水稻作為一種極其重要的全球性糧食作物,保障了世界約50%人口的食物來(lái)源。及時(shí)、客觀、準(zhǔn)確的水稻種植面積提取對(duì)各國(guó)政府制定糧食政策具有重要的參考價(jià)值。遙感影像能夠反映植株的不同生長(zhǎng)狀態(tài)特征,在農(nóng)業(yè)研究領(lǐng)域具有明顯優(yōu)勢(shì)。水稻主要生長(zhǎng)于雨水充足,云量密集的區(qū)域,傳統(tǒng)光學(xué)衛(wèi)星卻難以實(shí)現(xiàn)連續(xù)和高質(zhì)量成像。因此,不受氣候等因素影響的合成孔徑雷達(dá)（Synthetic Aperture Radar,SAR）成為了多云雨環(huán)境中地物探測(cè)的重要手段。全極化SAR在提取地物紋理等方面優(yōu)勢(shì)獨(dú)特,其后向散射系數(shù)和目標(biāo)極化分解參數(shù)對(duì)作物監(jiān)測(cè)具有重要意義。近年來(lái),深度學(xué)習(xí)在自然場(chǎng)景分類(lèi)的成就吸引了遙感領(lǐng)域的廣泛關(guān)注。該方法表達(dá)、自學(xué)習(xí)及容錯(cuò)能力突出,能夠分層、高效且準(zhǔn)確地從遙感圖像中提取具有代表和區(qū)分性的特征。然而,由于圖像質(zhì)量和數(shù)據(jù)集規(guī)模等限制,深度學(xué)習(xí)針對(duì)遙感影像尤其SAR的水稻等作物提取仍處于挖掘階段。本文針對(duì)深度學(xué)習(xí)在水稻面積提取的研究現(xiàn)狀,以四川省眉山市為研究區(qū)域,通過(guò)創(chuàng)建具有不同SAR參數(shù)組合信息的各組水稻數(shù)據(jù)集,挖掘了深度學(xué)習(xí)語(yǔ)義分割模型實(shí)現(xiàn)自動(dòng)化提取SAR影像水稻種植面積及其相關(guān)研究的潛在價(jià)值。主要的... 

【文章來(lái)源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 遙感監(jiān)測(cè)水稻種植面積的研究現(xiàn)狀
            1.2.1.1 光學(xué)遙感水稻種植面積提取的國(guó)內(nèi)外研究現(xiàn)狀
            1.2.1.2 雷達(dá)遙感水稻種植面積提取的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)分類(lèi)算法在植被面積提取的研究現(xiàn)狀
    1.3 研究?jī)?nèi)容
    1.4 研究方案與技術(shù)路線
    1.5 論文結(jié)構(gòu)
第二章 深度卷積神經(jīng)網(wǎng)絡(luò)的理論及應(yīng)用研究
    2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.1.1 人工神經(jīng)元
        2.1.2 前饋神經(jīng)網(wǎng)絡(luò)
        2.1.3 反向傳播算法
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)的特性
        2.2.2 網(wǎng)絡(luò)結(jié)構(gòu)及特征提取過(guò)程
            2.2.2.1 卷積層
            2.2.2.2 池化層
            2.2.2.3 激活層
            2.2.2.4 批量歸一化
        2.2.3 網(wǎng)絡(luò)正則化約束
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割
    2.4 基于SAR影像特點(diǎn)的模型遷移學(xué)習(xí)
    2.5 本章小結(jié)
第三章 基于雷達(dá)影像的水稻標(biāo)簽數(shù)據(jù)集創(chuàng)建
    3.1 研究區(qū)域概述
    3.2 RADARSAT-2 數(shù)據(jù)
    3.3地面觀測(cè)實(shí)驗(yàn)
        3.3.1 實(shí)驗(yàn)?zāi)康?br>        3.3.2 實(shí)驗(yàn)方案
    3.4 雷達(dá)影像的參數(shù)提取與分析
        3.4.1 RADARSAT-2 后向散射系數(shù)提取
        3.4.2 Freeman-Durden目標(biāo)極化分解參數(shù)提取
        3.4.3 各類(lèi)地物的SAR參數(shù)時(shí)序特性分析
    3.5 基于0IF的參數(shù)組合與排序
    3.6 標(biāo)簽數(shù)據(jù)集制作
        3.6.1 圖像融合與區(qū)域裁剪
        3.6.2 水稻標(biāo)簽制作
        3.6.3 數(shù)據(jù)集的創(chuàng)建與擴(kuò)展
    3.7 本章小結(jié)
第四章 基于深度學(xué)習(xí)語(yǔ)義分割模型的水稻種植面積提取
    4.1 實(shí)驗(yàn)環(huán)境搭建
        4.1.1 硬件與軟件
        4.1.2 主要功能實(shí)現(xiàn)
    4.2 網(wǎng)絡(luò)模型及其結(jié)構(gòu)
    4.3 模型精度評(píng)價(jià)指標(biāo)
    4.4 網(wǎng)絡(luò)訓(xùn)練過(guò)程
        4.4.1 損失函數(shù)的選取
        4.4.2 優(yōu)化器算法的設(shè)置
        4.4.3 不同模型的超參數(shù)優(yōu)化
            4.4.3.1 學(xué)習(xí)率的優(yōu)化
            4.4.3.2 學(xué)習(xí)率衰減系數(shù)的優(yōu)化
    4.5 不同模型的實(shí)驗(yàn)結(jié)果對(duì)比與分析
        4.5.1 水稻面積自動(dòng)化提取結(jié)果
        4.5.2 模型精度分析
    4.6 本章小結(jié)
第五章 水稻面積提取的數(shù)據(jù)集性能及最佳參數(shù)組合探究
    5.1 不同SAR水稻數(shù)據(jù)集的分類(lèi)性能研究
        5.1.1 基于不同SAR數(shù)據(jù)集的模型訓(xùn)練及提取結(jié)果
        5.1.2 不同SAR數(shù)據(jù)集的分類(lèi)性能評(píng)估與分析
    5.2 水稻面積提取的模型特征圖可視化
    5.3 基于模型特征圖的水稻面積提取參數(shù)重要性探究
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 主要結(jié)論
    6.2 研究展望
致謝
參考文獻(xiàn)
攻讀碩士期間取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]Research advances of SAR remote sensing for agriculture applications: A review[J]. LIU Chang-an,CHEN Zhong-xin,SHAO Yun,CHEN Jin-song,Tuya Hasi,PAN Hai-zhu.  Journal of Integrative Agriculture. 2019(03)
[2]深度神經(jīng)網(wǎng)絡(luò)的高分三號(hào)全極化SAR圖像分類(lèi)方法[J]. 張佳琪,張繼賢,趙爭(zhēng).  測(cè)繪科學(xué). 2019(02)
[3]典型濱海濕地植被全極化SAR顯著性特征分析與融合分類(lèi)[J]. 萬(wàn)劍華,張乃心,任廣波,劉善偉.  測(cè)繪地理信息. 2018(05)
[4]無(wú)人機(jī)遙感影像面向?qū)ο蠓诸?lèi)方法估算市域水稻面積[J]. 吳金勝,劉紅利,張錦水.  農(nóng)業(yè)工程學(xué)報(bào). 2018(01)
[5]基于Radarsat-2的水稻種植面積提取[J]. 單捷,邱琳,孫玲,王志明.  江蘇農(nóng)業(yè)學(xué)報(bào). 2017(03)
[6]多時(shí)相遙感影像檢測(cè)平樂(lè)縣晚稻種植面積變化[J]. 黃維,黃進(jìn)良,王立輝,胡硯霞,韓鵬鵬,王久玲.  農(nóng)業(yè)工程學(xué)報(bào). 2014(21)
[7]基于異源多時(shí)相遙感數(shù)據(jù)決策樹(shù)的作物種植面積提取研究[J]. 張旭東,遲道才.  沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2014(04)
[8]TM遙感影像植被信息提取的最佳波段組合選擇——以福建省松溪至建甌高速公路為例[J]. 郭娜,劉劍秋.  福建師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(01)
[9]全極化雷達(dá)數(shù)據(jù)目標(biāo)分解方法應(yīng)用研究[J]. 徐星歐,舒寧,李磊.  測(cè)繪通報(bào). 2010(10)
[10]多時(shí)相MODIS影像的浙江省水稻種植面積信息提取方法研究[J]. 鄭長(zhǎng)春,王秀珍,黃敬峰.  浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版). 2009(01)

博士論文
[1]深度卷積神經(jīng)網(wǎng)絡(luò)在遙感影像分類(lèi)的應(yīng)用研究[D]. 王海軍.中國(guó)地質(zhì)大學(xué)(北京) 2018

碩士論文
[1]基于多時(shí)相RADARSAT-2數(shù)據(jù)的水稻物候監(jiān)測(cè)[D]. 何澤.電子科技大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的城市區(qū)域建筑物自動(dòng)提取研究[D]. 劉文濤.電子科技大學(xué) 2018
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)特征的地表覆蓋分類(lèi)研究[D]. 張偉.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2017
[4]基于深度學(xué)習(xí)的溯源視頻目標(biāo)檢測(cè)與識(shí)別[D]. 劉健.東南大學(xué) 2016
[5]基于神經(jīng)網(wǎng)絡(luò)的上海光源光束線故障預(yù)警的方法研究[D]. 孫皓.中國(guó)科學(xué)院研究生院(上海應(yīng)用物理研究所) 2016
[6]極化SAR圖像特征提取與分類(lèi)方法研究[D]. 姜媛.電子科技大學(xué) 2016
[7]基于全極化雷達(dá)的目標(biāo)識(shí)別方法研究[D]. 丁維雷.哈爾濱工程大學(xué) 2013



本文編號(hào)：3188241