植被分類是森林資源調(diào)查與動態(tài)監(jiān)測的基礎(chǔ)與前提。當(dāng)前植被分類研究大都利用光學(xué)遙感影像,然而,光學(xué)遙感成像易受到云雨覆蓋的影響,難以構(gòu)建完整時間序列,植被分類精度有限。微波遙感具有全天時全天候、時間序列完整的優(yōu)勢,在植被調(diào)查與分析中具有巨大的應(yīng)用潛力。本文利用2018年Sentinel-1A微波遙感時間序列數(shù)據(jù)和深度循環(huán)網(wǎng)絡(luò)方法,對秦嶺太白山區(qū)的森林植被進(jìn)行分類制圖。首先利用Sentinel-2光學(xué)影像與數(shù)字高程數(shù)據(jù)對研究區(qū)進(jìn)行多尺度分割;然后將處理后的時間序列Sentinel-1A數(shù)據(jù)空間疊加到分割地塊上,構(gòu)建地塊的多元時間序列曲線;最后利用深度循環(huán)網(wǎng)絡(luò)提取與學(xué)習(xí)多元時間序列的時序特征并分類。實驗結(jié)果表明:①與傳統(tǒng)機(jī)器學(xué)習(xí)方法（如RF、SVM）相比,本文提出的深度循環(huán)網(wǎng)絡(luò)方法的分類精度提高10%以上;②在Sentinel-1A微波極化特征組合中VV+VH表現(xiàn)最好,與VV+VH+VV/VH極化特征組合的精度相近;③使用全年的時間影像構(gòu)建時間序列分類精度最高,達(dá)到82%。研究表明,利用深度循環(huán)網(wǎng)絡(luò)與時間序列Sentinel-1A數(shù)據(jù)的方法能夠有效提高植被分類的精度,從數(shù)據(jù)源與分類方法上為森林... 

【文章來源】：地球信息科學(xué)學(xué)報. 2020,22(12)北大核心CSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

陜西秦嶺太白山位置及高程

本研究研發(fā)了一種基于深度學(xué)習(xí)LSTM模型,應(yīng)用于時序Sentinel-1A SAR數(shù)據(jù)的植被制圖方法，如圖2所示。首先，對DEM高程數(shù)據(jù)與Sentinel-2光學(xué)影像進(jìn)行多尺度分割，生成研究區(qū)分割地塊圖，并參考谷歌影像剔除非植被地塊，生成研究區(qū)植被地塊圖；然后，對多時相Sentinel-1A SAR數(shù)據(jù)進(jìn)行預(yù)處理，生成時間序列影像；接著將時序SAR影像映射到植被地塊圖上，構(gòu)建每個地塊的多元時間序列曲線；最后，構(gòu)建并訓(xùn)練基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的植被時序分類模型，對地塊時序曲線分類生成研究區(qū)的植被分類圖，并與傳統(tǒng)方法比較。2.3.1 數(shù)據(jù)預(yù)處理

RNN是一種遞歸神經(jīng)網(wǎng)絡(luò)，相比一般的神經(jīng)網(wǎng)絡(luò)，能夠分析處理時間序列變化數(shù)據(jù)，處理時序遙感數(shù)據(jù)時會利用時間相關(guān)性，能充分使用時間序列信息所反映的植被的物候特征，具有其獨特的優(yōu)勢。實際應(yīng)用中為了提高學(xué)習(xí)效率通常會用到RNN的變體LSTM。LSTM是一種應(yīng)用廣泛的RNN變體，可以有效解決梯度消失的問題，能夠在更長的時間序列中有更好的表現(xiàn)。LSTM神經(jīng)元能在任意長短的時間間隔內(nèi)有選擇地記住值。LSTM的基本單元都有4個輸入和1個輸出，內(nèi)部具有輸入門、輸出門和遺忘門三道門，以門控制的方式舍棄不重要信息保留重要信息從而提高模型學(xué)習(xí)能力。輸入門打開時把值寫進(jìn)記憶神經(jīng)元，對當(dāng)前輸入進(jìn)行選擇性記憶。輸出門控制當(dāng)前狀態(tài)是否輸出。遺忘門決定記憶神經(jīng)元是否要清除之前的值。(2)LSTM分類

【參考文獻(xiàn)】：
期刊論文
[1]基于特征壓縮激活Unet網(wǎng)絡(luò)的建筑物提取[J]. 劉浩,駱劍承,黃波,楊海平,胡曉東,徐楠,夏列鋼.  地球信息科學(xué)學(xué)報. 2019(11)
[2]基于Sentinel-2時序多特征的植被分類[J]. 郭文婷,張曉麗.  浙江農(nóng)林大學(xué)學(xué)報. 2019(05)
[3]基于垂直帶譜的太白山區(qū)山地植被遙感信息提取[J]. 張俊瑤,姚永慧,索南東主,郜麗靜,王晶,張興航.  地球信息科學(xué)學(xué)報. 2019(08)
[4]中國南北過渡帶研究的十大科學(xué)問題[J]. 張百平.  地理科學(xué)進(jìn)展. 2019(03)
[5]Forest type identification by random forest classification combined with SPOT and multitemporal SAR data[J]. Ying Yu,Mingze Li,Yu Fu.  Journal of Forestry Research. 2018(05)
[6]基于植被分區(qū)的中國植被類型分類方法[J]. 郝瑩瑩,羅小波,仲波,楊愛霞.  遙感技術(shù)與應(yīng)用. 2017(02)
[7]HJ-1A NDVI與MODIS NDVI時間序列提取植被物候特征對比研究[J]. 馮莉,李柳華,郭松,盧荻.  遙感技術(shù)與應(yīng)用. 2016(06)
[8]WorldView-2近紅外光譜波段反演馬尾松植被信息的比較研究[J]. 胡秀娟,徐涵秋,黃紹霖,張燦,唐菲.  地球信息科學(xué)學(xué)報. 2016(04)
[9]卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類中的應(yīng)用[J]. 曹林林,李海濤,韓顏順,余凡,顧海燕.  測繪科學(xué). 2016(09)
[10]基于高分辨率遙感影像的城市典型喬木樹種分類研究[J]. 李丹,柯櫻海,宮輝力,李小娟,鄧曾.  地理與地理信息科學(xué). 2016(01)



本文編號：3462032