基于深度学习和雷达遥感数据的水稻种植面积提取研究

发布时间：2021-05-15 19:55

　　水稻作为一种极其重要的全球性粮食作物,保障了世界约50%人口的食物来源。及时、客观、准确的水稻种植面积提取对各国政府制定粮食政策具有重要的参考价值。遥感影像能够反映植株的不同生长状态特征,在农业研究领域具有明显优势。水稻主要生长于雨水充足,云量密集的区域,传统光学卫星却难以实现连续和高质量成像。因此,不受气候等因素影响的合成孔径雷达（Synthetic Aperture Radar,SAR）成为了多云雨环境中地物探测的重要手段。全极化SAR在提取地物纹理等方面优势独特,其后向散射系数和目标极化分解参数对作物监测具有重要意义。近年来,深度学习在自然场景分类的成就吸引了遥感领域的广泛关注。该方法表达、自学习及容错能力突出,能够分层、高效且准确地从遥感图像中提取具有代表和区分性的特征。然而,由于图像质量和数据集规模等限制,深度学习针对遥感影像尤其SAR的水稻等作物提取仍处于挖掘阶段。本文针对深度学习在水稻面积提取的研究现状,以四川省眉山市为研究区域,通过创建具有不同SAR参数组合信息的各组水稻数据集,挖掘了深度学习语义分割模型实现自动化提取SAR影像水稻种植面积及其相关研究的潜在价值。主要的... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 遥感监测水稻种植面积的研究现状
            1.2.1.1 光学遥感水稻种植面积提取的国内外研究现状
            1.2.1.2 雷达遥感水稻种植面积提取的国内外研究现状
        1.2.2 深度学习分类算法在植被面积提取的研究现状
    1.3 研究内容
    1.4 研究方案与技术路线
    1.5 论文结构
第二章 深度卷积神经网络的理论及应用研究
    2.1 人工神经网络
        2.1.1 人工神经元
        2.1.2 前馈神经网络
        2.1.3 反向传播算法
    2.2 卷积神经网络
        2.2.1 卷积神经网络的特性
        2.2.2 网络结构及特征提取过程
            2.2.2.1 卷积层
            2.2.2.2 池化层
            2.2.2.3 激活层
            2.2.2.4 批量归一化
        2.2.3 网络正则化约束
    2.3 基于卷积神经网络的图像分割
    2.4 基于SAR影像特点的模型迁移学习
    2.5 本章小结
第三章 基于雷达影像的水稻标签数据集创建
    3.1 研究区域概述
    3.2 RADARSAT-2 数据
    3.3地面观测实验
        3.3.1 实验目的
        3.3.2 实验方案
    3.4 雷达影像的参数提取与分析
        3.4.1 RADARSAT-2 后向散射系数提取
        3.4.2 Freeman-Durden目标极化分解参数提取
        3.4.3 各类地物的SAR参数时序特性分析
    3.5 基于0IF的参数组合与排序
    3.6 标签数据集制作
        3.6.1 图像融合与区域裁剪
        3.6.2 水稻标签制作
        3.6.3 数据集的创建与扩展
    3.7 本章小结
第四章 基于深度学习语义分割模型的水稻种植面积提取
    4.1 实验环境搭建
        4.1.1 硬件与软件
        4.1.2 主要功能实现
    4.2 网络模型及其结构
    4.3 模型精度评价指标
    4.4 网络训练过程
        4.4.1 损失函数的选取
        4.4.2 优化器算法的设置
        4.4.3 不同模型的超参数优化
            4.4.3.1 学习率的优化
            4.4.3.2 学习率衰减系数的优化
    4.5 不同模型的实验结果对比与分析
        4.5.1 水稻面积自动化提取结果
        4.5.2 模型精度分析
    4.6 本章小结
第五章 水稻面积提取的数据集性能及最佳参数组合探究
    5.1 不同SAR水稻数据集的分类性能研究
        5.1.1 基于不同SAR数据集的模型训练及提取结果
        5.1.2 不同SAR数据集的分类性能评估与分析
    5.2 水稻面积提取的模型特征图可视化
    5.3 基于模型特征图的水稻面积提取参数重要性探究
    5.4 本章小结
第六章 总结与展望
    6.1 主要结论
    6.2 研究展望
致谢
参考文献
攻读硕士期间取得的成果


【参考文献】：
期刊论文
[1]Research advances of SAR remote sensing for agriculture applications: A review[J]. LIU Chang-an,CHEN Zhong-xin,SHAO Yun,CHEN Jin-song,Tuya Hasi,PAN Hai-zhu.  Journal of Integrative Agriculture. 2019(03)
[2]深度神经网络的高分三号全极化SAR图像分类方法[J]. 张佳琪,张继贤,赵争.  测绘科学. 2019(02)
[3]典型滨海湿地植被全极化SAR显著性特征分析与融合分类[J]. 万剑华,张乃心,任广波,刘善伟.  测绘地理信息. 2018(05)
[4]无人机遥感影像面向对象分类方法估算市域水稻面积[J]. 吴金胜,刘红利,张锦水.  农业工程学报. 2018(01)
[5]基于Radarsat-2的水稻种植面积提取[J]. 单捷,邱琳,孙玲,王志明.  江苏农业学报. 2017(03)
[6]多时相遥感影像检测平乐县晚稻种植面积变化[J]. 黄维,黄进良,王立辉,胡砚霞,韩鹏鹏,王久玲.  农业工程学报. 2014(21)
[7]基于异源多时相遥感数据决策树的作物种植面积提取研究[J]. 张旭东,迟道才.  沈阳农业大学学报. 2014(04)
[8]TM遥感影像植被信息提取的最佳波段组合选择——以福建省松溪至建瓯高速公路为例[J]. 郭娜,刘剑秋.  福建师范大学学报(自然科学版). 2012(01)
[9]全极化雷达数据目标分解方法应用研究[J]. 徐星欧,舒宁,李磊.  测绘通报. 2010(10)
[10]多时相MODIS影像的浙江省水稻种植面积信息提取方法研究[J]. 郑长春,王秀珍,黄敬峰.  浙江大学学报(农业与生命科学版). 2009(01)

博士论文
[1]深度卷积神经网络在遥感影像分类的应用研究[D]. 王海军.中国地质大学(北京) 2018

硕士论文
[1]基于多时相RADARSAT-2数据的水稻物候监测[D]. 何泽.电子科技大学 2019
[2]基于卷积神经网络的城市区域建筑物自动提取研究[D]. 刘文涛.电子科技大学 2018
[3]基于深度卷积神经网络自学习特征的地表覆盖分类研究[D]. 张伟.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[4]基于深度学习的溯源视频目标检测与识别[D]. 刘健.东南大学 2016
[5]基于神经网络的上海光源光束线故障预警的方法研究[D]. 孙皓.中国科学院研究生院(上海应用物理研究所) 2016
[6]极化SAR图像特征提取与分类方法研究[D]. 姜媛.电子科技大学 2016
[7]基于全极化雷达的目标识别方法研究[D]. 丁维雷.哈尔滨工程大学 2013



本文编号：3188241