深度学习方法在作物遥感分类中的应用和挑战

文献类型： 中文期刊

第一作者： 赵红伟

作者： 赵红伟;陈仲新;刘佳

作者机构：

关键词： 深度学习;农作物分类;CNN;LSTM RNN;GRU RNN

期刊名称： 中国农业资源与区划

ISSN： 1005-9121

年卷期： 2020 年 002 期

页码： 35-49

收录情况： 北大核心

摘要： [目的]准确估算作物的面积和分布对粮食安全至关重要.与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性.为有效利用高时空数据进行作物识别提供了新的机遇.已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题.[方法]文章回顾了利用深度学习模型对作物分类的主要研究.N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务.长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题.此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类.该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构.然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度.最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性.[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征.这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的.[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具.此外,与其他模型相比,RCNN, 3-D CNN和GUR RNN具有更大的潜力.

分类号： TP751%TP18%S127

  • 相关文献

[1]基于深度学习的玉米病虫害智能诊断系统开发. 姚强,付忠军,李君保,吕斌,粟超,郭彩霞. 2023

[2]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. 田甜,王迪,王珍,李会宾. 2022

[3]基于随机森林法的农作物遥感识别方法研究-以阿荣旗部分区域为例. 包珺玮,于利峰,乌兰吐雅,许洪滔,乌云德吉,于伟卓. 2020

[4]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

[5]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

[6]极化SAR农作物分类研究进展. 曾妍,王迪,田甜,张影. 2020

[7]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

[8]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

[9]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

[10]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

[11]基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究. 冯裕清,杨信廷,徐大明,罗娜,陈枫,孙传恒. 2022

[12]基于词向量的检索扩展方法与农业领域实证. 吴蕾,梁晓贺,乌吉斯古楞,王瑞. 2019

[13]基于神经网络的文献主题国别标引方法研究. 王新. 2019

[14]基于无人机遥感的盛花期薇甘菊爆发点识别与监测. 孙中宇,荆文龙,乔曦,杨龙. 2019

[15]基于YOLOv3深度卷积神经网络的田间百香果定位. 林营志,卢依琳,刘现. 2019

[16]基于深度学习的无人机影像玉米倒伏区域提取. 郑二功,田迎芳,陈涛. 2018

[17]机器学习在植物病害识别研究中的应用. 王聃,柴秀娟. 2019

[18]蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试. 李华龙,李淼,詹凯,刘先旺,杨选将,胡泽林,郭盼盼. 2020

[19]基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别. 魏靖,王玉亭,袁会珠,张梦蕾,王振营. 2020

[20]基于长短时记忆神经网络的生猪价格预测模型. 刘怡然,王东杰,邓雪峰,刘振宇. 2021

作者其他论文 更多>>

微信小程序