基于深度学习的高分辨率遥感影像农作物分类算法研究.pdfVIP

摘要

基于深度学习的高分辨率遥感影像农作物分类算法研究

近年来，随着卫星在不同空间、时间和光谱分辨率方面的进步，遥感技术

已成为识别大范围内农作物类型的最佳工具。及时、准确的农作物类型识别在

预估农作物产量，加强作物生产管理和农业保险等方面具有至关重要的作用。

如何利用遥感影像中的有用信息进行更好的地球观测是一个有趣并具有挑战的

问题。本文在总结了国内外基于深度学习高分辨遥感影像作物分类算法研究成

果的基础上，为了满足中国东北吉林省对作物分类信息的需求，对作物分类方

法进行了深入探究，具体的研究工作和创新成果如下：

（1）基于深度学习光学遥感影像的作物分类研究。本研究采用多时相的

Sentinel-2影像与GF-2影像作为数据源，选取中国东北吉林省作为实验区，对

该区域内的典型作物类型（水稻、玉米、大豆）进行分类。实验采用CNN

（ConvolutionalNeuralNetwork）与VGG（VisualGeometryGroup）作为分类方

法，探究红边波段以及植被指数等的加入对作物识别结果的影响。实验结果表

明，植被指数与红边波段的加入改善了作物识别效果，并且VGG在作物的识别

准确性方面表现最佳，总体分类精度达到94.89%，Kappa系数为0.925。

（2）基于最优特征选择与混合CNN-RF网络（ConvolutionalNeural

Network-RandomForest）的农作物分类研究。针对特征数量多，特征之间存在

冗余的问题，提出一种最优特征选择算法（OFSM），并与两种传统的特征选

择方法进行比较，分别是随机森林特征重要性选择算法（RF-FI）、随机森林递

归特征消除算法（RF-RFE）。实验结果表明OFSM挑选特征所需的时间为

26.05s，RF-FI为1.97s，RF-RFE为132.54s。OFSM的总体分类精度（OA）分

别优于RF-FI和RF-RFE4％和0.3％。同时，设计了两个混合的CNN-RF网络

（Conv1D-RF与VGG-RF）并利用OFSM方法挑选的最优特征组合，测试了四

个网络进行比较：Conv1D-RF（One-dimensionalConvolution-RandomForest），

VGG-RF（VisualGeometryGroup-RandomForest），Conv1D（One-dimensional

Convolution）和VGG。与VGG-RF（93.23％），Conv1D（92.59％）和VGG

（91.89％）相比，Conv1D-RF获得了94.27％的总体分类精度。上述实验结果

表明具有最优特征组合输入的Conv1D-RF网络提供了一种有效且高效的多时相

作物类型分类方法。

（3）基于时空深度学习融合技术的农作物全自动化分类方法研究。首先，

实现自动化的训练样本选择，包括自动化选取的像素点样本与影像块样本；其

次，提出带有空间地理信息的Geo-3DCNN（3-DimensionalConvolutionalNeural

Network）与Geo-Conv1D。最后，采用ActiveLearning策略融合Geo-3DCNN

网络与Geo-Conv1D网络的分类优势，进一步提高研究区内作物识别的准确度。

实验结果表明提出的全自动化样本选择方法可以保证挑选出大量可信赖的样本，

为准确的作物识别提供保障。基于时空深度学习融合技术的作物分类方法实现

了93.18%的总体分类精度，优于基于像素点分类的Geo-Conv1D网络

（92.07%），更优于基于影像块分类的Geo-3DCNN网络（90.67%），说明本

文提出的分类融合方法在多时相作物分类中是有效且适用的。

本文将多时相的光学遥感影像作为数据源，首先采用深度学习技术与多时

相的光学遥感影像实现了作物的识别，为了改进作物制图中的关键步骤，提出

了最优特征选择方法并设计了深度学习网络结构，最后提出了全自动化的训练

样本选择方法与基于时空深度学习融合技术的