基于多时序特征和卷积神经网络的农作物分类

近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络 模型,以实现作物的高精度精细分类。为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型。结果表明：①引入其他时序特征后,能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.667 4%和0.856 0,对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。     

深度学习在GlobeLand30-2010产品分类精度优化中应用研究

本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法,用于GlobeLand30地表覆盖产品的质量优化。首先,通过对多源地表覆盖产品的一致性分析,构建深度学习训练所需的高分辨率遥感大样本（224万样本量）;其次,基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型（GoogleNet Inception V3）;最后,利用训练好的神经网络模型对在线高分影像进行分类,用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证,经过训练的神经网络分类总体精度为87.7%,Kappa系数为0.86,相比原始GlobeLand30的精度（总体精度75.1%、Kappa系数0.71）有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明：该方法能够有效优化GlobeLand30产品的分类精度。     

深度学习在GlobeLand30-2010产品分类精度优化中应用研究

本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法,用于GlobeLand30地表覆盖产品的质量优化。首先,通过对多源地表覆盖产品的一致性分析,构建深度学习训练所需的高分辨率遥感大样本(224万样本量);其次,基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型(GoogleNet Inception V3);最后,利用训练好的神经网络模型对在线高分影像进行分类,用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证,经过训练的神经网络分类总体精度为87.7%,Kappa系数为0.86,相比原始GlobeLand30的精度(总体精度75.1%、Kappa系数0.71)有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明:该方法能够有效优化GlobeLand30产品的分类精度。     

一种新的基于Fisher判别的混合像元分解算法:室内控制实验结果分析

混合像元分解技术(Spectral Mixture Analysis, SMA)是遥感图像处理的重要手段之一.传统方法假设每个端元具有稳定的光谱特征,然而端元内光谱差异普遍存在,这将导致混合像元分解精度的降低.针对该问题,提出了基于Fisher判别 (Fisher Discriminant Analysis, FDA) 的混合像元分解算法.Fisher判别对光谱各波段进行线性组合,使得转换后的光谱值分离度最大,即端元内的光谱差异较小而端元间的光谱差异较大.利用转换后的光谱对混合像元进行分解可以最大程度地减少端元内光谱差异对分解结果的影响.利用该方法对室内控制实验的模拟混合像元光谱进行分解,并与过去提出的几种混合像元分解技术进行比较,结果显示新方法相比传统方法在分解精度上有相当程度的提高.     

深度学习在GlobeLand30-2010产品分类精度优化中应用研究

本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法，用于GlobeLand30地表覆盖产品的质量优化。首先，通过对多源地表覆盖产品的一致性分析，构建深度学习训练所需的高分辨率遥感大样本（224万样本量）；其次，基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型（GoogleNet Inception V3）；最后，利用训练好的神经网络模型对在线高分影像进行分类，用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证，经过训练的神经网络分类总体精度为87.7%，Kappa系数为0.86，相比原始GlobeLand30的精度（总体精度75.1%、Kappa系数0.71）有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明：该方法能够有效优化GlobeLand30产品的分类精度。