當(dāng)前,基于時序特征提取的農(nóng)作物遙感分類方法需要較多先驗知識及人工干預(yù),難以自動化,且易因忽略部分有效特征而導(dǎo)致精度降低。針對這些問題,提出基于時序光譜重構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)農(nóng)作物分類法。為充分利用時間序列多光譜中豐富的作物物候與多光譜信息,對每個地面像元構(gòu)造以時間維為縱軸、光譜維為橫軸的時序光譜圖,采用Adam梯度下降法與Dropout 40%連接率優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)對時序光譜圖進(jìn)行分類。對比實驗結(jié)果表明,該方法可有效減少"椒鹽"噪聲的產(chǎn)生,且地塊邊界輪廓線清晰,總體分類精度達(dá)到95.12%,高于時間序列多光譜+隨機森林（88.58%）、時間序列NDVI+隨機森林（90.25%）、時間序列NDVI+卷積神經(jīng)網(wǎng)絡(luò)（91.79%）等對照實驗組;對于"異物同譜"現(xiàn)象明顯的春玉米與番茄,該方法的F₁-score分別達(dá)到95.9%與89.9%,相比各對照組均有較大幅度的提高。該研究結(jié)果可為遙感農(nóng)作物的自動化精細(xì)制圖提供參考。 

【文章來源】：中國科學(xué)院大學(xué)學(xué)報. 2020,37(05)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

實驗區(qū)及實地調(diào)查樣本分布

基于像元基元的時序光譜圖構(gòu)建及樣本中各農(nóng)作物的時序光譜圖

CNN模型優(yōu)化


本文編號：3077425