基于深度学习的非洲中心支轴式喷灌农田提取研究

发布时间：2020-03-19 12:37

【摘要】：深度学习通过对数据特征的自动提取和训练,旨在建立模拟人脑思维的神经网络。针对于遥感图像数据量大的特点,将深度学习理论技术应用到遥感图像处理中是遥感领域亟待解决的新兴问题。研究农业中的农田目标,可以为农业产量预测、资源分配、农作物分类和农业经济规划等提供重要的参考和服务。中心支轴式喷灌系统通过一个带有轮子的喷灌管道,围绕一个中心点使用洒水器给农作物浇水,从空中鸟瞰呈现独特的圆形或者扇形。该灌溉方式需要昂贵的液压技术和电力技术等的支持,可以实现农田的自动化灌溉,商业化程度高,目前在许多国家地区得到广泛应用。本论文主要以非洲赞比亚为研究区,以哨兵2A卫星2017.1-2018.8年云量少于10%的多光谱图像为数据来源,制作数据集并利用目标检测网络对中心支轴式喷灌农田进行检测,然后在检测框范围内提取出农田,最后将所有农田制作成瓦片地图,并发布到开发的农业遥感信息平台上。主要内容如下:1)研究传统遥感图像处理方法,用以提取图像中的中心支轴式喷灌农田,包括基于可变区域的几何有效轮廓方法,霍夫变换等,并结合两种方法提取农田,发现错误提取不是农田的目标,并粗略探讨了基于像元点遥感图像方法容易受到其他像元点影响的共性问题。2)研究神经网络原理,以及基于候选区域的目标检测网络,R-CNN,Fast R-CNN和Faster R-CNN。然后根据哨兵2A的多光谱图像制作了Pascal Voc格式的数据集,并利用Faster R-CNN在制作的图像数据集上训练测试,发现对于小目标农田有比较严重的漏检现象。3)针对Faster R-CNN的漏检现象,对Faster R-CNN模型进行了改进。针对小目标农田的大小尺寸,将锚点的尺寸从默认的{128~2,252~2,512~2}改为{32~2,64~2,96~2,128~2},从而能准确的检测到较小的农田,改进后网络测试的准确率、召回率、AP分别达到88.13%,98.96%,90.66%。针对小目标农田检测结果进行分析,发现改进后,面积小于1600px的小目标农田检测召回率由66.7%提升至86.3%,面积小于2500px的由94.3%提升至97.7%。4)在目标检测的检测框内利用基于可变区域的几何有效轮廓方法和霍夫变换提取农田,从而屏蔽了农田目标范围外其他地物的影响,从而可以准确的提取出农田,2017年的结果准确率和召回率达到91.79%和93.44%,2018年的达到89.59%,94.02%。5)利用GDAL类库将提取结果制作成瓦片地图,然后利用Django、Openlayers等框架以及前端相关技术栈开发农业遥感信息平台,最终将瓦片地图发布到该系统平台上。
【图文】：

反射率曲线,植被光谱,反射率曲线,辐射亮度

2.1 植被指数农田提取方法研究2.1.1 植被指数在遥感图像中，，已知植被的光谱反射曲线如图2-1。图 2-1 植被光谱反射率曲线从图中可看出，植被在近红外波段和红光波段的光谱反射率有着较大差异，因此在遥感应用中出现植被指数这一概念[33]。比值植被指数是较早被提出的一种，定义如公式 2-1。NIRRDNRVIDN= (2-1)其中 DN 为遥感图像中像素点的辐射亮度值，DNnir 表示近红外波段的辐射亮度值，DNr 表示红光波段的辐射亮度值。然而对于地表植被浓密的地物，从图 2-1中可以看出红光的反射率很小，其辐射亮度也相应的很小，那么由公式 2-1 可知其值将变得很大，甚至趋近无穷大。为了避免这种情况，则考虑将植被指数进行非线性的归一化

空间,平面,点空间,参数空间

图 2-2 X-Y 平面点在 a-b-r 空间同一圆上的点则对应于参数空间中无数的圆交于一点0 0 0( a , b , r )。因此通过判断多个点空间的圆，同时也可以得到圆的参数，如图
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP18;S275.5

【参考文献】