典型文献
构建地块二维表征及CNN模型的作物遥感分类
文献摘要：
本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类.通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示.通过构建相对最优的卷积神经网络CNN(Convolutional Neural Network)结构完成对特征图的分类,从而完成对地块的分类.构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类.将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度.结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界.所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法.
文献关键词：
遥感;作物分类;CNN;特征图;二维表征;时序影像;地块数据
中图分类号：
作者姓名：
张乾坤;蒙继华;任超
作者机构：
桂林理工大学测绘地理信息学院,桂林541004;中国科学院空天信息创新研究院数字地球重点实验室,北京100101
文献出处：
引用格式：
[1]张乾坤;蒙继华;任超-.构建地块二维表征及CNN模型的作物遥感分类)[J].遥感学报,2022(07):1437-1449
A类：
二维表征
B类：
建地,遥感分类,基于地块,地块数据,深度学习模型,分类特征,特征表示,表示方法,不同时相,上光,光谱差异,作物类型,Google,Earth,Engine,生育期,Landsat,质量评定,波段,反射率,长进,波谱,维特,特征图,Convolutional,Neural,Network,并不需要,手工特征,预定,提取特征,端到端,机器学习分类器,分类算法,分类精度,出得,作物分类,多时相影像,影像分类,分类任务,优选方法,时序影像
AB值：
0.432851
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。
