论文部分内容阅读
水稻作为一种极其重要的全球性粮食作物,保障了世界约50%人口的食物来源。及时、客观、准确的水稻种植面积提取对各国政府制定粮食政策具有重要的参考价值。遥感影像能够反映植株的不同生长状态特征,在农业研究领域具有明显优势。水稻主要生长于雨水充足,云量密集的区域,传统光学卫星却难以实现连续和高质量成像。因此,不受气候等因素影响的合成孔径雷达（Synthetic Aperture Radar,SAR）成为了多云雨环境中地物探测的重要手段。全极化SAR在提取地物纹理等方面优势独特,其后向散射系数和目标极化分解参数对作物监测具有重要意义。近年来,深度学习在自然场景分类的成就吸引了遥感领域的广泛关注。该方法表达、自学习及容错能力突出,能够分层、高效且准确地从遥感图像中提取具有代表和区分性的特征。然而,由于图像质量和数据集规模等限制,深度学习针对遥感影像尤其SAR的水稻等作物提取仍处于挖掘阶段。本文针对深度学习在水稻面积提取的研究现状,以四川省眉山市为研究区域,通过创建具有不同SAR参数组合信息的各组水稻数据集,挖掘了深度学习语义分割模型实现自动化提取SAR影像水稻种植面积及其相关研究的潜在价值。主要的研究内容和结论如下:（1）提取全极化RADARSAT-2影像的后向散射系数（VH、VV、HH、HV）及Freeman-Durden目标极化分解三参量共计7个参数,并综合考虑图像信息含量及模型训练的有效性,按照常用的三波段进行参数排列组合。以实地调研数据及同时相SPOT-6的光谱特征为辅助信息完成地面水稻图斑的标定。并利用最佳指数法（Optimum index factor,OIF）对所得的35种不同组合方式进行排序与分组,创建了基于SAR影像的7组不同的水稻标签数据集并进行数据集扩展。（2）通过深度学习和迁移学习的理论探究,首先以第一组数据集Ds1为输入数据分别对MobileUNet、BiSeNet及GCN模型进行超参数优化与网络训练,实现研究区水稻种植面积的自动化提取及最佳模型的选取。实验证明:针对光学影像的该三种模型同样适用于SAR影像研究,并且相较于其他两种模型,适合于小样本训练的MobileUNet在水稻细节信息获取方面具有独特优势,其测试实验的Precision、Recall和MIoU分别为0.964,0.962和0.826。（3）将其余6组数据集作为MobileUNet模型的输入数据进行分组训练,以探讨不同数据集的水稻面积提取性能。并对不同参数组合影像所对应的模型中间特征图进行可视化及信息差异分析,探究不同参数及其最佳组合对水稻种植面积提取的重要性。结果表明:水稻面积提取性能与其模型所采用的数据集在OIF排列趋势具有相似性,并且包含更多目标极化分解参数信息的数据集Ds1对水稻面积提取效果最佳;而相对于其他参数组合影像或直接使用目标极化分解参数和后向散射系数影像,Dbl、Surf与HH的组合方式更适合高效提取水稻种植面积,其测试结果的Precision、Recall和MIoU指标值分别为0.96、0.957和0.823;且后向散射系数HH对水稻信息具有重要性,该结论亦与极化SAR回波理论相一致。