获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键,该研究针对利用哨兵2A(Sentinel-2A)影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题,以生成式对抗网络为基础建立了降尺度模型...获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键,该研究针对利用哨兵2A(Sentinel-2A)影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题,以生成式对抗网络为基础建立了降尺度模型REDS(Red Edge Down Scale),用于将B5、B6、B7、B114个通道的空间分辨率从20 m降为10 m;然后利用卷积神经网络构建了逐像素分割模型REVINet(Red Edge and Vegetation Index Feature Network),REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11,以及提取出的增强植被指数、归一化植被指数和归一化差值红边指数组合作为输入,进行逐像素分类。选择ERFNet、U-Net和RefineNet作为对比模型同REVINet开展对比试验,试验结果表明,该研究提出的方法在召回率(92.15%)、查准率(93.74%)、准确率(93.09%)和F1分数(92.94%)上均优于对比方法,表明了该研究在从Sentinel-2A中提取冬小麦空间分布方面具有明显的优势。展开更多
文摘获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键,该研究针对利用哨兵2A(Sentinel-2A)影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题,以生成式对抗网络为基础建立了降尺度模型REDS(Red Edge Down Scale),用于将B5、B6、B7、B114个通道的空间分辨率从20 m降为10 m;然后利用卷积神经网络构建了逐像素分割模型REVINet(Red Edge and Vegetation Index Feature Network),REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11,以及提取出的增强植被指数、归一化植被指数和归一化差值红边指数组合作为输入,进行逐像素分类。选择ERFNet、U-Net和RefineNet作为对比模型同REVINet开展对比试验,试验结果表明,该研究提出的方法在召回率(92.15%)、查准率(93.74%)、准确率(93.09%)和F1分数(92.94%)上均优于对比方法,表明了该研究在从Sentinel-2A中提取冬小麦空间分布方面具有明显的优势。
