您好,欢迎访问中国农业科学院 机构知识库!

基于深度学习模型的种植结构复杂区农作物精细分类研究

文献类型: 中文期刊

作者: 田甜 1 ; 王迪 1 ; 王珍 2 ; 李会宾 1 ;

作者机构: 1.中国农业科学院农业资源与农业区划研究所

2.鞍山师范学院化学与生命科学学院

关键词: 深度学习;农作物分类;遥感;卷积神经网络;GF-1卫星

期刊名称: 中国农业资源与区划

ISSN: 1005-9121

年卷期: 2022 年 012 期

页码: 147-158

收录情况: 北大核心 ; CSCD ; CSSCI

摘要: [目的]卫星遥感技术具有覆盖范围广、探测周期短、调查成本低等优势而广泛应用于大区域农作物分类。然而在种植结构复杂区(如城乡结合部),因其地块破碎、同期生长的作物种类多且分布分散,利用传统的统计分类或机器学习方法进行农作物分类时仍存在精度不高的问题。为提高种植结构复杂区农作物分类精度。[方法]文章选取河北省廊坊市广阳区为研究区,以GF-1 PMS全色多光谱融合影像为数据源,采用U-Net、PSPNet及DeepLabv3+,3种深度学习模型进行农作物分类研究。分析模型参数对农作物分类精度的影响,评价3种深度学习模型的农作物分类精度,优选农作物精细分类方法。[结果](1)学习率与3种深度学习模型的分类精度呈正相关关系,较大的学习率(0.01,0.001)下,3种模型收敛速度快,分类精度高。批样本量与模型分类稳定性相关,批样本量设为100时,3种模型的分类稳定性最好。(2)相比PSPNet、DeepLabv3+模型,U-Net模型分类效果最好,总体分类精度为89.32%。(3) GF-1 PMS影像结合U-Net模型可有效提升种植结构复杂区农作物分类精度,大宗作物春玉米、夏玉米的分类精度在80%以上,花生、红薯、蔬菜小宗作物分类精度在60%以上。[结论]该研究可为准确获取种植结构复杂区的农作物类型、面积及空间分布信息提供参考依据。

  • 相关文献

[1]卷积神经网络在高分辨率影像分类中的应用. 李贤江,陈佑启,邹金秋,石淑芹,郭涛,蔡为民,陈浩. 2019

[2]深度学习方法在作物遥感分类中的应用和挑战. 赵红伟,陈仲新,刘佳. 2020

[3]无人机遥感的农作物精细分类研究进展. 田甜,王迪,曾妍,张影,黄青. 2020

[4]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[5]基于分层卷积神经网络的牧草种子识别模型. 王欣宇,马玉宝,潘新,闫伟红. 2021

[6]常态养殖下妊娠母猪体质量智能测定模型. 肖德琴,刘俊彬,刘又夫,黄一桂,谭祖杰,熊本海. 2022

[7]深度学习在农业领域的研究与应用. 梁美静,毛克彪,郭中华,袁紫晋. 2024

[8]基于卷积神经网络的冬小麦麦穗检测计数系统. 张领先,陈运强,李云霞,马浚诚,杜克明. 2019

[9]基于卷积神经网络的棉花关键生育时期识别. 李明泽,张静,雷亚平,韩迎春,王国平,陈国栋,李亚兵,冯璐. 2024

[10]卷积神经网络在农业遥感图像语义分割中的应用综述. 徐乐园,毛克彪,郭中华,葛非凡,赵瑞. 2024

[11]融合多尺度特征和注意力机制的油菜倒伏分类. 郑权,乔江伟,李婕,秦涛,涂静敏,李礼,蒋琦. 2024

[12]基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别. 赵红伟,陈仲新,姜浩,刘佳. 2020

[13]基于GF-6时序数据的农作物识别深度学习算法评估. 陈诗扬,刘佳. 2021

[14]时空协同的农业种植结构遥感精细制图. 张冬韵,吴田军,骆剑承,董文,孙营伟,杨颖频,海云瑞,孟博文,刘巍. 2024

[15]遥感技术的发展现状及在天府粮仓建设中的应用建议. 董秀春,黄平,吴尚蓉,蒋怡,李章成,魏来,王小燕,陈志民. 2023

[16]Landsat 8地表温度产品降尺度深度学习方法研究. 张义峥,吴鹏海,段四波,杨辉,殷志祥. 2021

[17]面向梯田遥感识别的JAM-R-CNN深度网络模型. 谢君洋,林安琪,吴浩,吴紫薇,吴文斌,余强毅. 2024

[18]水稻生育期遥感监测的研究进展、瓶颈问题与技术优化路径. 李瑞杰,王爱冬,吴华星,李子秋,冯向前,洪卫源,汤学军,覃金华,王丹英,褚光,张运波,陈松. 2025

[19]基于无人机遥感可见光影像的农作物分类. 刘斌,史云,吴文斌,段玉林,赵立成. 2019

[20]极化SAR农作物分类研究进展. 曾妍,王迪,田甜,张影. 2020

作者其他论文 更多>>