文献类型：期刊文章

作　　者：马永建[1] 汪传建[1] 赵庆展[1] 任媛媛[1] 田文忠[1]

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

出　　处：《石河子大学学报（自然科学版）》

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]