LSTM支持下时序Sentinel-1A数据的太白山区植被制图
植被分类是森林资源调查与动态监测的基础与前提.当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限.微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力.本文利用2018年Sentinel-lA微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图.首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类.实验结果表明:①与传统机器学习方法(如RF、SVM)相比,本文提出的深度循环网络方法的分类精度提高10%以上;②在Sentinel-lA微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③使用全年的时间影像构建时间序列分类精度最高,达到82%.研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路.
植被分类、太白山、时间序列、Sentinel-1A数据、深度循环网络、微波遥感、机器学习
22
国家重点研发计划项目;中央高校基本科研业务费项目;遥感科学国家重点实验室开放基金资助;空间数据挖掘与信息共享教育部重点实验室福州大学开放基金资助
2021-02-04(万方平台首次上网日期,不代表论文的发表时间)
共11页
2445-2455