基于EVI時序特征深度學習的復雜地表景觀區(qū)域水稻遙感精確識別方法
發(fā)布時間:2020-12-19 19:53
及時、準確的水稻空間分布信息在農作物估產、糧食安全、全球氣候變化等多方面發(fā)揮著至關重要的作用。早期獲取農作物信息的途徑以實地調查為主,成本較高且結果精度較差,不利于進一步推廣。遙感技術的快速發(fā)展為水稻信息提取開辟了新的途徑,目前已經發(fā)展得比較成熟。在我國南方地區(qū),由于受到地形、氣候條件等影響,水稻的種植結構復雜,空間分布零散,存在大量耕地被擱置撂荒,而且其多云雨天氣對遙感數據的收集來說也是一個很大的挑戰(zhàn)。因此,利用遙感技術對該地區(qū)的水稻進行精確提取尚面臨一些挑戰(zhàn)。本研究以具有高時間分辨率的HJ-1A/B多光譜影像為主要數據源,提出了一種適用于復雜地表景觀區(qū)域的水稻信息精確提取方法。具體內容主要包括以下幾方面:(1)考慮到歸一化植被指數(NDVI)易出現的過飽和特點,使用增強型植被指數(EVI)作為監(jiān)測植被生長狀態(tài)的重要指標。通過構建不同地物類型的EVI時間序列,分析它們的生長變化特征。其中,水稻在不同的物候階段表現出明顯的特征差異。(2)借助深度學習技術,基于EVI時序特征提出一種復雜地表景觀區(qū)域水稻信息精確提取方法。作為深度學習領域的一個研究熱點,卷積神經網絡(CNN)由于其多層結構...
【文章來源】:中國地質大學(北京)北京市 211工程院校 教育部直屬院校
【文章頁數】:67 頁
【學位級別】:碩士
【部分圖文】:
基于深度學習模型的水稻遙感精確提取技術路線圖
第 2 章 研究區(qū)概況與數據來源2.1 研究區(qū)概況2.1.1 地形位置特征本文以湖南省株洲市為研究區(qū)。株洲市處于湖南省東部境內,介于 26°03′05″~28°01′07″N、112°57′30″~114°07′15″E 之間,橫跨緯度較廣,總面積達到 11262 平方公里。株洲市水系發(fā)達,湘江干流流經其西北部分區(qū)域。市域內地形起伏變化明顯,其地勢總體上呈東南高、西北低的特點,包括盆地、山地、丘陵、平原等地貌類型,其中主要以山地和丘陵為主,覆蓋范圍約 6593.08 平方千米,占總面積的 58.54%。從高程圖上來看,市域內平均海拔約為 300m,集中分布在東南部的山地最高處海拔可達 2000m,而沿各流域分布的平原地區(qū)海拔多數在 150m 以下(圖 2-1)。
HJ-1B CCD1 1.5295 3.0089 1.4434 4.4487 0.9388 3.2144 0.9343 2.5609HJ-1B CCD2 1.2716 2.2219 1.2302 4.0683 0.8639 5.2537 0.8092 6.3497使用上述定標公式,對原始遙感影像進行輻射定標處理,得到結果如圖2-2所示。圖 2-2 輻射定標效果圖,(a)原始遙感影像標準假彩色合成(b)輻射定標處理后的圖像(a) (b)
【參考文獻】:
期刊論文
[1]融合時間序列環(huán)境衛(wèi)星數據與物候特征的水稻種植區(qū)提取[J]. 柳文杰,曾永年,張猛. 遙感學報. 2018(03)
[2]深度卷積神經網絡特征提取用于地表覆蓋分類初探[J]. 張偉,鄭柯,唐娉,趙理君. 中國圖象圖形學報. 2017(08)
[3]基于卷積神經網絡模型的遙感圖像分類[J]. 付秀麗,黎玲萍,毛克彪,譚雪蘭,李建軍,孫旭,左志遠. 高技術通訊. 2017(03)
[4]時間序列MODIS數據水稻面積提取精度研究[J]. 湯斌,王福民,周柳萍,張東尼. 科技通報. 2017(01)
[5]基于卷積神經網絡的遙感圖像艦船目標檢測[J]. 黃潔,姜志國,張浩鵬,姚遠. 北京航空航天大學學報. 2017(09)
[6]基于時差特征與隨機森林的水稻種植面積提取[J]. 雷小雨,卓莉,葉濤,陶海燕,王芳. 遙感技術與應用. 2016(06)
[7]深度學習在語音識別中的研究進展綜述[J]. 侯一民,周慧瓊,王政一. 計算機應用研究. 2017(08)
[8]利用多光譜衛(wèi)星遙感和深度學習方法進行青藏高原積雪判識[J]. 闞希,張永宏,曹庭,王劍庚,田偉. 測繪學報. 2016(10)
[9]基于深度學習的維吾爾語語句情感傾向分析[J]. 李敏,禹龍,田生偉,吐爾根·依布拉音,艾斯卡爾·艾木都拉. 計算機工程與設計. 2016(08)
[10]基于GF-1/WFVNDVI時間序列數據的作物分類[J]. 楊閆君,占玉林,田慶久,顧行發(fā),余濤,王磊. 農業(yè)工程學報. 2015(24)
碩士論文
[1]基于光譜時間序列擬合的中國南方水稻遙感識別及面積估算方法研究[D]. 宋盼盼.東華理工大學 2017
[2]基于機器學習的遙感圖像水體提取研究[D]. 王知音.新疆大學 2016
[3]基于作物物候特征的水稻種植面積提取研究[D]. 周燕芳.東北師范大學 2015
[4]基于HJ衛(wèi)星影像的水稻種植面積遙感信息提取方法研究[D]. 魏新彩.湖北大學 2013
本文編號:2926479
【文章來源】:中國地質大學(北京)北京市 211工程院校 教育部直屬院校
【文章頁數】:67 頁
【學位級別】:碩士
【部分圖文】:
基于深度學習模型的水稻遙感精確提取技術路線圖
第 2 章 研究區(qū)概況與數據來源2.1 研究區(qū)概況2.1.1 地形位置特征本文以湖南省株洲市為研究區(qū)。株洲市處于湖南省東部境內,介于 26°03′05″~28°01′07″N、112°57′30″~114°07′15″E 之間,橫跨緯度較廣,總面積達到 11262 平方公里。株洲市水系發(fā)達,湘江干流流經其西北部分區(qū)域。市域內地形起伏變化明顯,其地勢總體上呈東南高、西北低的特點,包括盆地、山地、丘陵、平原等地貌類型,其中主要以山地和丘陵為主,覆蓋范圍約 6593.08 平方千米,占總面積的 58.54%。從高程圖上來看,市域內平均海拔約為 300m,集中分布在東南部的山地最高處海拔可達 2000m,而沿各流域分布的平原地區(qū)海拔多數在 150m 以下(圖 2-1)。
HJ-1B CCD1 1.5295 3.0089 1.4434 4.4487 0.9388 3.2144 0.9343 2.5609HJ-1B CCD2 1.2716 2.2219 1.2302 4.0683 0.8639 5.2537 0.8092 6.3497使用上述定標公式,對原始遙感影像進行輻射定標處理,得到結果如圖2-2所示。圖 2-2 輻射定標效果圖,(a)原始遙感影像標準假彩色合成(b)輻射定標處理后的圖像(a) (b)
【參考文獻】:
期刊論文
[1]融合時間序列環(huán)境衛(wèi)星數據與物候特征的水稻種植區(qū)提取[J]. 柳文杰,曾永年,張猛. 遙感學報. 2018(03)
[2]深度卷積神經網絡特征提取用于地表覆蓋分類初探[J]. 張偉,鄭柯,唐娉,趙理君. 中國圖象圖形學報. 2017(08)
[3]基于卷積神經網絡模型的遙感圖像分類[J]. 付秀麗,黎玲萍,毛克彪,譚雪蘭,李建軍,孫旭,左志遠. 高技術通訊. 2017(03)
[4]時間序列MODIS數據水稻面積提取精度研究[J]. 湯斌,王福民,周柳萍,張東尼. 科技通報. 2017(01)
[5]基于卷積神經網絡的遙感圖像艦船目標檢測[J]. 黃潔,姜志國,張浩鵬,姚遠. 北京航空航天大學學報. 2017(09)
[6]基于時差特征與隨機森林的水稻種植面積提取[J]. 雷小雨,卓莉,葉濤,陶海燕,王芳. 遙感技術與應用. 2016(06)
[7]深度學習在語音識別中的研究進展綜述[J]. 侯一民,周慧瓊,王政一. 計算機應用研究. 2017(08)
[8]利用多光譜衛(wèi)星遙感和深度學習方法進行青藏高原積雪判識[J]. 闞希,張永宏,曹庭,王劍庚,田偉. 測繪學報. 2016(10)
[9]基于深度學習的維吾爾語語句情感傾向分析[J]. 李敏,禹龍,田生偉,吐爾根·依布拉音,艾斯卡爾·艾木都拉. 計算機工程與設計. 2016(08)
[10]基于GF-1/WFVNDVI時間序列數據的作物分類[J]. 楊閆君,占玉林,田慶久,顧行發(fā),余濤,王磊. 農業(yè)工程學報. 2015(24)
碩士論文
[1]基于光譜時間序列擬合的中國南方水稻遙感識別及面積估算方法研究[D]. 宋盼盼.東華理工大學 2017
[2]基于機器學習的遙感圖像水體提取研究[D]. 王知音.新疆大學 2016
[3]基于作物物候特征的水稻種植面積提取研究[D]. 周燕芳.東北師范大學 2015
[4]基于HJ衛(wèi)星影像的水稻種植面積遙感信息提取方法研究[D]. 魏新彩.湖北大學 2013
本文編號:2926479
本文鏈接:http://sikaile.net/wenyilunwen/huanjingshejilunwen/2926479.html
最近更新
教材專著