论文部分内容阅读
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,结合迁移学习的思想,将MNIST数据集选为源数据集用来预训练模型,再使用时序曲线构成的目标数据集微调CNN网络参数,进行模型的训练。(3)土地覆盖类型和水稻种植制度的总体精度分别为94.78%和94.87%。相对于SVM,基于预训练卷积神经网络(CNN)的水稻种植制度精度高7.11%。最后,针对遥感时序影像数据量少的情况,对深度学习模型进行了适应性的检验。验证得到的土地覆盖类型和水稻种植制度的总体精度分别达到93.52%和93.23%。研究表明,运用预训练的CNN,能够有效提取水稻生长周期中空间和光谱轨迹的深层特征,从而提高水稻种植制度分类的准确性。该方法为其它农作物遥感精细分类提供了新的研究思路。