LSTM支持下时序Sentinel-1A数据的太白山区植被制图
发布时间：2021-10-27 17:11
植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明:①与传统机器学习方法（如RF、SVM）相比,本文提出的深度循环网络方法的分类精度提高10%以上;②在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林...
【文章来源】：地球信息科学学报. 2020,22(12)北大核心CSCD
【文章页数】：11 页
【部分图文】：
陕西秦岭太白山位置及高程
本研究研发了一种基于深度学习LSTM模型,应用于时序Sentinel-1A SAR数据的植被制图方法，如图2所示。首先，对DEM高程数据与Sentinel-2光学影像进行多尺度分割，生成研究区分割地块图，并参考谷歌影像剔除非植被地块，生成研究区植被地块图；然后，对多时相Sentinel-1A SAR数据进行预处理，生成时间序列影像；接着将时序SAR影像映射到植被地块图上，构建每个地块的多元时间序列曲线；最后，构建并训练基于LSTM循环神经网络的植被时序分类模型，对地块时序曲线分类生成研究区的植被分类图，并与传统方法比较。2.3.1 数据预处理
RNN是一种递归神经网络，相比一般的神经网络，能够分析处理时间序列变化数据，处理时序遥感数据时会利用时间相关性，能充分使用时间序列信息所反映的植被的物候特征，具有其独特的优势。实际应用中为了提高学习效率通常会用到RNN的变体LSTM。LSTM是一种应用广泛的RNN变体，可以有效解决梯度消失的问题，能够在更长的时间序列中有更好的表现。LSTM神经元能在任意长短的时间间隔内有选择地记住值。LSTM的基本单元都有4个输入和1个输出，内部具有输入门、输出门和遗忘门三道门，以门控制的方式舍弃不重要信息保留重要信息从而提高模型学习能力。输入门打开时把值写进记忆神经元，对当前输入进行选择性记忆。输出门控制当前状态是否输出。遗忘门决定记忆神经元是否要清除之前的值。(2)LSTM分类
【参考文献】：
期刊论文
[1]基于特征压缩激活Unet网络的建筑物提取[J]. 刘浩,骆剑承,黄波,杨海平,胡晓东,徐楠,夏列钢. 地球信息科学学报. 2019(11)
[2]基于Sentinel-2时序多特征的植被分类[J]. 郭文婷,张晓丽. 浙江农林大学学报. 2019(05)
[3]基于垂直带谱的太白山区山地植被遥感信息提取[J]. 张俊瑶,姚永慧,索南东主,郜丽静,王晶,张兴航. 地球信息科学学报. 2019(08)
[4]中国南北过渡带研究的十大科学问题[J]. 张百平. 地理科学进展. 2019(03)
[5]Forest type identification by random forest classification combined with SPOT and multitemporal SAR data[J]. Ying Yu,Mingze Li,Yu Fu. Journal of Forestry Research. 2018(05)
[6]基于植被分区的中国植被类型分类方法[J]. 郝莹莹,罗小波,仲波,杨爱霞. 遥感技术与应用. 2017(02)
[7]HJ-1A NDVI与MODIS NDVI时间序列提取植被物候特征对比研究[J]. 冯莉,李柳华,郭松,卢荻. 遥感技术与应用. 2016(06)
[8]WorldView-2近红外光谱波段反演马尾松植被信息的比较研究[J]. 胡秀娟,徐涵秋,黄绍霖,张灿,唐菲. 地球信息科学学报. 2016(04)
[9]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕. 测绘科学. 2016(09)
[10]基于高分辨率遥感影像的城市典型乔木树种分类研究[J]. 李丹,柯樱海,宫辉力,李小娟,邓曾. 地理与地理信息科学. 2016(01)
本文编号：3462032
【文章来源】：地球信息科学学报. 2020,22(12)北大核心CSCD
【文章页数】：11 页
【部分图文】：
陕西秦岭太白山位置及高程
本研究研发了一种基于深度学习LSTM模型,应用于时序Sentinel-1A SAR数据的植被制图方法，如图2所示。首先，对DEM高程数据与Sentinel-2光学影像进行多尺度分割，生成研究区分割地块图，并参考谷歌影像剔除非植被地块，生成研究区植被地块图；然后，对多时相Sentinel-1A SAR数据进行预处理，生成时间序列影像；接着将时序SAR影像映射到植被地块图上，构建每个地块的多元时间序列曲线；最后，构建并训练基于LSTM循环神经网络的植被时序分类模型，对地块时序曲线分类生成研究区的植被分类图，并与传统方法比较。2.3.1 数据预处理
RNN是一种递归神经网络，相比一般的神经网络，能够分析处理时间序列变化数据，处理时序遥感数据时会利用时间相关性，能充分使用时间序列信息所反映的植被的物候特征，具有其独特的优势。实际应用中为了提高学习效率通常会用到RNN的变体LSTM。LSTM是一种应用广泛的RNN变体，可以有效解决梯度消失的问题，能够在更长的时间序列中有更好的表现。LSTM神经元能在任意长短的时间间隔内有选择地记住值。LSTM的基本单元都有4个输入和1个输出，内部具有输入门、输出门和遗忘门三道门，以门控制的方式舍弃不重要信息保留重要信息从而提高模型学习能力。输入门打开时把值写进记忆神经元，对当前输入进行选择性记忆。输出门控制当前状态是否输出。遗忘门决定记忆神经元是否要清除之前的值。(2)LSTM分类
【参考文献】：
期刊论文
[1]基于特征压缩激活Unet网络的建筑物提取[J]. 刘浩,骆剑承,黄波,杨海平,胡晓东,徐楠,夏列钢. 地球信息科学学报. 2019(11)
[2]基于Sentinel-2时序多特征的植被分类[J]. 郭文婷,张晓丽. 浙江农林大学学报. 2019(05)
[3]基于垂直带谱的太白山区山地植被遥感信息提取[J]. 张俊瑶,姚永慧,索南东主,郜丽静,王晶,张兴航. 地球信息科学学报. 2019(08)
[4]中国南北过渡带研究的十大科学问题[J]. 张百平. 地理科学进展. 2019(03)
[5]Forest type identification by random forest classification combined with SPOT and multitemporal SAR data[J]. Ying Yu,Mingze Li,Yu Fu. Journal of Forestry Research. 2018(05)
[6]基于植被分区的中国植被类型分类方法[J]. 郝莹莹,罗小波,仲波,杨爱霞. 遥感技术与应用. 2017(02)
[7]HJ-1A NDVI与MODIS NDVI时间序列提取植被物候特征对比研究[J]. 冯莉,李柳华,郭松,卢荻. 遥感技术与应用. 2016(06)
[8]WorldView-2近红外光谱波段反演马尾松植被信息的比较研究[J]. 胡秀娟,徐涵秋,黄绍霖,张灿,唐菲. 地球信息科学学报. 2016(04)
[9]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕. 测绘科学. 2016(09)
[10]基于高分辨率遥感影像的城市典型乔木树种分类研究[J]. 李丹,柯樱海,宫辉力,李小娟,邓曾. 地理与地理信息科学. 2016(01)
本文编号：3462032
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3462032.html
