森林資源在社會經(jīng)濟發(fā)展中占有舉足輕重的地位,然而中國林地廣袤遼闊,普通的觀測方式難以實時掌握林地內部狀況。航天遙感影像具有覆蓋范圍廣、數(shù)據(jù)獲取快、影像信息豐富等特點,相比其他方式更適合對林地進行觀測。將深度學習方法與衛(wèi)星遙感影像技術相結合進行觀測,可為林地資源的調查與規(guī)劃提供及時信息,從而進一步加強環(huán)境監(jiān)測、推動區(qū)域生態(tài)建設。本文提出基于端到端深度學習技術的遙感影像林地檢測策略,通過圖像分割的方式,透過不同角度解決因林地類內差異較大、分布不均、形狀各異造成的檢測正確率低的現(xiàn)象:1、設計最確定融合策略,從充分利用現(xiàn)有端到端深度學習模型的角度出發(fā),對多個現(xiàn)有模型的檢測結果按像元預測概率值進行比較,確定最終類別。通過這種策略保留不同模型的優(yōu)點,進一步提高遙感影像的林地檢測正確率。2、設計多分支回歸級聯(lián)融合網(wǎng)絡,從優(yōu)化網(wǎng)絡的角度,利用多尺度輸出對多個損失函數(shù)進行回歸,并設計級聯(lián)融合上采樣塊,增強不同類型的特征傳遞,加快網(wǎng)絡擬合速度,提高林地檢測正確率。3、針對寬視場影像的林地檢測任務進行優(yōu)化,通過分割輸入減少運行內存、數(shù)學形態(tài)學優(yōu)化“接邊”現(xiàn)象,提高端到端深度學習模型在寬視場影像上的檢測效率與... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

圖２－１神經(jīng)元結構??Ｆｉｇ．２－１?Ｎｅｕｒｏｎ?ｓｔｒｕｃｔｕｒｅ??

經(jīng)元之間的連接權重會發(fā)生變化并確定網(wǎng)絡的功??能。??神經(jīng)元通過互相連接，構成了神經(jīng)網(wǎng)絡。傳統(tǒng)的全連接會將所有神經(jīng)元與其它所??有神經(jīng)元相連接，此時雖然函數(shù)表達能力得到增強，但連接數(shù)量會隨著神經(jīng)元個數(shù)的??增加呈指數(shù)級增長。因此，為減輕計算壓力，將神經(jīng)網(wǎng)絡分解成了不同的神經(jīng)網(wǎng)絡層。??神經(jīng)網(wǎng)絡分成不同的層，每一層有一群互不連接的神經(jīng)元，它們只與其它神經(jīng)網(wǎng)絡層??中的神經(jīng)元相連接，而不與本層祌經(jīng)元連接，形成拓撲結構。全連接層中，每個神經(jīng)??元的輸出會輸入到下一層的所有神經(jīng)元中。??圖２－２神經(jīng)網(wǎng)絡結構??Ｆｉｇ．２－２?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｓｔｒｕｃｔｕｒｅ??深度學習所使用的深度網(wǎng)絡結構符合神經(jīng)網(wǎng)絡的特征，故也被稱為深度祌經(jīng)網(wǎng)絡??（ＤｅｅｐＮｅｕｒａｌＮｅｔｗｏｒｋ）?［４５］。深度網(wǎng)絡由多個神經(jīng)網(wǎng)絡層疊加而成，與傳統(tǒng)的單層祌??經(jīng)網(wǎng)絡相比網(wǎng)絡層數(shù)大大增加。按不同層的位置劃分，深度網(wǎng)絡可分為輸入層，隱藏??層和輸出層。輸入層一般作為網(wǎng)絡的開始，接收待學習目標，可以是影像或語音，網(wǎng)??絡最后一層一般為輸出層，其余為隱藏層，各個層中的神經(jīng)元互不連接，但一定與前??１０??

工大學碩士學位論文???高分六號寬視場相機的分辨率為１６ｍ，在譜段上除了紅譜段、綠譜段、藍譜段與??近紅外譜段外，增加了紫譜段（０．４０４？０．４５７ｐｍ）、黃譜段（０．５８５？０．６３６ｎｍ）、紅邊??譜段?１?（０．６８１？０．７４２ｐｍ）和紅邊譜段?２?（０．７２４￣０．７８２ｎｍ）。???ｎｒ?ｅ?ｕｒ?ｅ??Ｎ??Ｈａｎｄｓ??＿＿?０?１２．５?２５?５０??■■■■■ＫＺＺＺＺｒｉａＨＨＨＨＨＨＨＨＨｉ?ｋｒｎ??１１８＂?１５?ｎｒ?ｆｉ??圖３－１高分六號寬視場影像示例一一黃山市（假彩色圖像）??Ｆｉｇ．?３－１?ＧＦ－６?ｗｉｄｅ?ｆｉｅｌｄ?ｏｆ?ｖｉｅｗ?ｉｍａｇｅ?ｆｏｒ?Ｈｕａｎｇｓｈａｎ?Ｃｉｔｙ?（ｆａｌｓｅ?ｃｏｌｏｒ?ｉｍａｇｅ）??本課題收集了東北遼寧本溪市、東北內蒙古根河市、華北河北承德市、華南廣西??防城港市、西南云南普洱市、西北甘肅天水市、華中安徽黃山市、華東湖北宜昌市八??個測試應用區(qū)的高分六號寬視場影像數(shù)據(jù)進行分析、處理，主要選取植被的茂盛季進??行觀察，影像拍攝時間集中在四到九月份間。獲取影像數(shù)據(jù)后，需要對影像進行正射??校正、輻射定標，利用各市矢量圖裁剪，得到各市輻射亮度值圖像。??通過對各市影像進行觀察、分析，統(tǒng)計植被和非植被、林地與非林地樣本均值。??在植被與非植被一組中，植被的近紅外和紅邊２波段的輻射亮度均值顯著高于非植被，??是區(qū)分植被非植被的主要波段。在林地與非林地一組中，非林地的近紅外輻射亮度均??值均高于林地。??使用人工目視解譯的方式獲取樣本工作量大，且對地物的判讀及勾繪具有主觀性，??在獲取到高分六號寬視場遙感影像數(shù)據(jù)后，本課

【參考文獻】：
期刊論文
[1]林地資源保護管理與生態(tài)林業(yè)的建設探究[J]. 陳亮.  農(nóng)家參謀. 2020(12)
[2]基于高分二號遙感影像的樹種分類方法[J]. 李哲,張沁雨,彭道黎.  遙感技術與應用. 2019(05)
[3]采用深度學習的遙感圖像花生種植區(qū)域分類技術研究[J]. 黃云,唐林波,李震,龍騰.  信號處理. 2019(04)
[4]GF-6衛(wèi)星WFV數(shù)據(jù)在林地類型監(jiān)測中的應用潛力[J]. 劉晉陽,辛存林,武紅敢,曾慶偉,史京京.  航天返回與遙感. 2019(02)
[5]3S技術在林業(yè)中的應用[J]. 蘇衛(wèi)靜,尹惠妍,楊小林,張志偉.  西藏科技. 2019(01)
[6]基于無人機和決策樹算法的榆樹疏林草原植被類型劃分和覆蓋度生長季動態(tài)估計[J]. 韓東,王浩舟,鄭邦友,王鋒.  生態(tài)學報. 2018(18)
[7]深度學習在遙感影像分類中的研究進展[J]. 付偉鋒,鄒維寶.  計算機應用研究. 2018(12)
[8]基于像元二分模型的林地變化檢測研究[J]. 祝國祥,何鐵祥.  四川林業(yè)科技. 2017(05)
[9]多源數(shù)據(jù)林地類型的精細分類方法[J]. 任沖,鞠洪波,張懷清,黃建文,鄭應選.  林業(yè)科學. 2016(06)
[10]基于隨機森林的地理要素面向對象自動解譯方法[J]. 顧海燕,閆利,李海濤,賈瑩.  武漢大學學報(信息科學版). 2016(02)

碩士論文
[1]基于多源遙感數(shù)據(jù)的林地類型精細識別與變化監(jiān)測研究[D]. 張兆鵬.西安科技大學 2018
[2]半監(jiān)督學習若干問題的研究[D]. 易星.清華大學 2004



本文編號：3277031