基于深度学习的农业遥感语义分割算法的研究.pdfVIP

摘要

基于深度学习的农业遥感语义分割算法的研究

近几年，随着遥感技术和深度学习技术的飞速发展，基于深度学习技术对农

作物在卫星遥感影像上的分类技术，在农业保险以及土地勘测上的需求日渐增加。

这些技术能够及时、有效地划分出农作物种植区域以及土地使用类型，这些在科

学实践意义上十分重要。在农业生产上，本文时常需要及时且准确地提供农作物

种植覆盖面积、农作物种类分布等数据，遥感数据便可以很快地获得这些信息。

在遥感技术和计算机科学的发展迅速且不断追求更高准确度的今天，最新的农作

物分类研究已从依靠单一静态转变为结合多种光谱和时间序列信息。本文提出了

一种在深度学习中将多光谱数据划分为单个时间阶段，然后在每个神经网络模型

上组合多时间结果信息的方法。即使在某些时间阶段缺少遥感多时间序列数据，

但这可以保持原始信息的准确性。在实际的应用中，可以通过叠加新的时间序列

遥感影像数据以进一步获得更准确的结果，所以本文为每个单独的时间序列数据

集训练了几种语义分割模型。在这些单时相模型上，本文对水稻进行分类的准确

度为85.9％-92.8％，对玉米进行分类的准确度为77％-93％，对森林进行分类

的准确度为77％-87.6％。随后，使用本文的方法在2017年5月至2017年10

月间通过多时相验证数据集对所有目录进行分类的总体准确性达到92.6％。如

此多时相结合的方法可用于农业保险和农作物的农作物产量预估的连月及时高

效地迭代，每一次都会更加准确，这些还能进一步应用到大片农业种植地区的增

长变化监测，为我国农业遥感添砖加瓦。

关键词：深度学习，多光谱遥感影像，语义分割，模型融合,多时相遥感

Abstract

SemanticSegmentationAlgorithmofAgriculturalRemote

SensingBasedonDeepLearning

Currently,withtherapiddevelopmentofremotesensing,thetimelyandaccurate

estimationofcropclassificationbasedonremotesensingisofgreatsignificancefor

scientificandpracticalpurposes.Cropyieldestimationneedstobeprovidedinatimely

andaccuratemanner.Itisakeyissuetousemulti-temporalremotesensingdata

effectivelyandflexibly.Withthedevelopmentofremotesensingandcomputerscience,

state-of-the-artresearchoncropclassificationhasshiftedfromrelyingonasinglestatic

statetoacombinationofmultiplespectralandtime-seriesinformation.Weproposea

methodtodividemultispectraldataintoasingletimephaseindeeplearningandthen

combinetheinformationofthemulti-temporalresultsoneachneuralnetworkmodel.

Thiscanmaintaintheaccuracyoftheoriginalinformationalthoughtheremotesensing

multi-timeseriesdataismissinginsometimephases.However,inactualpractice,more

accurateresultscanbefurtherobtainedwiththes