [http://ir.xjlas.org/handle/365004/15325]  |
| 专题 | 中国科学院新疆生态与地理研究所 新疆生态与地理研究所_研究系统 |
| 作者单位 | 中国科学院新疆生态与地理研究所 |
| 推荐引用方式 GB/T 7714 | 冯齐心. 基于时序光谱重构的卷积神经网络遥感农作物分类与应用[D]. 北京. 中国科学院大学. 2019. |
入库方式： OAI收割
来源：新疆生态与地理研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。