發(fā)布時間：2020-11-07 16:01

　　 及時、精確的農(nóng)作物空間分布信息可以為糧食估產(chǎn)、土地適宜性評價及土地休耕與復(fù)墾等應(yīng)用提供基礎(chǔ)數(shù)據(jù)�；跁r間序列數(shù)據(jù)的農(nóng)作物識別方法能夠充分利用各種作物的生長規(guī)律及物候特征,提高農(nóng)作物分類精度,成為目前普遍采用的遙感作物信息提取與類型識別的解決方案。但該類方法一般依賴完整的時序數(shù)據(jù),使得農(nóng)作物制圖獲取存在延遲,導(dǎo)致其應(yīng)用價值降低。因此,研究及時的、可動態(tài)更新的農(nóng)作物類型識別方法具有重要的現(xiàn)實意義。實現(xiàn)此類方法的主要困難在于:(1)中等分辨率的時間序列數(shù)據(jù)是稀疏的、時間采樣不規(guī)則的以及部分?jǐn)?shù)據(jù)缺失的,從而使得不同年份獲取數(shù)據(jù)的日期不一致,降低了不同年份的特征向量間的可比性;(2)農(nóng)作物更新時僅有前期的部分時間序列數(shù)據(jù),無法進(jìn)行擬合等操作,使得傳統(tǒng)的時間序列分類方法難以直接利用。綜合以上分析,本文設(shè)計實現(xiàn)一種面向不完備時序數(shù)據(jù)的動態(tài)農(nóng)作物識別方法,主要工作和結(jié)論如下:(1)提出了一種農(nóng)作物動態(tài)識別分類方法。LSTM等循環(huán)神經(jīng)網(wǎng)絡(luò)在進(jìn)行農(nóng)作物分類時,需要獲取所有節(jié)點的隱藏層狀態(tài)進(jìn)行綜合判斷從而確定樣本類別,難以滿足農(nóng)作物提前識別以及動態(tài)更新制圖的需要。對此,本文首先提出一種改進(jìn)策略,直接提取LSTM從起始至當(dāng)前時刻的隱藏層狀態(tài)形成狀態(tài)向量,經(jīng)池化層和全連接層處理后得到網(wǎng)絡(luò)當(dāng)前所識別類型,從而實現(xiàn)利用參考年的時序數(shù)據(jù)動態(tài)訓(xùn)練分類器;再根據(jù)興趣年的部分前期時序數(shù)據(jù)輸入,不斷更新農(nóng)作物分類制圖。據(jù)我們所知,這是首次將LSTM網(wǎng)絡(luò)用于遙感農(nóng)作物動態(tài)識別并可獲取具有良好一致性分類結(jié)果的實驗。(2)提出了一種部分維度缺失的時間序列數(shù)據(jù)重建方法。針對由于傳感器選擇性觀測、云和云陰影等因素導(dǎo)致的時序數(shù)據(jù)存在稀疏、采樣時間不規(guī)則和部分關(guān)鍵數(shù)據(jù)缺失等問題,本文首先設(shè)計了基于判別規(guī)則的噪聲檢測算法來檢測原始數(shù)據(jù)中的噪聲點,再將去噪后的時序數(shù)據(jù)通過優(yōu)化后的雙Logistic模型進(jìn)行曲線擬合,并用擬合值代替缺失值,從而獲得無縫的時間序列觀測值,滿足農(nóng)作物識別需求。在上述基礎(chǔ)上,本文以我國安徽省壽縣作為研究區(qū),以該區(qū)域的主要農(nóng)作物作為研究對象,使用2017年5月至2019年3月的哨兵二號時序影像以及統(tǒng)計數(shù)據(jù)作為主要研究數(shù)據(jù),使用本文動態(tài)識別方法對研究區(qū)采集的樣本數(shù)據(jù)進(jìn)行分類。實驗結(jié)果表明,使用本文方法可獲得95.1%的整體分類精度,其中,秋收作物分類精度為96.4%,夏收作物分類精度為93.8%,所有分類精度均顯著高于使用隨機(jī)森林方法所得精度;同時,結(jié)合專家解譯和實地調(diào)查驗證了方法的有效性,并評估了方案對研究區(qū)農(nóng)業(yè)人保險等應(yīng)用的支持效果。在未來的工作中,我們將進(jìn)一步研究本文方法在多源影像數(shù)據(jù)集、多尺度方面的拓展,以及聯(lián)合應(yīng)用不同遙感指標(biāo)時間序列增強(qiáng)方法的魯棒性。
【學(xué)位單位】：浙江工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：S127;TP751
【部分圖文】：

[53]。圖1-1 (a)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)及(b)RNN網(wǎng)絡(luò)Figure 1-1. (a)Traditional neural network model and (b)RNN network model將 RNN 結(jié)構(gòu)在時間域上展開可得到圖 1-2 結(jié)構(gòu)（Goodfellow I，2016）：圖1-2單向RNN標(biāo)準(zhǔn)結(jié)構(gòu)及時間域上展開形式[54]Figure 1-2. General structure of a regular unidirectional RNN and unfolded in timeRNN 輸入單元的輸入集標(biāo)記為 (0) (1) ( ) ( 1) ( )X , , , , , ,t t nx x x x x ，輸出單元的輸出集標(biāo)記為 (0) (1) ( ) ( 1) ( )O , , , , , ,t t no o o o o ，隱藏單元的輸出集標(biāo)記為 (0) (1) ( ) ( 1) ( )S , , , , , ,t t ns s s s s ，W 、U 、V 分別表示隱藏層神經(jīng)元之間的權(quán)重系數(shù)，輸入層到隱藏層的權(quán)重系數(shù)以及隱藏層到輸出層的權(quán)重系數(shù)。此外，

71-2單向RNN標(biāo)準(zhǔn)結(jié)構(gòu)及時間域上展開形式[54]ral structure of a regular unidirectional RNN and unf的輸入集標(biāo)記為 (0) (1) ( ) ( 1) ( )X , , , , , ,t t nx x x x x (0) (1) ( ) ( 1) ( ) , , , , , ,t t no o o o o ，隱藏單元的 ( 1) ( ), , ,t ns s ，W 、U 、V 分別表示隱藏層神隱藏層的權(quán)重系數(shù)以及隱藏層到輸出層的權(quán)重

基于不完備時序數(shù)據(jù)的農(nóng)作物動態(tài)識別方法研究4）作物動態(tài)分類網(wǎng)絡(luò)模型的構(gòu)建不完備時序指標(biāo)數(shù)據(jù)重建的基礎(chǔ)上，利用 LSTM 網(wǎng)絡(luò)挖掘作物指標(biāo)系，實現(xiàn)基于時序指標(biāo)的作物識別方法；設(shè)計分類模型的增量式訓(xùn)練漸累積的時間序列數(shù)據(jù)實現(xiàn)動態(tài)修正識別結(jié)果，同時保證不同年份的一致性；通過專家解譯結(jié)合實地驗證，開展方法精度驗證及其評
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王妙瓊;魏凱;姜春宇;;工業(yè)互聯(lián)網(wǎng)中時序數(shù)據(jù)處理面臨的新挑戰(zhàn)[J];信息通信技術(shù)與政策;2019年05期

2 黃雄波;;基于自相關(guān)函數(shù)的非平穩(wěn)時序數(shù)據(jù)的辨識改進(jìn)[J];微型機(jī)與應(yīng)用;2016年13期

3 尚繼霞;;基于時序數(shù)據(jù)的遼寧省環(huán)境庫茲涅茨曲線實證分析[J];統(tǒng)計與咨詢;2013年04期

4 鐘清流;蔡自興;;基于統(tǒng)計特征的時序數(shù)據(jù)符號化算法[J];計算機(jī)學(xué)報;2008年10期

5 王興家;汪曉惠;趙超;;基于神經(jīng)網(wǎng)絡(luò)的混沌時序數(shù)據(jù)失真檢測方法研究[J];重慶交通大學(xué)學(xué)報(自然科學(xué)版);2007年06期

6 郝善勇,劉玉樹;基于樣本數(shù)據(jù)重抽樣的時序數(shù)據(jù)預(yù)報方法[J];北京理工大學(xué)學(xué)報;2000年05期

7 駱金維;曾德生;郭雅;黃富平;;時序數(shù)據(jù)并行壓縮速率改進(jìn)技術(shù)研究[J];電子設(shè)計工程;2018年20期

8 林芝,曹加恒,劉娟,韋豐;基于信息論網(wǎng)絡(luò)的時序數(shù)據(jù)庫挖掘[J];計算機(jī)工程與應(yīng)用;2003年01期

9 鄭斌祥,杜秀華,席裕庚;一種時序數(shù)據(jù)的離群數(shù)據(jù)挖掘新算法[J];控制與決策;2002年03期

10 朱明,蔡慶生;基于約束滿足的相似時序數(shù)據(jù)的搜索算法[J];計算機(jī)工程;2000年01期

相關(guān)博士學(xué)位論文 前7條

1 吳吉慶;面向Internet的時序數(shù)據(jù)快速分發(fā)技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2011年

2 張貴生;數(shù)據(jù)驅(qū)動的金融時間序列預(yù)測模型研究[D];山西大學(xué);2016年

3 何周舟;基于時序數(shù)據(jù)的結(jié)構(gòu)學(xué)習(xí)與模式預(yù)測聯(lián)合優(yōu)化算法研究[D];浙江大學(xué);2016年

4 白天;連分式方法在脈沖去噪、時序數(shù)據(jù)壓縮及視頻鏡頭檢測中的應(yīng)用研究[D];合肥工業(yè)大學(xué);2014年

5 趙靜;基于高斯過程的動態(tài)系統(tǒng)研究[D];華東師范大學(xué);2016年

6 葉紅梅;面向流域生態(tài)安全的景觀格局演變研究[D];華中科技大學(xué);2009年

7 鐘清流;時序、圖像特征檢測的理論、方法及應(yīng)用研究[D];中南大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 陳洋;基于視頻的行人重識別方法研究[D];華中科技大學(xué);2019年

2 陳遠(yuǎn)杰;基于覆蓋模型的遙感時序數(shù)據(jù)互操作計算應(yīng)用研究[D];福州大學(xué);2018年

3 陳驍;基于不完備時序數(shù)據(jù)的農(nóng)作物動態(tài)識別方法研究[D];浙江工業(yè)大學(xué);2019年

4 羅永洪;基于生成對抗網(wǎng)絡(luò)的時序數(shù)據(jù)缺失值填充算法研究[D];南開大學(xué);2019年

5 楊超;面向工業(yè)大數(shù)據(jù)的可視化系統(tǒng)設(shè)計與實現(xiàn)[D];電子科技大學(xué);2019年

6 寧順成;基于遙測時序數(shù)據(jù)的航天器異常檢測技術(shù)應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2019年

7 王超;云環(huán)境中時序數(shù)據(jù)的預(yù)測和異常檢測算法的研究[D];南京大學(xué);2019年

8 舒?zhèn)ゲ?時序數(shù)據(jù)二分類問題的等距短shapelet轉(zhuǎn)換算法[D];中國科學(xué)技術(shù)大學(xué);2019年

9 劉雷;面向時序數(shù)據(jù)的離群點異常檢測技術(shù)應(yīng)用研究[D];中央民族大學(xué);2019年

10 趙顯靜;面向時序數(shù)據(jù)的不確定性知識表示及預(yù)測[D];重慶郵電大學(xué);2018年

本文編號：2874165