典型文献
基于U-Net卷积神经网络的广东省海水养殖区识别及其时空变化遥感监测
文献摘要：
海水养殖业在广东省海洋经济中占据重要地位,及时准确地掌握海水养殖区的空间分布及面积变化趋势,对海水养殖业的可持续发展具有重要的促进作用.相较于传统解译方法存在可重复性差、适用范围小、主观随意性强等问题,深度学习网络模型中的U-Net卷积神经网络能够更好地从遥感影像中提取目标特征,具有更高的提取精度.鉴于此,基于多时相Landsat TM/OLI遥感影像,选用U-Net模型作为解译模型,识别1998—2021年广东省海水养殖区(围海养殖区及开放式网箱养殖区),开展海水养殖区面积趋势性分析,并探究海水养殖区在空间分布格局上的变化特征.结果表明:相较于K-Means聚类分析和深度信念网络等网络模型,U-Net模型更加适用于对广东省海水养殖区的解译,具有更高的解译精度;广东省海水养殖区主要集中分布在湛江、江门和阳江等广东省西侧区域;广东省各区域海水养殖区面积可分为3个梯队,且变化幅度较小,保持相对稳定状态;广东省海水养殖区在空间上呈现出1998—2014年向外扩张、2014—2021年向内收缩的趋势.本研究能够为广东省海水养殖区的科学管理提供数据支持和技术支撑.
文献关键词：
海水养殖区;遥感;深度学习;U-Net模型;广东省
中图分类号：
作者姓名：
苏玮;林阳阳;岳文;陈颖彪
作者机构：
广东省土地调查规划院,广州 511453;广州大学地理科学与遥感学院,广州 510006
文献出处：
引用格式：
[1]苏玮;林阳阳;岳文;陈颖彪-.基于U-Net卷积神经网络的广东省海水养殖区识别及其时空变化遥感监测)[J].自然资源遥感,2022(04):33-41
A类：
B类：
Net,海水养殖区,时空变化,遥感监测,海水养殖业,海洋经济,济中,面积变化,传统解,可重复性,随意性,深度学习网络,遥感影像,目标特征,多时相,Landsat,TM,OLI,围海养殖,网箱养殖,趋势性分析,空间分布格局,Means,深度信念网络,解译精度,湛江,江门,阳江,西侧,梯队,稳定状态,内收,科学管理
AB值：
0.225081
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
