基于深度学习和Sentinel-1/2 影像融合的水稻识别方法研究
文献类型：学位论文
| 作者 | 徐慧窈 |
| 答辩日期 | 2023-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 诸云强 ; 宋佳 |
| 关键词 | 水稻识别 深度学习 Swin Transformer 图像融合 迁移学习 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 高效准确的水稻识别对于实现精准农业和确保粮食安全至关重要。利用高时空分辨率的遥感影像能够很好地观察到植被的生长变化，从而根据水稻独特的物候特性来区分水稻与其他地物。在遥感影像中，光学影像的多光谱特性和合成孔径雷达（SAR)影像全天候全天时的特点之间存在互补的关系。研究融合光学数据与合成孔径雷达数据的最佳方法，是避免影像中错误信息干扰、提高水稻识别精度的有效途径。传统水稻识别方法通常需要人为给定分类指标，受专业知识的限制大，而且因为不同区域有不同的气候特征，传统方法的可迁移性较差。深度学习网络能够自动准确地从多时相遥感影像中提取出图像的空间信息和时间信息，而且正因为深度学习的数据驱动性，只要加入合适的训练数据，就可以很好地避免气候等自然条件的干扰，具有高度可迁移性。但深度学习网络的训练通常需要大量的样本，在某些缺乏样本的水稻识别任务中难以应用。因此，为了样本缺乏的情况下的高精度水稻识别，本文基于深度学习网络，利用光学影像(Sentinel-2)和SAR影像（Sentinel-1)两种互补的遥感影像相融合的方法，构建了一种高精度、高效率、可迁移的水稻识别模型。主要的研究内容和结论如下： 1.利用基于Swin Transformer的水稻识别网络，对比了将不同时间序列长度的NDVI作为训练数据时的水稻识别性能。实验结果反映出，在基于Sentinel-2数据的美国阿肯色州的水稻识别中，当输入时间序列长度为9的NDVI—20days数据时，模型能够取得最高的Fl-score和Kappa值。而且对于形状、边界较为复杂的水稻田而言，时间序列长度为9的输入数据能获得最为精确的水稻识别结果。 2.在时间序列长度为9的NDVI—20days数据的水稻识别任务中，对比了基于SwinTransformer的水稻识别网络与基于卷积神经网络的语义分割模型（U-Net和DeepLab系列网络）和基于循环神经网络的时间序列模型（Bi-LSTM和Bi-GRU)的水稻识别性能。在美国阿肯色州的水稻识别中，SwinTransformer网络能够取得最高的水稻识别精度。在训练效率方面，包括SwinTransformer在内的几种语义分割网络的训练耗时要显著低于时间序列网络。基于SwinTransformer的水稻识别网络不仅能取得高精度、高准确性的水稻识别结果，同时具有较高的运行效率。 3.比较了仅输入Sentinel-2光学数据、仅输入Sentinel-1 SAR数据以及输入级、特征级和决策级三种级别的数据融合方式的水稻识别效果。在输入级数据融合中又同时比较了相加型输入级融合和堆叠型输入级融合的水稻识别精度。结果得出，将Sentinel-2和Sentinel-1通过堆叠型的输入级融合方式进行融合，可以在基于SwinTransformer的水稻识别网络中取得最高的水稻识别精度。而且这种数据融合方式能够帮助模型更加精准地分割出水稻田的边界，能最大程度地缓解水稻误分和水稻漏分的问题。在仅输入一种遥感影像数据时，仅输入光学影像数据能够取得比仅输入SAR影像数据更好的水稻识别效果和更高的水稻识别精度。 4.利用同质性迁移学习，以位于中国三江平原的友谊农场为研究区，通过增加少量当地训练样本对在其他区域预训练好的水稻识别模型进行调参优化，实现了在缺乏样本区域的高精度水稻识别。并且比较了迁移学习时加入的调参样本的配置对于水稻识别精度的影响。结果表明，当迁移学习时不添加三江平原的样本优化模型参数，会造成绝大部分的水稻被漏识别。随着加入模型进行调参的三江平原样本数量的增加，水稻识别精度会呈现先快速提升，后缓慢增加的变化情况。而且增加样本数量可以有效地改善将非水稻像素错误识别为水稻的水稻误分问题。当将调参样本中的一部分训练数据换为位于友谊农场内部的样本时，可以显著提高水稻识别的完整性和准确性。当迁移后区域的调参样本数量达到迁移前样本数量的25%，而且其中目标区域内的样本占所有调参样本的25%时，水稻识别结果就可以达到0.9619的总体精度、0.9266的平均交并比、0.9501的F1-score和0.9193的Kappa值，且几乎不存在水稻田被漏分的情况。 |
| 语种 | 中文 |
| 页码 | 73 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/199738]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 徐慧窈. 基于深度学习和Sentinel-1/2 影像融合的水稻识别方法研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2023. |
入库方式： OAI收割
来源：地理科学与资源研究所
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。