針對傳統(tǒng)耕地提取方法人工干預(yù)多、提取速度慢、成本高,不適用于大規(guī)模耕地提取等問題,選取時間序列Sentinel-2數(shù)據(jù),基于時序光譜特征的耕地自動識別方法對瑪納斯縣典型耕地區(qū)域進(jìn)行耕地提取,并比較了不同樣本特征對耕地提取精度的影響。結(jié)果表明:采用該方法總體分類精度、Kappa系數(shù)、耕地類型的用戶精度分別達(dá)到了95.37%、0.942 3和97.04%,比采用時間序列NDVI和單時期影像樣本特征總體精度分別提高4.02%和5.69%。研究結(jié)果為進(jìn)一步利用中高分辨率遙感數(shù)據(jù)和深度學(xué)習(xí)方法對耕地進(jìn)行信息提取和典型地物分類提供了新思路。 

【文章頁數(shù)】：9 頁

【文章目錄】：
0 引言
1 研究區(qū)與數(shù)據(jù)源
    1.1 研究區(qū)
    1.2 數(shù)據(jù)源及預(yù)處理
2 研究方法
    2.1 基于地塊的樣本生成
    2.2 時序光譜圖重構(gòu)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)模型搭建
    2.4 卷積神經(jīng)網(wǎng)絡(luò)模型優(yōu)化
3 結(jié)果與分析
    3.1 耕地提取精度評價
    3.2 不同樣本特征對比分析
        1)光譜維對卷積神經(jīng)網(wǎng)絡(luò)分類精度的影響。
        2)時間維對卷積神經(jīng)網(wǎng)絡(luò)分類精度的影響。
        3)時序光譜特征對卷積神經(jīng)網(wǎng)絡(luò)分類精度的影響。
4 結(jié)束語


【參考文獻(xiàn)】：
期刊論文
[1]一種基于深度學(xué)習(xí)的遙感圖像分類及農(nóng)田識別方法[J]. 宮浩,張秀再,胡敬鋒.  現(xiàn)代電子技術(shù). 2019(08)
[2]基于支持向量機的農(nóng)業(yè)遙感圖像耕地提取技術(shù)研究[J]. 李昌俊,黃河,李偉.  儀表技術(shù). 2018(11)
[3]基于紋理特征與MODIS-NDVI時間序列的耕地面積提取研究[J]. 于利峰,烏蘭吐雅,烏云德吉,許洪滔,包珺瑋,任婷婷.  中國農(nóng)業(yè)資源與區(qū)劃. 2018(11)
[4]機器學(xué)習(xí)法的干旱區(qū)典型農(nóng)作物分類[J]. 黃雙燕,楊遼,陳曦,姚遠(yuǎn).  光譜學(xué)與光譜分析. 2018(10)
[5]基于無人機遙感可見光影像的北疆主要農(nóng)作物分類方法[J]. 戴建國,張國順,郭鵬,曾窕俊,崔美娜,薛金利.  農(nóng)業(yè)工程學(xué)報. 2018(18)
[6]基于多時相遙感影像的耕地利用信息提取研究[J]. 李丹,梁欣,孫麗娜,劉洋,宋以健.  現(xiàn)代測繪. 2018(04)
[7]不同植被紅邊指數(shù)在城市草地健康判別中的對比研究[J]. 方燦瑩,王琳,徐涵秋.  地球信息科學(xué)學(xué)報. 2017(10)
[8]中國耕地保護研究的回顧與進(jìn)展[J]. 鄭沃林,殷梅華,吳劍輝.  世界地理研究. 2016(05)
[9]復(fù)雜網(wǎng)絡(luò)數(shù)據(jù)流的入侵?jǐn)?shù)據(jù)檢測方法仿真[J]. 王翠娥,李香林,崔冬華.  計算機仿真. 2015(12)
[10]基于多時相TM圖像的耕地信息提取[J]. 徐超,詹金瑞,潘耀忠,朱文泉.  國土資源遙感. 2013(04)



本文編號：3661534