书目详细信息
： 基于多时相遥感数据的作物种植结构提取方法研究
书目信息 机读格式(MARC)
| ISBN/价格： | CNY20.00 (估\呈缴)学位论文 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 530000 |
| 题名责任者项： | 基于多时相遥感数据的作物种植结构提取方法研究/.马洪坤著/.范茂攀指导 |
| 出版发行项： | 2022.12.27 |
| 载体形态项： | 54页:;+图表:;+30cm |
| 一般附注： | 资源与环境学院, 学号2019250059 |
| 提要文摘： | 遥感技术以其覆盖广、分辨率高、时效性强、频率高等优点，逐步成为农作物种植分布和面积提取的重要途径。传统的遥感分类方法在提取农作物种植结构时存在学习能力弱、严重依赖人工、拟合不充分等弊端，致使图像分类精度不高。基于深度学习的图像分类方法，通过运用所提取的图像和结构化数据特征，可以对图像信息进行深层次的决策分类，从而提高图像分类的效率与精度。同时，考虑到Gaofen-6（GF-6）搭载了对植被信息更加敏感的红边波段，使用其遥感数据可以有效地提高农作物分类精度。因此，本文以黑龙江省七台河市为研究区，构建了一种基于多时相GF-6遥感影像的SegNet农作物种植结构提取模型，研究基于深度学习网络的SegNet模型在农作物种植结构提取中的分类精度，并与基于机器学习的随机森林（random forest, RF）、支持向量机（support vector machine, SVM）的分类精度进行对比评价。具体研究成果如下： 1. 基于研究区玉米、大豆、水稻主要农作物物候期数据，选取5景2020年研究区关键物候期多时相GF-6影像数据，提取了6个原始光谱，15个植被指数以及8个纹理等特征，构建了一种多维度图像特征空间集。 2. 基于多时相GF-6特征融合得到后的合成影像，利用实地采样样本数据完成农作物样本数据集制作，构建一种基于深度学习方法且图像输入尺寸为256×256的SegNet网络模型，提取了研究区玉米、大豆、水稻等主要农作物种植结构，并与基于机器学习的随机森林（random forest, RF）、支持向量机（support vector machine, SVM）的分类精度进行对比评价。 3. 实验结果数据SegNet网络模型的总体分类精度为91.71%，Kappa系数0.9012；SVM模型总体分类精度88.1%，Kappa系数0.8314；RF模型总体分类精度90.42%，Kappa系数0.8764；SegNet网络模型优于RF、SVM模型的分类精度。 综上所述,本文通过SegNet网络模型与RF、SVM模型三种分类结果对比得出基于多时相GF-6遥感数据的深度学习SegNet网络模型，适用于农作物种植结构提取，且分类精度高，泛化能力强。与此同时，本文提取的玉米、大豆、水稻农作物种植信息与《黑龙江省统计年鉴》统计数据进行对比，并分析了七台河市各区县的种植结构及空间分布特征，可为研究区农业生产提供数据支撑。 关键词：玉米、大豆、水稻关键物候期；多时相遥感影像；特征空间；深度学习；SegNet网络 |
| 并列题名： | Research on crop structure extraction based on multi-temporal remote sensing data eng |
| 题名主题： | 玉米 大豆 水稻 关键物候期 多时相遥感影像 特征空间 深度学习 SegNet网络 学位论文 |
| 中图分类： | TP79-533 |
| 个人名称等同： | 马洪坤 著 |
| 个人名称次要： | 范茂攀 指导 |
| 团体名称等同： | 云南农业大学 授予 |
| 记录来源： | CN YNAUL 20240523 |