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

第一作者： 田甜

作者： 田甜;王迪;王珍;李会宾

作者机构： 中国农业科学院农业资源与农业区划研究所;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。

分类号： S127

  • 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]利用空间-光谱双分支特征和动态选择的高光谱影像农作物分类. 戴佩玉,张欣,毛星,任妮,李卫国. 2023

[4]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

[5]深度学习方法在农业领域的研究及应用. 马聪,张建华,陈学东,朱丹. 2020

[6]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

[7]基于卷积神经网络的农机图像自动识别研究. 雷雪梅,张光强,姚旗,刘伟渭,邱帅. 2022

[8]卷积神经网络在农业病虫害识别中的应用. 张耀丽,许宁,宋裕民,孟庆山,侯旭,李虎. 2023

[9]基于ResNet深度残差网络的白喉乌头检测. 梁俊欢,董峦,阿斯娅·曼力克,孙宗玖,魏鹏,马海燕,艾尼玩·艾买尔,阿仁,郑逢令. 2023

[10]一种基于深度学习的水稻种子分类方法. 王晓飞,刘维,巫浩翔,陈浩,张丽婷,潘朝阳,何秀英. 2024

[11]面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型. 邱文杰,叶进,胡亮青,杨娟,李其利,莫贱友,易万茂. 2021

[12]一种边缘辅助的卫星影像云修复卷积神经网络. 张雨姝,戴佩玉. 2024

[13]基于卷积神经网络的家蚕病害识别研究. 石洪康,肖文福,黄亮,胡丛武,胡光荣,张剑飞. 2022

[14]基于Faster R-CNN网络的茶叶嫩芽检测. 朱红春,李旭,孟炀,杨海滨,徐泽,李振海. 2022

[15]基于卷积神经网络的家蚕幼虫品种智能识别研究. 石洪康,田涯涯,杨创,陈宇,粟思源,张智勇,张剑飞,蒋猛. 2020

[16]基于3-2D融和模型的毛虾捕捞渔船行为识别. 张佳泽,张胜茂,王书献,杨昱皞,戴阳,熊瑛. 2022

[17]基于卷积神经网络的水稻虫害识别. 梁万杰,曹宏鑫. 2017

[18]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

[19]基于深度学习的杂草识别方法研究进展. 付豪,赵学观,翟长远,郑康,郑申玉,王秀. 2023

[20]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

作者其他论文 更多>>

微信小程序