基于深度学习的多时序遥感影像水稻提取研究

水稻在我国的农业领域占有重要的地位,产量约占全国粮食总产量的50%,因此对水稻种植区域实现准确、快速提取具有重要意义。以安徽省凤台县区域为研究对象,提出了结合深度学习与多时序遥感影像提取水稻种植区域的方法。实验结果表明:抽穗期与成熟期时相组合提取精度最高、效果最好,水稻抽穗期与成熟期的植被特征反差能够较好地提取出水稻区域;且在与传统监督分类方法的对比中,提出方法的提取效果明显优于传统监督分类的方法。

基于Landsat8时间序列的宁夏青铜峡市农田防护林提取

农田防护林在西北多风沙地区发挥了重要防护作用,为农作物提供了良好的生长环境。为了解农田防护林的空间分布特征,需要对防护林进行有效提取,采用中低分辨率遥感数据进行农田防护林提取成为重要途径。以宁夏青铜峡市农田防护林为研究对象,在2019年影像中选取7期可以代表4个季度地物特征的Landsat8 OLI影像数据,在影像预处理基础上,融入水体指数、植被特征和植被指数,提取植被的物候特征,掩膜去除研究区内其他地物,从而实现农田防护林的提取。同时利用野外调查结果和土地利用数据对提取结果进行精度评价。结果表明,该方法防护林提取的总体精度为85.16%,野外调查的50个采样点中有44个点被准确提取,精度达到88.00%。青铜峡市农田防护林多以林带的形式呈现,林带主要沿排水沟分布。

融合空间和时序遥感信息的深度学习水稻提取

为了得到更加精细的水稻提取结果,提出一种结合高分辨率和多时序遥感影像的深度学习水稻提取方法。构建全卷积网络(FCN)对BJ-2高分辨率遥感影像进行分类,并利用长短期记忆网络(LSTM)和随机森林(RF)分类器对Sentinel-2多时序遥感影像进行分类,再通过面向对象的分割和投票对3种方法的分类结果进行融合,得到最终提取结果。在宁波市鄞州区这一研究区域的实验结果表明,提出的方法能获得较高的水稻提取精度以及空间细节保留较为完整的水稻提取结果。