论文部分内容阅读
农田作为一种战略性自然资源,是确保我国粮食生产安全的物质基础和重要前提,快速、准确地获取农田空间分布特征与作物种植类别,掌握其耕种状态,是政府部门重点关注的工作之一。随着遥感技术的发展,高分辨率遥感影像已成为一种获取高效、质量可靠的遥感数据源,当前,利用此类遥感影像开展大范围典型农作物分类研究对促进农业现代化、维护地区生态稳定与可持续发展具有极为重要的现实意义。使用传统的分类方法进行遥感信息提取,往往不能很好地利用影像中的高维特征,难以获取理想的分类效果。卷积神经网络作为一门新兴技术,凭借其多层卷积、权值共享、旋转位移不变性等特点,可有效提取影像深层次特征进而完成决策分类,近年来在目标提取、图像分类、场景解译等应用方面均取得良好效果,为更加充分的利用高分辨率遥感影像细节信息以得到理想的分类结果带来了新思路。在此背景下,本文开展的研究工作及相关成果如下:(1)针对农作物高分辨率遥感影像中光谱信息少、纹理特征利用不充分导致识别精度低、椒盐噪声严重等问题,将深度学习技术用于农作物分类识别。分别选取复合翼无人机,GF1卫星高空遥感平台,搭载遥感成像设备,获取沙湾县及尉犁县地区遥感数据。根据获取的高分辨率遥感数据特点和当地农作物物候信息,设计卷积神经网络提取农作物精细分类信息。(2)以无人机数据为基础,通过调整网络参数设置及样本光谱组合,将训练过程的参数优化分为不同组别,探讨了相关参数调整对卷积神经网络农作物分类精度的影响。结果表明,卷积神经网络能够有效地提取无人机高分辨率遥感影像中的农作物信息,除地块边缘由于农作物种植稀疏、混杂会产生少许错分现象,其他区域均得到较好的分类效果,经训练优化后的网络模型对三种典型农作物整体分类精度可达98%。训练过程中,模型参数的调整会影响模型最终训练的结果,对于影像中典型农作物密度高、特征小、纹理丰富的特点,应采用大学习率(0.1)、小卷积核(7×7)的网络模型进行特征提取与分类,在加快网络精度收敛的同时确保样本中微小特征的提取不被遗漏。样本中的不同光谱特征组合同样会对网络模型的训练产生影响,在可见光波段中,包含蓝光波段相比包含于绿光和红光波段的样本,更有利于训练卷积神经网络进行农作物识别,样本同时包含三种波段则会带来更高的训练识别精度和更稳定的识别效果。(3)以卫星遥感数据为对象,选取U-Net模型进行耕地空间及其类别信息提取,为充分利用研究区物候特征,提升识别效果,结合冬夏两期遥感影像物候特征设计判别条件,同时将植被指数NDVI值和纹理特征灰度共生矩阵能量值作为特征波段,加入网络进行训练,分别获取农田(棉花覆盖耕地)、果林及未耕作耕地的U-Net识别模型,综合模型识别结果与判别条件最终确定研究区覆被类型。对于高分辨率卫星遥感数据,U-Net模型能较好的提取农田信息,对研究区棉花覆盖耕地的识别准确度可达90.83%。加入冬季数据、植被指数及纹理特征波段进行训练后,可有效提升模型对果林耕地、未耕作耕地的识别效果,整体识别准确度分别为88.39%、79.51%,相比于传统方法提升了4.67%和6.11%。借助判别条件和冬夏两期数据有助于增加对套种耕地的提取精度,同时与传统分类算法支持向量机和随机森林分类器相比,该方法能够减少地块内同种作物间的“椒盐噪声”,避免对未耕作耕地的大规模错分现象。