發(fā)布時間：2021-09-22 03:13

　　【目的】探討深度卷積神經網絡在機載高光譜數據分類中的應用,以提高亞熱帶地區(qū)森林樹種分類精度�！痉椒ā恳詮V西南寧高峰林場為試驗區(qū),基于中國林業(yè)科學研究院Li CHy系統獲取的機載高光譜數據,以三維卷積層為基礎,提出一種高效的卷積神經網絡（CNN）結構。CNN模型以端到端方式處理高光譜影像分析問題,將原始數據作為輸入,不需要降維或特征篩選,可省去傳統分類方法在不同程度上人工篩選特征的工作;網絡中3D卷積層可同時提取光譜特征和空間特征,學習特征立方體空間和光譜維度的局部信號變化,利用重要的識別特征進行分類,以提高對高光譜影像的判別能力。針對機載高光譜數據維度高、訓練樣本相對較少的問題,對模型進行優(yōu)化,以避免過擬合�！窘Y果】相較傳統的特征篩選與面向對象分割結合的方法,本研究提出的3D-CNN結構森林樹種總體分類精度達98.38%,Kappa系數為0.98,與隨機森林特征選擇結合支持向量機分類相比,總體精度提高8.82%,Kappa系數提高0.11;小樣本訓練情況下（減少75%訓練樣本）,總體精度仍可達95.89%,Kappa系數為0.94�！窘Y論】三維卷積神經網絡在處理機載高光譜影像特征提取和... 

【文章來源】：林業(yè)科學. 2020,56(11)北大核心EICSCD

【文章頁數】：11 頁

【部分圖文】：

廣西南寧高峰林場界牌分場

4) Logistic回歸:在全連接層后添加邏輯回歸分類器。Logistic回歸分類器采用針對多分類任務的softmax，將一層輸入特征展平后，輸出屬于類i的輸入特征的概率:式中:W為權重;b為偏差;Wi和bi為連接i類輸出單元的權重和偏差;Y為分類結果;s為softmax函數。輸出層中隱藏單元數量等于類別的總數。

首先選擇最佳分割參數進行圖像分割，然后采用分層分類方法將非林地去除，避免與各樹種混淆;從機載高光譜影像中提取特征變量，包括獨立成分分析(independent component analysis,ICA)降維波段、光譜指數、紋理特征及由Li CHy系統同步搭載的Li DAR數據獲取的冠層高度模型(canopy height model,CHM)特征(特征見表3);利用隨機森林法選擇最優(yōu)特征變量。采用2種方案完成樹種分類:1)將上述所有特征疊加，使用SVM分類器對分割后的對象進行分類;2)采用隨機森林特征篩選方法從表3的特征中篩選出18個特征變量用于樹種分類，篩選的特征包括4個ICA變換特征、7個植被指數特征(包括歸一化植被指數NDVI、光化學植被指數PRI、綠度歸一化植被指數GNDVI、植被衰減指數PSRI、結構不敏感色素指數SIPI和花青素反射指數1ARI1)、6個紋理特征(HOM＿G550、ENT＿G550、CON＿G550、COR＿G550、DIS＿G650和DIS＿R650)以及CHM特征。

【參考文獻】：
期刊論文
[1]基于改進轉換分離度特征選擇規(guī)則的土地覆蓋分類比較[J]. 張瑩,張曉麗,李宏志,黎良財.  林業(yè)科學. 2018(08)
[2]三維卷積神經網絡模型聯合條件隨機場優(yōu)化的高光譜遙感影像分類[J]. 李竺強,朱瑞飛,高放,孟祥玉,安源,鐘興.  光學學報. 2018(08)
[3]分割尺度對面向對象樹種分類的影響及評價[J]. 毛學剛,陳文曲,魏晶昱,范文義.  林業(yè)科學. 2017(12)
[4]機載AISA Eagle Ⅱ高光譜數據處理——以額濟納旗試驗區(qū)為例[J]. 莢文,龐勇,岳彩榮,李增元,車濤,馬明國.  遙感技術與應用. 2016(03)



本文編號：3403022