融合浅层特征的深度卷积神经网络互花米草遥感监测方法

• 作者: 任广波 朱玉玲 王安东 王建步 王锦锦 胡亚斌 赵晓龙 陈晓英 马毅
• 来源期刊: 海洋科学
• 学科: 地球科学
• 关键词: 深度卷积神经网络(deep convolutional neural network,DCNN) 浅层特征融合 湿地分类 互花米草(Spartina alterniflora Loisel) 黄河口
• 年，卷（期）: 2019,（7）
• 所属期刊栏目: 研究论文
• 页码范围: 12-22
• 页数: 11页
• 分类号: P237
• 字数: 4991字
• 语种: 中文
• DOI: 10.11759/hykx20190130001

摘要

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deep convolutional neural network,DCNN)分类模型,开展互花米草(Spartina alterniflora Loisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果.结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33％,与支持向量机(support vector machine,SVM)、随机森林(random forest,RF)分类器相比,精度分别提高4.78％、2.7％,互花米草的生产者精度分别提高了2.56％、0.47％,说明在滨海湿地遥感影像分类中,DCNN有着更好的应用潜力;(2)融合浅层特征后,DCNN的总体分类精度和互花米草的识别精度分别提高了0.34％和3.25％,有效提高了对互花米草的监测能力.其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56％,比值植被指数(RVI)次之,为2.32％.研究结果可为互花米草的监测与管理提供技术与数据支撑.