水稻作為一種極其重要的全球性糧食作物,保障了世界約50%人口的食物來源。及時、客觀、準確的水稻種植面積提取對各國政府制定糧食政策具有重要的參考價值。遙感影像能夠反映植株的不同生長狀態(tài)特征,在農業(yè)研究領域具有明顯優(yōu)勢。水稻主要生長于雨水充足,云量密集的區(qū)域,傳統(tǒng)光學衛(wèi)星卻難以實現(xiàn)連續(xù)和高質量成像。因此,不受氣候等因素影響的合成孔徑雷達（Synthetic Aperture Radar,SAR）成為了多云雨環(huán)境中地物探測的重要手段。全極化SAR在提取地物紋理等方面優(yōu)勢獨特,其后向散射系數(shù)和目標極化分解參數(shù)對作物監(jiān)測具有重要意義。近年來,深度學習在自然場景分類的成就吸引了遙感領域的廣泛關注。該方法表達、自學習及容錯能力突出,能夠分層、高效且準確地從遙感圖像中提取具有代表和區(qū)分性的特征。然而,由于圖像質量和數(shù)據集規(guī)模等限制,深度學習針對遙感影像尤其SAR的水稻等作物提取仍處于挖掘階段。本文針對深度學習在水稻面積提取的研究現(xiàn)狀,以四川省眉山市為研究區(qū)域,通過創(chuàng)建具有不同SAR參數(shù)組合信息的各組水稻數(shù)據集,挖掘了深度學習語義分割模型實現(xiàn)自動化提取SAR影像水稻種植面積及其相關研究的潛在價值。主要的... 

【文章來源】：電子科技大學四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 遙感監(jiān)測水稻種植面積的研究現(xiàn)狀
            1.2.1.1 光學遙感水稻種植面積提取的國內外研究現(xiàn)狀
            1.2.1.2 雷達遙感水稻種植面積提取的國內外研究現(xiàn)狀
        1.2.2 深度學習分類算法在植被面積提取的研究現(xiàn)狀
    1.3 研究內容
    1.4 研究方案與技術路線
    1.5 論文結構
第二章 深度卷積神經網絡的理論及應用研究
    2.1 人工神經網絡
        2.1.1 人工神經元
        2.1.2 前饋神經網絡
        2.1.3 反向傳播算法
    2.2 卷積神經網絡
        2.2.1 卷積神經網絡的特性
        2.2.2 網絡結構及特征提取過程
            2.2.2.1 卷積層
            2.2.2.2 池化層
            2.2.2.3 激活層
            2.2.2.4 批量歸一化
        2.2.3 網絡正則化約束
    2.3 基于卷積神經網絡的圖像分割
    2.4 基于SAR影像特點的模型遷移學習
    2.5 本章小結
第三章 基于雷達影像的水稻標簽數(shù)據集創(chuàng)建
    3.1 研究區(qū)域概述
    3.2 RADARSAT-2 數(shù)據
    3.3地面觀測實驗
        3.3.1 實驗目的
        3.3.2 實驗方案
    3.4 雷達影像的參數(shù)提取與分析
        3.4.1 RADARSAT-2 后向散射系數(shù)提取
        3.4.2 Freeman-Durden目標極化分解參數(shù)提取
        3.4.3 各類地物的SAR參數(shù)時序特性分析
    3.5 基于0IF的參數(shù)組合與排序
    3.6 標簽數(shù)據集制作
        3.6.1 圖像融合與區(qū)域裁剪
        3.6.2 水稻標簽制作
        3.6.3 數(shù)據集的創(chuàng)建與擴展
    3.7 本章小結
第四章 基于深度學習語義分割模型的水稻種植面積提取
    4.1 實驗環(huán)境搭建
        4.1.1 硬件與軟件
        4.1.2 主要功能實現(xiàn)
    4.2 網絡模型及其結構
    4.3 模型精度評價指標
    4.4 網絡訓練過程
        4.4.1 損失函數(shù)的選取
        4.4.2 優(yōu)化器算法的設置
        4.4.3 不同模型的超參數(shù)優(yōu)化
            4.4.3.1 學習率的優(yōu)化
            4.4.3.2 學習率衰減系數(shù)的優(yōu)化
    4.5 不同模型的實驗結果對比與分析
        4.5.1 水稻面積自動化提取結果
        4.5.2 模型精度分析
    4.6 本章小結
第五章 水稻面積提取的數(shù)據集性能及最佳參數(shù)組合探究
    5.1 不同SAR水稻數(shù)據集的分類性能研究
        5.1.1 基于不同SAR數(shù)據集的模型訓練及提取結果
        5.1.2 不同SAR數(shù)據集的分類性能評估與分析
    5.2 水稻面積提取的模型特征圖可視化
    5.3 基于模型特征圖的水稻面積提取參數(shù)重要性探究
    5.4 本章小結
第六章 總結與展望
    6.1 主要結論
    6.2 研究展望
致謝
參考文獻
攻讀碩士期間取得的成果


【參考文獻】：
期刊論文
[1]Research advances of SAR remote sensing for agriculture applications: A review[J]. LIU Chang-an,CHEN Zhong-xin,SHAO Yun,CHEN Jin-song,Tuya Hasi,PAN Hai-zhu.  Journal of Integrative Agriculture. 2019(03)
[2]深度神經網絡的高分三號全極化SAR圖像分類方法[J]. 張佳琪,張繼賢,趙爭.  測繪科學. 2019(02)
[3]典型濱海濕地植被全極化SAR顯著性特征分析與融合分類[J]. 萬劍華,張乃心,任廣波,劉善偉.  測繪地理信息. 2018(05)
[4]無人機遙感影像面向對象分類方法估算市域水稻面積[J]. 吳金勝,劉紅利,張錦水.  農業(yè)工程學報. 2018(01)
[5]基于Radarsat-2的水稻種植面積提取[J]. 單捷,邱琳,孫玲,王志明.  江蘇農業(yè)學報. 2017(03)
[6]多時相遙感影像檢測平樂縣晚稻種植面積變化[J]. 黃維,黃進良,王立輝,胡硯霞,韓鵬鵬,王久玲.  農業(yè)工程學報. 2014(21)
[7]基于異源多時相遙感數(shù)據決策樹的作物種植面積提取研究[J]. 張旭東,遲道才.  沈陽農業(yè)大學學報. 2014(04)
[8]TM遙感影像植被信息提取的最佳波段組合選擇——以福建省松溪至建甌高速公路為例[J]. 郭娜,劉劍秋.  福建師范大學學報(自然科學版). 2012(01)
[9]全極化雷達數(shù)據目標分解方法應用研究[J]. 徐星歐,舒寧,李磊.  測繪通報. 2010(10)
[10]多時相MODIS影像的浙江省水稻種植面積信息提取方法研究[J]. 鄭長春,王秀珍,黃敬峰.  浙江大學學報(農業(yè)與生命科學版). 2009(01)

博士論文
[1]深度卷積神經網絡在遙感影像分類的應用研究[D]. 王海軍.中國地質大學(北京) 2018

碩士論文
[1]基于多時相RADARSAT-2數(shù)據的水稻物候監(jiān)測[D]. 何澤.電子科技大學 2019
[2]基于卷積神經網絡的城市區(qū)域建筑物自動提取研究[D]. 劉文濤.電子科技大學 2018
[3]基于深度卷積神經網絡自學習特征的地表覆蓋分類研究[D]. 張偉.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017
[4]基于深度學習的溯源視頻目標檢測與識別[D]. 劉健.東南大學 2016
[5]基于神經網絡的上海光源光束線故障預警的方法研究[D]. 孫皓.中國科學院研究生院(上海應用物理研究所) 2016
[6]極化SAR圖像特征提取與分類方法研究[D]. 姜媛.電子科技大學 2016
[7]基于全極化雷達的目標識別方法研究[D]. 丁維雷.哈爾濱工程大學 2013



本文編號：3188241