Knowledge Resource Center for Ecological Environment in Arid Area
| DOI | 10.27248/d.cnki.gnjqc.2021.000355 |
| 基于深度学习的新疆棉田遥感识别与产量预测研究 | |
| 李皓露 | |
| 出版年 | 2021 |
| 学位类型 | 硕士 |
| 学位授予单位 | 南京信息工程大学 |
| 中文摘要 | 高分辨率遥感卫星技术的发展对我国对地观测水平的提升起到了巨大的推动作用,其中高分系列卫星的发射与应用使得我国在资源监测、农业估产、灾害管理等方面都获得了更高精度的数据源。在遥感影像中应用较为广泛的一大方面就是农作物管理,高分辨率的遥感卫星数据可以提供高精度的作物信息,为作物的监测、病害的管理、产量的评估等都提供数据支撑。棉花作为重要的经济作物,了解其种植分布、进行长势监测以及预测当年产量,具有重要意义。目前,针对遥感影像作物识别的方法众多,但是传统的方法不仅识别效果差、存在局限性,而且在处理海量的遥感信息时也显得越来越吃力。从遥感影像中准确识别棉田是精细农业中的一项重要任务;此外,通过分析长时间序列多源多时相遥感影像有助于反映棉花在整个生长季节的状况进行估产。因此,本研究利用基于深度学习的框架,在中国渭干河绿洲地区利用卫星遥感影像进行棉田识别、面积监测和产量预测。首先,使用经过优化的像素级的多维密集连接卷积神经网络(Dense Net)进行渭干河绿洲地区的棉田识别。此外,还与包括Res Net,VGG,Seg Net和Deep Lab v3+在内的四种广泛使用的经典卷积神经网络(CNN)进行对比和评估。结果表明,与其他模型相比Dense Net可以在较短时间内识别棉花作物特征,并以较快速度收敛。通过混淆矩阵生成的多个指标(P,F1,R和m Iou)检验模型性能优劣,得到综合指标最高的模型为Dense Net,F1为0.953,m Io U为0.911。我们将识别的棉田可视化,与其他算法结果相比,优化的Dense Net模型识别效果明显提升,能很好地将棉田与云,山体阴影和城镇等区分开来。然后,基于改进的Dense Net算法进行多源多时相遥感影像的棉田识别,并提取渭干河绿洲地区的棉田种植面积,实现棉田面积变化快速监测。多源遥感影像主要使用高分一号和Landsat卫星数据产品。由于高分一号的数据有限,因此分别基于高分一号和Landsat卫星影像分析2015～2018年和1993～2018年的棉花种植面积变化情况,并与官方统计数据进行对比,多年平均误差为400km~2,证明Dense Net模型在棉田快速识别和面积变化监测的任务中具有可信性,并且使用有限的遥感数据仍然可以进行棉花面积的时空变化分析。最后,根据棉花的物候特征选择生长期内影响棉花产量的气象数据和遥感数据与县级棉花单产数据进行建模,进行棉花单产预测。此外,基于上一部分识别得到的棉花面积进行棉花总产预测。针对这一任务,我们构建了专门处理长时空大数据的Conv GRU深度学习网络,并将其与处理时间序列数据的多元线性回归方法和基于贝叶斯正则化算法的多个BP神经网络模型比较分析。结果证明,Conv GRU的估产效果最优,R~2可以达到0.9以上。最后使用该方法用于渭干河绿洲三个县(库车县、新和县、沙雅县)的棉花产量预测。 |
| 中文关键词 | 棉田识别 ; 深度学习 ; 面积监测 ; 棉花估产 |
| 语种 | 中文 |
| 国家 | 中国 |
| 中图法分类号 | S562;S127 |
| 资源类型 | 学位论文 |
| 条目标识符 | http://119.78.100.177/qdio/handle/2XILL650/373272 |
| 作者单位 | 南京信息工程大学 |
| 推荐引用方式 GB/T 7714 | 李皓露. 基于深度学习的新疆棉田遥感识别与产量预测研究[D]. 南京信息工程大学,2021. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [李皓露]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [李皓露]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [李皓露]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
