文献类型：期刊文章

作　　者：王圆[1,2] 毕玉革[1]

WANG Yuan;BI Yuge(College of Mechanical and Electrical Engineering,Inner Mongolia Agricultural University,Huhhot 010018,China;Department of Information Engineering,Ordos Institute of Technology,Ordos 017000,China)

机构地区：[1]内蒙古农业大学机电工程学院,呼和浩特010018 [2]鄂尔多斯应用技术学院信息工程系,鄂尔多斯017000

出　　处：《农业机械学报》

基　　金：国家自然科学基金项目(31660137)

年　　份：2022

卷　　号：53

期　　号：11

起止页码：236-243

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机(Unmanned aerial vehicle, UAV)遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络(Three-dimensional convolutional network, 3D-CNN)方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度(Overall accuracy, OA)可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。

关 键 词：荒漠草原 无人机 高光谱遥感 精简学习分类模型  三维卷积神经网络  

分 类 号：TP751] S812.6] TP18[草学类]