登录    注册    忘记密码

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

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]

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...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心