期刊在線咨詢服務(wù)，立即咨詢
購(gòu)物車(0)
基于CNN和農(nóng)作物光譜紋理特征進(jìn)行作物分布制圖
關(guān)鍵詞：農(nóng)作物 遙感 分類 cnn 紋理信息
摘要：以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)為代表的深度學(xué)習(xí)技術(shù),在農(nóng)作物遙感分類制圖領(lǐng)域具有廣闊的應(yīng)用前景。以多時(shí)相Landsat 8多光譜遙感影像為數(shù)據(jù)源,搭建CNN模型對(duì)農(nóng)作物進(jìn)行光譜特征提取與分類,并與支撐向量機(jī)(SVM)常規(guī)分類方法進(jìn)行對(duì)比。進(jìn)一步引入影像紋理信息,利用CNN對(duì)農(nóng)作物光譜和紋理特征進(jìn)行提取,優(yōu)化作物分布提取結(jié)果。實(shí)驗(yàn)表明:①基于光譜特征的農(nóng)作物分布提取,驗(yàn)證結(jié)果對(duì)比顯示,CNN對(duì)應(yīng)各類別精度、總體精度均優(yōu)于SVM,其中二者總體精度分別為95.14%和91.77%;②引入影像紋理信息后,基于光譜和紋理特征的CNN農(nóng)作物分類總體精度提高至96.43%,Kappa系數(shù)0.952,且分類結(jié)果的空間分布更為合理,可有效區(qū)分花生、道路等精細(xì)地物,說(shuō)明紋理特征可用于識(shí)別不同作物。基于光譜和紋理信息的CNN特征提取,可面向種植結(jié)構(gòu)復(fù)雜區(qū)域?qū)崿F(xiàn)農(nóng)作物精準(zhǔn)分類與分布制圖。
遙感技術(shù)與應(yīng)用雜志要求:
{1}來(lái)稿如獲得某種研究基金或課題資助，請(qǐng)?jiān)谡撐氖醉?yè)左下角注明課題的名稱和編號(hào)。
{2}本刊堅(jiān)決反對(duì)任何形式的論文署名“搭便車”現(xiàn)象，對(duì)多作者署名的文章將進(jìn)行更為嚴(yán)格的審核。
{3}文題應(yīng)以新穎獨(dú)特的邏輯文字組合準(zhǔn)確地反映研究工作的內(nèi)容實(shí)質(zhì)和特點(diǎn),文題要求簡(jiǎn)潔而信息量豐富。
{4}來(lái)稿在正文之外，請(qǐng)?zhí)峁╊}名、內(nèi)容摘要 (300-500字)、關(guān)鍵詞 (3-5條)及其英譯
{5}文稿首頁(yè)頁(yè)腳處注明投稿日期和通信作者簡(jiǎn)介（包括姓名、出生年、性別、職稱、學(xué)位、研究方向、E-mail）。
注：因版權(quán)方要求，不能公開全文，如需全文，請(qǐng)咨詢雜志社
