基于CNN和农作物光谱纹理特征进行作物分布制图 |
| |
引用本文: | 周壮,李盛阳,张康,邵雨阳.基于CNN和农作物光谱纹理特征进行作物分布制图[J].遥感技术与应用,2019(4). |
| |
作者姓名: | 周壮 李盛阳 张康 邵雨阳 |
| |
作者单位: | 中国科学院空间应用工程与技术中心;中国科学院太空应用重点实验室;中国科学院大学 |
| |
摘 要: | 以卷积神经网络(Convolutional Neural Network,CNN)为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机(SVM)常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明:①基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;②引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。
|
本文献已被 CNKI 等数据库收录! |
|