期刊文章详细信息
基于GF-1遥感影像的荒漠区耕地分类与提取方法
Study on extraction of cultivated land in desert area with GF-1 remote sensing image based on U-Net model
文献类型:期刊文章
MA Yongjian;WANG Chuanjian;ZHAQingzhan;REN Yuanyuan;TIAN Wenzhong(College of Information Science and Technology/Geospatial Information Engineering Research Center,Xinjiang Production and Construction Corps,Shihezi,Xinjiang 832003,China)
机构地区:[1]石河子大学信息科学与技术学院/兵团空间信息工程技术研究中心,新疆石河子832003
基 金:国家重点研发计划(2017YFB0504203);兵团科技计划(2017DB005)项目。
年 份:2021
卷 号:39
期 号:3
起止页码:383-390
语 种:中文
收录情况:BDHX、BDHX2020、CAS、JST、RCCSE、ZGKJHX、核心刊
摘 要:耕地作为一种战略性自然资源,是确保我国粮食生产安全的物质基础和重要前提。荒漠区绿洲性耕地生态环境脆弱,易受风沙侵蚀,对耕地进行持续性精确监测具有更为重要的意义。,本文基于深度学习算法,使用GF-1遥感数据进行耕地及其类别信息提取。为充分利用研究区物候特征,结合冬夏两期遥感影像,将植被指数NDVI值和纹理特征灰度共生矩阵能量值作为特征波段,基于U-Net模型实现耕地分类和提取,主要包括农田(棉花覆盖耕地)、果林耕地及未耕作耕地3种类型。结果表明:仅使用夏季影像对农田的识别准确度即可达90.83%,若加入冬季影像、植被指数及纹理特征波段,可有效提升模型对果林耕地、未耕作耕地的识别效果,整体识别准确度分别为88.39%、79.51%,相比于传统方法提升了4.67%、6.11%。同时与支持向量机和随机森林分类器相比,该方法能够减少地块内同种作物间的"椒盐噪声",避免对未耕作耕地的大规模错分现象。因此,本文方法可为荒漠区绿洲性耕地状态的快速识别与监测提供参考。
关 键 词:深度学习 耕地提取 GF-1卫星 高分辨率遥感 U-Net网络
分 类 号:TP79]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...