特征优选与卷积神经网络在农作物精细分类中的应用研究
农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义.深度学习的出现为农作物分类准确性的提升提供了新的思路.本文提出一种特征优选与卷积神经网络(Convolutional Neural Networks,CNN)相结合的多光谱遥感农作物分类方法,用以解决精细分类问题.实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%.同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别.对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差.实验结果表明:①利用ReliefF算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;②基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳.
农作物分类、遥感、CNN、深度学习、Relief F、特征优选、植被指数、多光谱
23
中国科学院大科学项目;中国科学院先导项目
2021-07-19(万方平台首次上网日期,不代表论文的发表时间)
共11页
1071-1081