科研产出
基于WorldView-2影像和语义分割模型的小麦分类提取
《遥感技术与应用 》 2022 北大核心 CSCD
摘要：为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取，以WorldView-2遥感影像为数据源，制作尺度分别为128×128、256×256、512×512的样本数据集，对U-net和DeepLab3+语义分割模型的参数进行训练，建立小麦遥感分类模型；通过与极大似然和随机森林方法比较，检验深度学习分类效果。结果显示：（1）不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上，模型精度稳定，样本尺度大小对小麦分类提取模型影响较小；（2）深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上，极大似然和随机森林则在92%和0.85以下，表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。
关键词： 高分辨率影像 U-net DeepLabv3+ 小麦 信息提取
全文链接
请求原文
基于U-Net的甘蔗提取方法
《中国农业信息 》 2019
摘要：【目的】基于深度学习的分类方法是使用高分辨率遥感影像快速提取作物种植空间信息的新方法。【方法】以云南省陇川县甘蔗种植园为研究区,收集空间分辨率为0.5 m的Google Earth开放影像进行数据预处理,建立样本数据集,构建U-Net神经网络模型,训练模型参数;使用U-Net模型提取甘蔗种植空间信息,通过地面样方数据验证甘蔗提取精度。【结果】(1)基于深度学习方法的甘蔗分类总体精度和Kappa系数分别为92.76%和0.848 0,面积总精度为94.41%;平坝区、丘陵区分类精度存在差异,总精度和Kappa系数分别为97.10%、0.922 1和88.42%、0.767 3;(2)受部分地物RGB影像特征与甘蔗相似的影响,分类结果存在错分现象。【结论】基于U-Net神经网络模型的方法可用于高分辨率影像的甘蔗提取,更准确的分类精度还有待进一步研究和验证。
全文链接
请求原文
首页上一页1下一页尾页
