基于卷积网络的沙漠腹地绿洲植物群落自动分类方法

• 作者: 刘素红 尼加提·卡斯木 师庆东 李浩 比拉力·依明
• 来源期刊: 农业机械学报
• 学科: 地球科学
• 关键词: 沙漠腹地 植物群落 自动分类 CNN深度卷积网络 VGGNet模型 ResNet模型
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 农业信息化工程
• 页码范围: 217-225
• 页数: 9页
• 分类号: P95
• 字数: 4921字
• 语种: 中文
• DOI: 10.6041/j.issn.1000-1298.2019.01.024

摘要

为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法.切分无人机影像获得规则块图像,利用基于CNN的VGGNet和ResNet模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果.采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响.实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,ResNet50模型与VGG19模型的建模精度从86.00％、83.33％分别提升到92.56％、90.29％;ResNet50模型分类精度为83.53％ ～ 91.83％,而VGG19模型分类精度为80.97％～89.56％,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度.分类结果表明,训练样本数量不低于200时,基于CNN的ResNet50模型表现出最佳的分类结果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	师庆东	新疆大学绿洲生态教育部重点实验室	92	1112	19.0	30.0
5	刘素红	北京师范大学环境遥感与数字城市北京市重点实验室	50	562	13.0	22.0
6	尼加提·卡斯木	新疆大学干旱生态环境研究所	4	17	2.0	4.0
10	比拉力·依明	新疆大学干旱生态环境研究所	2	10	1.0	2.0