基于邻域聚合与深度学习的小样本荒漠草原物种分类

随着气候变化和人类活动的影响,内蒙古草原逐渐荒漠化。为了解决传统地面调查的局限性,以及高光谱数据小样本分类难的问题。本文利用无人机(unmanned aerial vehicle, UAV)高光谱遥感技术对荒漠草原物种进行数据采集,并提出一种邻域聚合算法结合深度学习的小样本分类方法。首先,通过遗传算法(genetic algorithm, GA)与最佳指数因子(optimum index factor, OIF)对高光谱数据进行波段选择;其次,构建高光谱数据邻域特征,采用邻域聚合算法对其进行邻域特征融合;最后,采用多层感知机(multilayr perceptron, MLP)对融合后的特征进行分类。结果表明,邻域聚合算法在每类地物只有10个样本的情况下总体精度可达93.41%,Kappa系数为0.912 0;并与SVM和多种深度学习模型对比,邻域聚合算法计算效率高、模型大小最小、分类精度最高。该方法的提出,满足草原物种识别要求,为草原生态系统的动态监测提供新方法。     

基于无人机高光谱遥感的荒漠草原覆盖度提取方法研究

植被覆盖度(fractional vegetation coverage, FVC)是草地退化评价的重要指标之一,实时、快速、准确地采集FVC是进行草地退化评价的基础。本文以无人机(unmanned aerial vehicle, UAV)高光谱遥感图像为数据源,提出了3D-ResNet18深度学习覆盖度提取方法,将此方法与回归模型法和ResNet18经典深度学习方法进行比较,并对提取精度进行验证。结果表明,提出的3D-ResNet18方法对荒漠草原FVC展现出较优的提取效果,总体估算精度达97.56%,相比较NDVI、SA-VI、G＿CR＿NDVI、G＿CR＿SAVI和ResNet18分别提高了8.32%、5.92%、2.20%、2.14%和1.87%,为荒漠草原FVC信息高精度和高效率的统计奠定基础。