基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别

• 作者: 刘佳 姜浩 赵红伟 陈仲新
• 来源期刊: 农业工程学报
• 学科: 农学
• 关键词: 作物 遥感 识别 早期 一维卷积神经网络(1DCNN) 深度学习 合成孔径雷达 Sentinel-1
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 农业信息与电气技术
• 页码范围: 169-177
• 页数: 9页
• 分类号: S-1
• 字数: 7226字
• 语种: 中文
• DOI: 10.11975/j.issn.1002-6819.2020.03.021

摘要

作物的早期识别对粮食安全至关重要.在以往的研究中,中国南方作物早期识别面临的主要挑战包括:1)云层覆盖时间长、地块尺寸小且作物类型丰富;2)缺少高时空分辨率合成孔径雷达(synthetic aperture radar,SAR)数据.欧洲航天局Sentinel-1A(S1A)卫星提供的SAR图像具有12 d的重访周期,空间分辨率达10 m,为中国南方作物早期识别提供了新的机遇.为在作物早期识别中充分利用S1A影像的时间特征,本研究提出一维卷积神经网络(one-dimensional convolutional neural network,1D CNN)的增量训练方法:首先利用生长季内全时间序列数据来训练1D CNN的超参数,称为分类器;然后从生长季内第一次S1A影像获取开始,在每个数据获取时间点输入该点之前(包括该点)生长季内所有数据训练分类器在该点的其他参数.以中国湛江地区2017年生长季为研究实例,分别基于VV、VH和VH+VV,评估不同极化数据在该地区的作物分类效果.为验证该方法的有效性,本研究同时应用经典的随机森林(random forest,RF)模型对研究区进行试验.结果表明:1)基于VH+VV、VH和VV极化数据的分类精度依次降低,其中,基于VH+VV后向散射系数时间序列1D CNN和RF测试结果的Kappa系数最大值分别为0.924和0.916,说明S1A时间序列数据在该地区作物分类任务中有效;2)在研究区域内2017年生长季早期,基于1D CNN和RF的5种作物的F-measure均达到0.85及以上,说明本文所构建的1D CNN在该地区主要作物早期分类任务中有效.研究结果证明,针对中国南方作物早期分类,本研究提出的1D CNN训练方案可行.研究结果可为深度学习在作物早期分类任务中的应用提供参考.