文献类型：期刊文章

作　　者：许晴[1,2,3] 张锦水[1,2,3] 张凤[1,2,3] 盖爽[1,2,3] 杨志[1,2,3] 段雅鸣[1,2,3]

XU Qing;ZHANG Jinshui;ZHANG Feng;GE Shuang;YANG Zhi;DUAN Yaming(State Key Laboratory of Remote Sensing Science,Beijing Normal University,Beijing 100875,China;Beijing Engineering Research Center for Global Land Remote Sensing Products,Faculty of Geographical Science,Beijing Normal University,Beijing 100875,China;Institute of Remote Sensing Science and Engineering,Faculty of Geographical Science,Beijing Normal University,Beijing 100875,China)

机构地区：[1]北京师范大学遥感科学国家重点实验室,北京100875 [2]北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心,北京100875 [3]北京师范大学地理科学学部遥感科学与工程研究院,北京100875

出　　处：《遥感学报》

基　　金：高分辨率对地观测系统重大专项(民用部分)(编号:20-Y30F10-9001-20/22)。

年　　份：2022

卷　　号：26

期　　号：7

起止页码：1395-1409

语　　种：中文

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

摘　　要：基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略:以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN(Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示:测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。

关 键 词：弱样本  卷积神经网络模型  深度学习  GF-1影像  农作物遥感分类  

分 类 号：TP18] TP751] S127]