基于预训练卷积神经网络的水稻种植制度遥感分类研究
发布时间：2021-11-12 21:38
水稻是我国重要的粮食作物。由于受到国家农业政策、区域经济和农村劳动力等因素的影响,一个地区的水稻种植制度发生了变化,进而影响了农业资源的综合利用强度、生态环境和粮食安全。遥感具有宏观、动态和快速的特点,是获取区域尺度水稻种植制度变化的便捷途径。本文选取湖南株洲水稻种植区域为实验区。由于中国南方多云雨天气,遥感数据在水稻关键生长期通常出现缺失现象,传统的水稻种植制度遥感监测精度不高。本文提出了一种基于预训练卷积神经网络（CNN）的水稻种植制度方法,该方法结合分层分类的思想,通过提取Sentinel-2数据空间和光谱的轨迹特征来获取水稻种植制度的分布信息。主要的工作与重要的结论如下:（1）利用多时相Sentinel-2卫星影像,计算纹理（空间轨迹）和植被指数（光谱轨迹）的时间序列曲线,将之作为模型的输入参数。模型的第一层根据土地覆盖类型分类,获取精确的耕地分布。模型的第二层主要在耕地分布范围的基础上,进而提取水稻种植制度分布情况。（2）基于CNN的方法相较于浅层模型可以获取更为抽象的特征。对于中低分辨率遥感影像存在训练样本数据不足的问题,本文引入了预训练机制。基于CNN模型,结合迁移学习的...
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
基于预训练卷积神经网络的水稻种植制度遥感分类研究技术路线图
2实验区概况和数据处理122实验区概况和数据处理2.1实验区概况2.1.1自然地理概况本文所选实验区位于湖南省株洲市境内，如图2-1所示，介于27°39′43″–27°45′15″N,113°11′04″–113°17′01″E之间。株洲，古时也被称作建宁，它位于湖南省的东北部，总面积共有1.1262万平方公里。其位于湘江干流的下游，北部接壤着长沙；南部与衡阳及郴州相连；而西部与湘潭相接；且东部与江西省内多个县市相连接。株洲坐落于罗霄山脉西麓,其南部一直延伸到江汉平原的倾斜地段。市区内的地形有强烈起伏变化,总体地势表现出东南高、西北低的特点。地貌类型主要有平原、盆地、山地及丘陵等。在这之中，主要为山地及丘陵，它们一共占据总面积的58.54%，其范围覆盖约6593.08平方公里。它的中北部地区地形谷岭相间，盆地多以带状分布出现；东南部多为山地，山势宏伟且重峦叠嶂。图2-1实验区地理位置图
中国地质大学（北京）硕士学位论文15见光和近红外波段、20米空间分辨率的六个近红外、短波红外和红边波段，以及60米空间分辨率的三个特设波段，具体的波段参数如表2-1所示。Sentinel-2卫星影像的幅宽大约是290千米，它能够完成约10天一次的全球覆盖的遥测任务。同时，重访周期缩短成5天，对地观测的能力得到了极大地提高（郑阳等，2017）。Sentinel-2适用于全球地表的观测任务,其中既包括内陆，也包含沿海地区的植被、土壤以及水体等信息,它同样支持高分辨率的大气吸收及失真数据的校正。此外，Sentinel也具很好地重访能力，它是迄今为止数据连续性最强的中低分辨率光学遥感影像（袁星，2019）。Sentinel-2卫星的发射改善了中低分辨率光学遥感影像存在的部分问题。Sentinel-2数据非常适合用于水稻种植制度的精确识别研究，由于它具有比较高的时间分辨率和空间分辨率，并且拥有很丰富的光谱信息和低廉的获取成本等优点。本文中所收集的Sentinel-2卫星遥感影像皆来自于ESA的数据共享网站（网址：https://scihub.copernicus.eu/）。我们通过设定条件筛选了2018年3月至10月所有云量低于20%的sentinel-2数据，共获取了19幅影像。同时，为了对模型做适应性检验，以相同条件筛选出了2017年3月至10月所有云量低于20%的sentinel-2数据，共获取了10幅影像，具体影像数据的分布情况如图2-2所示。图2-2Sentinel-2影像数据分布图2.2.2数据预处理Sentinel-2发布的是L1C级别的产品数据,该数据已经经过辐射校正、几何校正以及辐射定标等预处理操作。因此只需要对它们进行大气校正、重采样及波段合成等步骤（Druschetal.,2012）。Sentinel-2数据需要通过欧空局提供的SNAP
【参考文献】：
期刊论文
[1]基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别[J]. 赵红伟,陈仲新,姜浩,刘佳. 农业工程学报. 2020(03)
[2]基于ANN多源遥感数据融合的耕地种植强度估算方法研究[J]. 徐猛,陶建斌,吴琪凡. 中国农业信息. 2019(06)
[3]基于异构多核平台的Caffe框架物体分类算法实现与加速[J]. 谢达,周道逵,季振凯,戴新宇,武睿. 电子与封装. 2019(05)
[4]基于Sentinel-2A影像的玉米冠层叶绿素含量估算[J]. 苏伟,赵晓凤,孙中平,张明政,邹再超,王伟,史园莉. 光谱学与光谱分析. 2019(05)
[5]基于随机森林算法的多作物同步识别[J]. 许淇,李启亮,Mathilde De Vroey,张吴平,范锦龙. 山东农业科学. 2019(03)
[6]基于两层迁移卷积神经网络的抽象图像情感识别[J]. 杨子文,陈蕾,浦建宇. 中国科学技术大学学报. 2019(01)
[7]遥感大数据时代与智能信息提取[J]. 张兵. 武汉大学学报(信息科学版). 2018(12)
[8]基于随机森林算法的特征选择的水稻分类——以南昌市为例[J]. 苏亚麟,吕开云. 江西科学. 2018(01)
[9]基于水稻特征波段的决策树分类研究[J]. 张博文,崔林丽,史军,魏培培. 安徽农业科学. 2017(28)
[10]地块特征、农户差异与水稻种植模式选择——基于长江中下游地区样本分析[J]. 罗观长,陈风波,王建军. 农业现代化研究. 2017(03)
博士论文
[1]复杂地表景观区域水稻面积遥感精确提取与时空变化分析[D]. 赵爽.中国地质大学(北京) 2018
硕士论文
[1]基于哨兵数据的灌区种植结构提取与时空分布特征分析[D]. 周亮.安徽理工大学 2019
[2]基于时间序列sentinel数据的崇左市甘蔗识别研究[D]. 袁星.西安科技大学 2019
[3]基于EVI时序特征深度学习的复杂地表景观区域水稻遥感精确识别方法[D]. 姜甜.中国地质大学(北京) 2019
[4]基于MODIS时间序列数据的湿地提取方法[D]. 陈燕芬.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[5]鄱阳湖平原水稻主产区熟制变化及其驱动因素分析[D]. 肖池伟.江西师范大学 2016
[6]基于深度学习的高光谱遥感图像分类[D]. 邢晨.中国地质大学 2016
本文编号：3491702
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
基于预训练卷积神经网络的水稻种植制度遥感分类研究技术路线图
2实验区概况和数据处理122实验区概况和数据处理2.1实验区概况2.1.1自然地理概况本文所选实验区位于湖南省株洲市境内，如图2-1所示，介于27°39′43″–27°45′15″N,113°11′04″–113°17′01″E之间。株洲，古时也被称作建宁，它位于湖南省的东北部，总面积共有1.1262万平方公里。其位于湘江干流的下游，北部接壤着长沙；南部与衡阳及郴州相连；而西部与湘潭相接；且东部与江西省内多个县市相连接。株洲坐落于罗霄山脉西麓,其南部一直延伸到江汉平原的倾斜地段。市区内的地形有强烈起伏变化,总体地势表现出东南高、西北低的特点。地貌类型主要有平原、盆地、山地及丘陵等。在这之中，主要为山地及丘陵，它们一共占据总面积的58.54%，其范围覆盖约6593.08平方公里。它的中北部地区地形谷岭相间，盆地多以带状分布出现；东南部多为山地，山势宏伟且重峦叠嶂。图2-1实验区地理位置图
中国地质大学（北京）硕士学位论文15见光和近红外波段、20米空间分辨率的六个近红外、短波红外和红边波段，以及60米空间分辨率的三个特设波段，具体的波段参数如表2-1所示。Sentinel-2卫星影像的幅宽大约是290千米，它能够完成约10天一次的全球覆盖的遥测任务。同时，重访周期缩短成5天，对地观测的能力得到了极大地提高（郑阳等，2017）。Sentinel-2适用于全球地表的观测任务,其中既包括内陆，也包含沿海地区的植被、土壤以及水体等信息,它同样支持高分辨率的大气吸收及失真数据的校正。此外，Sentinel也具很好地重访能力，它是迄今为止数据连续性最强的中低分辨率光学遥感影像（袁星，2019）。Sentinel-2卫星的发射改善了中低分辨率光学遥感影像存在的部分问题。Sentinel-2数据非常适合用于水稻种植制度的精确识别研究，由于它具有比较高的时间分辨率和空间分辨率，并且拥有很丰富的光谱信息和低廉的获取成本等优点。本文中所收集的Sentinel-2卫星遥感影像皆来自于ESA的数据共享网站（网址：https://scihub.copernicus.eu/）。我们通过设定条件筛选了2018年3月至10月所有云量低于20%的sentinel-2数据，共获取了19幅影像。同时，为了对模型做适应性检验，以相同条件筛选出了2017年3月至10月所有云量低于20%的sentinel-2数据，共获取了10幅影像，具体影像数据的分布情况如图2-2所示。图2-2Sentinel-2影像数据分布图2.2.2数据预处理Sentinel-2发布的是L1C级别的产品数据,该数据已经经过辐射校正、几何校正以及辐射定标等预处理操作。因此只需要对它们进行大气校正、重采样及波段合成等步骤（Druschetal.,2012）。Sentinel-2数据需要通过欧空局提供的SNAP
【参考文献】：
期刊论文
[1]基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别[J]. 赵红伟,陈仲新,姜浩,刘佳. 农业工程学报. 2020(03)
[2]基于ANN多源遥感数据融合的耕地种植强度估算方法研究[J]. 徐猛,陶建斌,吴琪凡. 中国农业信息. 2019(06)
[3]基于异构多核平台的Caffe框架物体分类算法实现与加速[J]. 谢达,周道逵,季振凯,戴新宇,武睿. 电子与封装. 2019(05)
[4]基于Sentinel-2A影像的玉米冠层叶绿素含量估算[J]. 苏伟,赵晓凤,孙中平,张明政,邹再超,王伟,史园莉. 光谱学与光谱分析. 2019(05)
[5]基于随机森林算法的多作物同步识别[J]. 许淇,李启亮,Mathilde De Vroey,张吴平,范锦龙. 山东农业科学. 2019(03)
[6]基于两层迁移卷积神经网络的抽象图像情感识别[J]. 杨子文,陈蕾,浦建宇. 中国科学技术大学学报. 2019(01)
[7]遥感大数据时代与智能信息提取[J]. 张兵. 武汉大学学报(信息科学版). 2018(12)
[8]基于随机森林算法的特征选择的水稻分类——以南昌市为例[J]. 苏亚麟,吕开云. 江西科学. 2018(01)
[9]基于水稻特征波段的决策树分类研究[J]. 张博文,崔林丽,史军,魏培培. 安徽农业科学. 2017(28)
[10]地块特征、农户差异与水稻种植模式选择——基于长江中下游地区样本分析[J]. 罗观长,陈风波,王建军. 农业现代化研究. 2017(03)
博士论文
[1]复杂地表景观区域水稻面积遥感精确提取与时空变化分析[D]. 赵爽.中国地质大学(北京) 2018
硕士论文
[1]基于哨兵数据的灌区种植结构提取与时空分布特征分析[D]. 周亮.安徽理工大学 2019
[2]基于时间序列sentinel数据的崇左市甘蔗识别研究[D]. 袁星.西安科技大学 2019
[3]基于EVI时序特征深度学习的复杂地表景观区域水稻遥感精确识别方法[D]. 姜甜.中国地质大学(北京) 2019
[4]基于MODIS时间序列数据的湿地提取方法[D]. 陈燕芬.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[5]鄱阳湖平原水稻主产区熟制变化及其驱动因素分析[D]. 肖池伟.江西师范大学 2016
[6]基于深度学习的高光谱遥感图像分类[D]. 邢晨.中国地质大学 2016
本文编号：3491702
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/3491702.html
教材专著
