【摘要】：本研究探討深度卷積神經(jīng)網(wǎng)絡(luò)在機(jī)載高光譜數(shù)據(jù)分類的應(yīng)用,以期提高亞熱帶地區(qū)森林樹種的分類精度。以廣西南寧高峰林場為試驗(yàn)區(qū),采用中國林業(yè)科學(xué)研究院LiCHy系統(tǒng)獲取的航空高光譜數(shù)據(jù),以三維卷積層為基礎(chǔ),提出一種高效的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)結(jié)構(gòu)。本文采用的CNN模型旨在以端到端的方式處理高光譜圖像分析問題,能夠?qū)⒃紨?shù)據(jù)作為輸入,不需要進(jìn)行降維或特征篩選,省去了傳統(tǒng)分類方法在不同程度上人工篩選特征的工作;網(wǎng)絡(luò)中3D卷積層可以同時提取光譜特征和空間特征,學(xué)習(xí)特征立方體的空間和光譜維度中的局部信號變化,利用重要的識別特征進(jìn)行分類,以提高對高光譜影像的判別能力。針對機(jī)載高光譜數(shù)據(jù)維度高,訓(xùn)練樣本相對較少的問題,對模型進(jìn)行了優(yōu)化,避免過擬合問題。對比傳統(tǒng)的特征篩選與面向?qū)ο蠓指罱Y(jié)合的方法,本文提出的CNN結(jié)構(gòu)森林樹種的總體分類精度達(dá)到98.38%,Kappa系數(shù)0.98,與隨機(jī)森林(RF)特征選擇結(jié)合支持向量機(jī)(SVM)分類相比,總體精度提高8.82%,Kappa系數(shù)提高0.11;小樣本訓(xùn)練的情況下(減少75%訓(xùn)練樣本),總體精度仍可以達(dá)到95.89%,Kappa系數(shù)0.94。研究結(jié)果表明三維卷積神經(jīng)網(wǎng)絡(luò)在處理機(jī)載高光譜影像特征提取與分類問題中能夠充分利用影像中豐富的信息,實(shí)現(xiàn)高精度的區(qū)分亞熱帶森林樹種;合理的網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練策略(加入Dropout層),能夠極大提高網(wǎng)絡(luò)的訓(xùn)練速度,并在小樣本訓(xùn)練時仍然能夠得到很好的結(jié)果,可以實(shí)現(xiàn)高效,準(zhǔn)確的森林樹種分類。
【圖文】：

圖１－２技術(shù)路線圖逡逑Ｆｉｇ．邋１－２邋Ｔｅｃｈｎｏｌｏｇｙ邋ｆｌｏｗ邋ｃｈａｒｔ邋ｏｆ邋Ｒｅｓｅａｒｃｈ逡逑１．５論文組織結(jié)構(gòu)逡逑論文共包括七個章節(jié)，第一章介紹論文的研宄背景和意義，高光譜遙感分類的研逡逑[傁腫醇按嬖詰囊恍┪侍猓約氨韭畚牡鬧饕繡襯諶藎壞詼陸檣芰搜衃偳趴觶義鮮笛槭蒞ㄒ巴獾韃槭蕁⒑嬌找８惺蕕幕袢�，壹s笆笛槭蕕腦ご砹鞒�，并辶x先范ǚ擲嘞低常壞諶陸檣芰順９嫻母吖餛資莘擲啻砹鞒蹋⑺得髁街止惴菏褂緬義系母呶萁滴絞劍跋穹擲嗪蟮木繞蘭鄯椒�，壹s白魑員仁笛櫚拇撤擲嚳藉義戲ǎ壞謁惱陸檣芰司砘窬緄腦硨褪迪址椒�，并提畴h艘恢終攵曰馗吖餛資麇義現(xiàn)址擲嗟耐緗峁梗壞諼逭露圓煌椒ǖ慕峁卸員齲⒎治齠閱Ｐ頭擲嗄芰τ兄劐義弦跋斕墓丶蛩兀壞諏陸檣芰嘶諫疃妊暗母吖餛資菔髦址擲噯砑低車納楨義霞樸朧迪鄭壞諂噠率嵌員狙繡徹ぷ韉淖芙�，壹s拔蠢囪芯康惱雇�。辶x

本文編號：2626324