亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于機(jī)器學(xué)習(xí)算法的河南省冬小麥面積提取研究

        2024-04-30 18:14:51王小飛張方敏任祖光張世豪高歌
        江蘇農(nóng)業(yè)科學(xué) 2024年6期
        關(guān)鍵詞:深度神經(jīng)網(wǎng)絡(luò)時(shí)間序列遙感

        王小飛 張方敏 任祖光 張世豪 高歌

        摘要:為了精準(zhǔn)獲取河南省冬小麥空間分布及面積數(shù)據(jù),基于2003—2021年250 m MODIS-NDVI時(shí)間序列遙感數(shù)據(jù)集,通過(guò)設(shè)置不同的閾值條件獲得高質(zhì)量的樣本數(shù)據(jù),采用深度神經(jīng)網(wǎng)絡(luò)(DNN)、隨機(jī)森林(RF)和支持向量機(jī)(SVM)算法,自動(dòng)從NDVI時(shí)序數(shù)據(jù)中提取冬小麥特征,分別訓(xùn)練出非線性模型,在250 m尺度對(duì)河南省冬小麥分布和面積進(jìn)行識(shí)別。結(jié)果表明,基于DNN算法的河南省冬小麥面積識(shí)別模型精確率為97.26%,總體一致性為97.97%;基于RF、SVM算法的精確率分別為91.51%和89.31%,總體一致性均在90%以下。和RF、SVM算法相比,DNN算法在精度上有明顯的提升,能夠更好地反映河南省冬小麥的時(shí)間變化趨勢(shì)和空間面積分布。該研究說(shuō)明,運(yùn)用中等分辨率長(zhǎng)時(shí)間序列影像結(jié)合DNN算法,在一定程度上可以更準(zhǔn)確識(shí)別大區(qū)域的農(nóng)作物信息。

        關(guān)鍵詞:冬小麥;深度神經(jīng)網(wǎng)絡(luò);NDVI;遙感;時(shí)間序列

        中圖分類號(hào):S127? 文獻(xiàn)標(biāo)志碼:A

        文章編號(hào):1002-1302(2024)06-0215-10

        收稿日期:2023-04-19

        基金項(xiàng)目:江蘇省碳達(dá)峰碳中和科技創(chuàng)新專項(xiàng)資金(編號(hào):BK20220017)。

        作者簡(jiǎn)介:王小飛(1995—),男,河南周口人,碩士研究生,主要從事農(nóng)業(yè)遙感研究。E-mail:1573979951@qq.com。

        通信作者:張方敏,博士,教授,主要從事農(nóng)業(yè)與生態(tài)氣象研究,E-mail:fmin.zhang@nuist.edu.cn;高歌,博士,研究員,主要從事氣候變化與評(píng)估研究,E-mail:gaoge@cma.gov.cn。

        冬小麥?zhǔn)呛幽鲜〉闹饕r(nóng)作物之一,其產(chǎn)量占全國(guó)小麥總產(chǎn)量的28%(2021年統(tǒng)計(jì)年鑒)。因此,獲取冬小麥準(zhǔn)確的空間分布和種植面積信息,有助于充分發(fā)揮其潛在的生產(chǎn)力,促進(jìn)我國(guó)農(nóng)業(yè)的發(fā)展和糧食安全,這一工作具有非常重要的意義[1]。遙感技術(shù)在作物類型識(shí)別和分類中發(fā)揮著關(guān)鍵作用,能夠有效提取出不同作物的長(zhǎng)勢(shì)特征和種植面積,是推進(jìn)農(nóng)業(yè)現(xiàn)代化的關(guān)鍵一步[2]。由于不同農(nóng)作物在光譜特征上的相似度較高,僅憑借單一時(shí)間點(diǎn)的遙感影像進(jìn)行分類容易出現(xiàn)“異物同譜”和“同物異譜”的問(wèn)題,從而影響地物的識(shí)別分類精度[3]。針對(duì)這個(gè)問(wèn)題,學(xué)者們提出使用長(zhǎng)時(shí)間序列的植被指數(shù)反映不同農(nóng)作物的物候特征[4],進(jìn)而提高農(nóng)作物分類的識(shí)別精度[5]

        近年來(lái),學(xué)者們利用MODIS[6-7]、Landsat[8]、哨兵[9]、GF[10]等系列衛(wèi)星數(shù)據(jù)開(kāi)展了冬小麥的遙感識(shí)別研究。使用的方法主要包括機(jī)器學(xué)習(xí)和非機(jī)器學(xué)習(xí)2種[11-12]。傳統(tǒng)的非機(jī)器學(xué)習(xí)方法在特定條件下表現(xiàn)良好,但其難以泛化到不同的時(shí)間、地點(diǎn)或環(huán)境條件下,因此受到了一定的限制。比如,這些方法通常依賴于手動(dòng)定義的規(guī)則和閾值來(lái)進(jìn)行特征提取和分類,對(duì)于復(fù)雜的植被覆蓋類型和變化不夠靈活[13]。Busetto等[14]、Skakun等[15]、Chu等[16]、Tao等[17]、Qiu等[18]和Dong等[19]基于MODIS、Landsat時(shí)序數(shù)據(jù)分別采用PhenoRice算法、高斯混合法、雙高斯函數(shù)方法、冬小麥冬前高峰特征法、物候特征法和時(shí)間加權(quán)的動(dòng)態(tài)時(shí)間歸整法進(jìn)行了冬小麥特征提取。采用機(jī)器學(xué)習(xí)方法進(jìn)行冬小麥遙感識(shí)別具有明顯優(yōu)勢(shì),機(jī)器學(xué)習(xí)方法能夠自動(dòng)從遙感數(shù)據(jù)中學(xué)習(xí)并提取多維特征,無(wú)需事先定義特定規(guī)則或閾值[20]。利用大量的訓(xùn)練樣本數(shù)據(jù),機(jī)器學(xué)習(xí)模型能夠建立復(fù)雜的特征-類別關(guān)聯(lián),從而提高冬小麥識(shí)別的準(zhǔn)確性[21]。

        隨著機(jī)器學(xué)習(xí)算法的快速發(fā)展,深度學(xué)習(xí)算法通過(guò)多層結(jié)構(gòu)和大規(guī)模數(shù)據(jù)訓(xùn)練,能夠?qū)崿F(xiàn)高度的特征學(xué)習(xí)和模式識(shí)別,在各種應(yīng)用中能取得卓越的性能[22],明顯強(qiáng)于傳統(tǒng)機(jī)器學(xué)習(xí)算法[23-26],因此,在基于遙感的地物分類應(yīng)用也得到了廣泛關(guān)注。張乾坤等利用Landsat-8數(shù)據(jù),通過(guò)構(gòu)建相對(duì)最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)實(shí)現(xiàn)了新疆地物高精度分類[27];Sun等使用Landsat-8數(shù)據(jù)構(gòu)建時(shí)間序列,利用深度神經(jīng)網(wǎng)絡(luò)(deep neural network,DNN)算法完成美國(guó)北達(dá)科他州地區(qū)不同作物的分類,總體精度超過(guò)了82%[28];姚錦一等采用Sentinel-2數(shù)據(jù),結(jié)合DNN算法對(duì)色楞格河流域的水體信息進(jìn)行了提取,總體精度達(dá)到了97.65%[29];Kussul等結(jié)合Landsat-8和Sentinel-1A遙感數(shù)據(jù),建立時(shí)間序列數(shù)據(jù)用于提取作物的物候特征,采用卷積神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)了烏克蘭基輔地區(qū)不同農(nóng)作物的分類,精度可達(dá)94.6%[30]。

        MODIS提供了較長(zhǎng)時(shí)間序列的時(shí)序數(shù)據(jù),解決了中高分辨率影像數(shù)據(jù)量大、重訪周期長(zhǎng)、大范圍內(nèi)同一時(shí)間影像缺失等問(wèn)題。因此,本研究基于2003—2021年MODIS的250 m歸一化植被指數(shù)(normalized difference vegetation index,NDVI)時(shí)序數(shù)據(jù),利用具有更強(qiáng)的學(xué)習(xí)能力和更好的泛化性能的DNN算法提取河南省冬小麥種植面積,并和基于隨機(jī)森林(random decision forests,RF)、支持向量機(jī)(support vector machine,SVM)的機(jī)器學(xué)習(xí)算法的結(jié)果進(jìn)行對(duì)比,分析3種機(jī)器學(xué)習(xí)算法下的河南省冬小麥種植面積的提取精度。

        1? 研究區(qū)域與數(shù)據(jù)

        1.1? 研究區(qū)域概況

        河南省是我國(guó)內(nèi)陸腹地的一部分,地理位置介于110.21~116.39°E、31.23~36.22°N之間。河南省屬于溫帶季風(fēng)氣候區(qū),四季分明,夏季雨水集中,氣候炎熱,冬季干冷。年平均氣溫為10.5~16.7 ℃,年降水量407.7~1 295.8 mm,受東南季風(fēng)影響,呈現(xiàn)由東南向西北逐漸減少的趨勢(shì)。河南省地勢(shì)高低不平,西部以山地和丘陵為主,東部以平原為主。平原地區(qū)土層深厚,土質(zhì)肥沃,棕壤和褐土是主要土壤類型,適合冬小麥的生長(zhǎng)。河南省是全國(guó)冬小麥主要產(chǎn)區(qū)之一。

        1.2? 研究數(shù)據(jù)

        1.2.1? 遙感數(shù)據(jù)

        NDVI數(shù)據(jù)來(lái)源于2003—2021年MODIS MYD13Q1產(chǎn)品(http://earthexplorer.usgs.gov/),16 d融合產(chǎn)品,1年23期,空間分辨率為250 m。使用MODIS數(shù)據(jù)處理工具(MODIS Reprojection Tool)將MYD13Q1數(shù)據(jù)從HDF格式轉(zhuǎn)換為Tiff格式,進(jìn)行重投影和裁剪等操作,得到河南省冬小麥每年生長(zhǎng)季內(nèi)(10月8日到次年6月17日)17期的NDVI數(shù)據(jù)(因閏年和平年的原因,所述日期和實(shí)際選取的日期會(huì)有1 d的誤差)[31]。

        1.2.2? 樣本數(shù)據(jù)

        為獲取河南省主要地物類型分布,結(jié)合Google Earth和中國(guó)氣象科學(xué)數(shù)據(jù)共享服務(wù)網(wǎng)(http://data.cma.cn/)下載的參考樣本點(diǎn)數(shù)據(jù),在冬小麥生長(zhǎng)季將河南省地物類型分為6大類別,即冬小麥、單峰類作物、其他雙峰類作物、林地、建筑用地和水體(圖1)。在研究區(qū)每年共獲得9 970個(gè)左右的樣本點(diǎn)(30 580個(gè)左右的像元點(diǎn)),包括冬小麥6 000個(gè)左右(20 000個(gè)左右的像元點(diǎn))、單峰類作物550個(gè)左右(600個(gè)左右的像元點(diǎn))、其他雙峰類作物900個(gè)左右(1 000個(gè)左右的像元點(diǎn))、林地1 500個(gè)左右(5 700個(gè)左右的像元點(diǎn))、建筑用地1 000個(gè)左右(3 100個(gè)左右的像元點(diǎn))、水體20個(gè)左右(180個(gè)左右的像元點(diǎn))。隨機(jī)選取75%的樣本點(diǎn)作為訓(xùn)練集,剩下的25%樣本點(diǎn)用于測(cè)試集,用來(lái)建立冬小麥識(shí)別的訓(xùn)練模型。

        1.2.3? 驗(yàn)證數(shù)據(jù)

        為了更好地驗(yàn)證本研究基于DNN算法的分類精度,使用CLCD 30 m的土地覆蓋數(shù)據(jù)集(https://zenodo.org/records/4417810)[32]、國(guó)家青藏高原科學(xué)數(shù)據(jù)中心提供的2001—2018年250 m 華北平原農(nóng)作物種植區(qū)分布數(shù)據(jù)集(https://data.tpdc.ac.cn/)[33]和河南省統(tǒng)計(jì)年鑒2003—2021年的冬小麥種植面積(https://tjj.henan.gov.cn/)進(jìn)行精度驗(yàn)證。

        2? 研究方法

        本研究技術(shù)路線如圖2所示。首先,從樣本點(diǎn)中獲取NDVI時(shí)序數(shù)據(jù),然后利用設(shè)定的閾值過(guò)濾掉低質(zhì)量樣本。然后,運(yùn)用機(jī)器學(xué)習(xí)模型(包括DNN、RF和SVM)結(jié)合樣本的NDVI時(shí)序數(shù)據(jù),對(duì)冬小麥進(jìn)行識(shí)別模型的訓(xùn)練。最后將MODIS-NDVI時(shí)序數(shù)據(jù)輸入經(jīng)過(guò)訓(xùn)練的冬小麥識(shí)別模型,對(duì)冬小麥進(jìn)行遙感識(shí)別,并且對(duì)3種機(jī)器學(xué)習(xí)算法的模型精度和冬小麥識(shí)別精度分別進(jìn)行詳細(xì)分析。

        2.1? 閾值設(shè)置

        閾值主要是剔除冬小麥樣本中出現(xiàn)的低質(zhì)量像元和一些異像元。冬小麥的生長(zhǎng)狀況受雨水、日照等天氣條件影響比較大,比如在2003年、2006年、2008年、2013年一些地區(qū)的冬小麥NDVI值偏低,因此在冬小麥的樣本中通過(guò)設(shè)置閾值,過(guò)濾掉低質(zhì)量的樣本。經(jīng)過(guò)多次試驗(yàn)測(cè)試,認(rèn)為位于冬小麥孕穗期和抽穗期4月14日、4月30日、5月16日的NDVI值能反映出小麥的長(zhǎng)勢(shì),在NDVI值偏低的4年,任意時(shí)間節(jié)點(diǎn)的NDVI值大于0.78即判斷為質(zhì)量高的冬小麥樣本,在其他NDVI年均值較高的年份,3個(gè)時(shí)間節(jié)點(diǎn)的NDVI值大于0.8判斷為質(zhì)量高的冬小麥樣本。

        在其他單峰類作物、雙峰類作物、林地、建筑用地和水體的樣本中,提取時(shí)間序列的NDVI值同樣

        需要剔除一些異常值。經(jīng)過(guò)多次試驗(yàn),認(rèn)為單峰類作物和雙峰類作物在每個(gè)時(shí)間節(jié)點(diǎn)的NDVI值不為空值即可,建筑用地的每個(gè)時(shí)間節(jié)點(diǎn)的NDVI值不應(yīng)超過(guò)0.4。

        2.2? 特征選擇

        由于河南省南北部氣候差異的原因,小麥種植和收獲的時(shí)間會(huì)存在一定差異,因此,需要確定識(shí)別冬小麥的起始和結(jié)束的時(shí)間,進(jìn)而建立NDVI時(shí)間序列的特征曲線。冬小麥種植時(shí)間在秋季的10—11月之間,該季節(jié)夏玉米、大豆等作物秋收完成,此時(shí)的NDVI值介于0.2~0.3之間,河南省冬小麥種植時(shí)間差異不大,選擇10月8日作為起始時(shí)間。

        河南省冬小麥?zhǔn)斋@時(shí)間大部分集中在5月20日之后和6月20日之前,由圖3可知,在2018年6月2日之后NDVI的曲線走勢(shì)出現(xiàn)明顯不同,這是由于2地的冬小麥成熟時(shí)間不一致導(dǎo)致的。樣本2所在區(qū)域?yàn)槟详?yáng)地區(qū),經(jīng)過(guò)調(diào)研,此地區(qū)的冬小麥成熟時(shí)間大部分集中在5月下旬,收割結(jié)束之后,會(huì)種植夏糧作物,NDVI值在6月17日會(huì)達(dá)到0.4以上,而此時(shí)河南省東部和北部的小麥正處于收割階段,因此最后一個(gè)特征值選擇6月2日的NDVI值。綜上,選擇從10月8日到次年的6月2日共16期的NDVI值作為特征值,可以有效區(qū)分冬小麥、單峰類植物、其他雙峰類植物、林地、建筑用地以及水體(圖4)。

        2.3? 構(gòu)建基于DNN的冬小麥訓(xùn)練模型

        使用Python編程語(yǔ)言對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,在基于TensorFlow的深度學(xué)習(xí)框架下進(jìn)行DNN模型的搭建、訓(xùn)練和測(cè)試。

        2.3.1? DNN網(wǎng)絡(luò)層數(shù)和神經(jīng)元個(gè)數(shù)設(shè)置

        網(wǎng)絡(luò)結(jié)構(gòu)采用輸入層、全連接層和輸出層,其中輸入層是將輸入的數(shù)據(jù)壓成一維的數(shù)據(jù),再用全連接層(設(shè)置128個(gè)神經(jīng)元)接收一維數(shù)據(jù),進(jìn)行向量處理,最后由輸出層輸出結(jié)果,因?yàn)檩敵鼋Y(jié)果有6個(gè)(冬小麥、單峰類作物、雙峰類作物、林地、建筑用地、水體),輸出層的神經(jīng)元個(gè)數(shù)設(shè)置為6。

        2.3.2? DNN激活函數(shù)設(shè)置

        在全連接層中使用relu激活函數(shù),可以規(guī)避sigmoid函數(shù)飽和區(qū)對(duì)網(wǎng)絡(luò)收斂的限制,加快模型訓(xùn)練速度。在神經(jīng)網(wǎng)絡(luò)的輸出層中,采用softmax作為激活函數(shù)對(duì)全連接層的輸出進(jìn)行變換,使得輸出符合概率分布。這樣的處理可以將每個(gè)輸出值限制在[0,1]之間,并且所有輸出的總和為1,從而更好地表示分類概率。

        式中:x為來(lái)自上一層神經(jīng)網(wǎng)絡(luò)的輸入向量。

        式中:σ是softmax激活函數(shù);zj表示神經(jīng)網(wǎng)絡(luò)模型中第j個(gè)節(jié)點(diǎn)的輸出值;K表示模型輸出的節(jié)點(diǎn)個(gè)數(shù),即分類的類別個(gè)數(shù)。

        2.3.3? DNN訓(xùn)練方法設(shè)置

        在compile中配置訓(xùn)練方法時(shí),選擇adam算法。該算法能夠基于訓(xùn)練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)的權(quán)重,通過(guò)計(jì)算梯度的一階估計(jì)和二階估計(jì)為不同的參數(shù)設(shè)計(jì)獨(dú)立的自適應(yīng)性學(xué)習(xí)率。本研究使用adam默認(rèn)參數(shù),其中一階矩陣指數(shù)衰減率為0.9,二階矩陣指數(shù)衰減率為0.99,穩(wěn)定性常數(shù)為10-8。

        2.3.4? DNN訓(xùn)練參數(shù)設(shè)置

        迭代次數(shù)(epochs)設(shè)置為100,這表示將對(duì)數(shù)據(jù)進(jìn)行100次迭代訓(xùn)練。批量大?。╞atch size)設(shè)置64,每次迭代從訓(xùn)練數(shù)據(jù)中隨機(jī)選擇64個(gè)樣本進(jìn)行訓(xùn)練。validation_split設(shè)置為0.25,每次會(huì)自動(dòng)隨機(jī)選擇75%的數(shù)據(jù)為訓(xùn)練集,剩下25%的數(shù)據(jù)為測(cè)試集。驗(yàn)證頻率(validation frequency)設(shè)置為1,每次迭代后都進(jìn)行1次驗(yàn)證,以監(jiān)測(cè)模型性能。

        最后,使用訓(xùn)練好的模型對(duì)MODIS-NDVI遙感影像進(jìn)行分類,提取出冬小麥的空間分布和種植面積。

        2.4? 構(gòu)建基于RF和SVM的冬小麥訓(xùn)練模型

        為驗(yàn)證DNN算法的優(yōu)越性,將其與機(jī)器學(xué)習(xí)框架下的RF和SVM算法進(jìn)行對(duì)比?;赗F和SVM算法的冬小麥訓(xùn)練模型使用和DNN算法一樣的數(shù)據(jù)集。其中,RF訓(xùn)練模型的參數(shù)設(shè)置:子樹(shù)的數(shù)量為100,每棵樹(shù)的最大深度為9,隨機(jī)種子為42;SVM訓(xùn)練模型的參數(shù)設(shè)置:使用線性基作為SVM的核函數(shù),懲罰因子C為1,松弛變量γ為10-1,隨機(jī)種子為42。RF和SVM將數(shù)據(jù)集75%的樣本作為訓(xùn)練集,剩下25%的樣本為測(cè)試集。

        3? 結(jié)果與分析

        3.1? 識(shí)別結(jié)果

        根據(jù)2003—2021年的樣本數(shù)據(jù),基于DNN訓(xùn)練出冬小麥識(shí)別模型,利用這個(gè)模型遍歷讀取了冬小麥生長(zhǎng)季內(nèi)的16期MODIS-NDVI遙感影像,依次得到河南省2003—2021年冬小麥的空間分布圖(圖5),并統(tǒng)計(jì)得到冬小麥面積時(shí)間序列圖(圖6)。由圖5和圖6可知,2003—2021年河南省的冬小麥空間分布格局變化不明顯,河南省冬小麥種植面積整體呈上升趨勢(shì)。

        3.2? 分類精度分析

        3.2.1? 模型精度分析

        在本研究中,通過(guò)精確率和損失率來(lái)評(píng)估模型的優(yōu)劣,精確率衡量了模型預(yù)測(cè)的陽(yáng)性樣本中真正陽(yáng)性樣本的比例,而損失率則代表了模型預(yù)測(cè)錯(cuò)誤的樣本所占的比例[34]。如表1所示,基于DNN算法的多年精確率為97.26%(最高為2003年的98.43%,最低為2012年的95.14%),比RF、SVM算法精確率分別提升5.75、7.95百分點(diǎn)?;跇颖军c(diǎn)的多年損失率為7.07%,其中最高為2012年的12.27%,最低為2003年的4.12%,比RF、SVM算法損失率分別降低19.79、22.46百分點(diǎn)。該結(jié)果與張榮群等[3]、王連喜等[23]、張錦水等[35]和徐青云等[36]對(duì)比,精確率分別提升8.31、2.10、1.77、11.54百分點(diǎn),表明該模型的精度較好,可以對(duì)河南省冬小麥的空間分布和面積進(jìn)行提取。

        3.2.2? 識(shí)別精度分析

        使用ArcMap軟件對(duì)2003—2021年CLCD 30 m的土地覆蓋數(shù)據(jù)集進(jìn)行250 m重采樣,然后分別與使用DNN、RF和SVM方法的250 m冬小麥分類圖進(jìn)行空間對(duì)比。以2005、2015年為例(圖7),2005年基于DNN的方法冬小麥分布較稀疏,2015年3種方法的結(jié)果較一致。遍歷每個(gè)年份的250 m分辨率的冬小麥分類圖和CLCD數(shù)據(jù)集,比較2個(gè)數(shù)據(jù)集中相同像元位置上的類別,并記錄冬小麥和CLCD數(shù)據(jù)集中相同類別的像元數(shù)量,統(tǒng)計(jì)每個(gè)年份的冬小麥總像元數(shù)量,并計(jì)算相同類別像元數(shù)量與冬小麥總像元數(shù)量的比值,得到2003—2021年DNN預(yù)測(cè)的冬小麥空間分布與CLCD數(shù)據(jù)集耕地的重疊率達(dá)到98%以上,RF和SVM預(yù)測(cè)的冬小麥空間分布重疊率為90%左右。

        以國(guó)家青藏高原科學(xué)數(shù)據(jù)中心提供的華北平原農(nóng)作物種植區(qū)分布圖作為實(shí)際數(shù)據(jù),使用DNN、RF和SVM方法得出的結(jié)果作為預(yù)測(cè)數(shù)據(jù),比較實(shí)際冬小麥面積數(shù)據(jù)和DNN、RF和SVM方法預(yù)測(cè)的冬小麥數(shù)據(jù)。結(jié)果表明,2003—2018年河南省冬小麥面積與DNN預(yù)測(cè)的面積一致性達(dá)到95%以上,與RF和SVM預(yù)測(cè)的面積一致性在90%以下。以2018年商丘和2017年周口的結(jié)果為例(圖8),一致性分別為95.29%、98.62%,與RF方法的一致性分別為92.02%、89.43%,與SVM的一致性分別為92.43%、87.56%。對(duì)比結(jié)果進(jìn)一步說(shuō)明了使用基于DNN的冬小麥訓(xùn)練模型能夠較好地獲取河南省2003—2021年冬小麥空間分布信息。

        同樣采用上述方法,與河南省統(tǒng)計(jì)年鑒中的冬小麥播種面積數(shù)據(jù)進(jìn)行對(duì)比,結(jié)果(表2)表明,基于DNN方法計(jì)算2003—2021年的分類面積與統(tǒng)計(jì)面積的一致性平均為97.97%(最高為2016年的99.99%,最低為2003年的93.28%),并且和基于統(tǒng)計(jì)面積的變化趨勢(shì)一致,均為遞增趨勢(shì)。而RF和SVM算法預(yù)測(cè)面積在2003—2006年誤差率高達(dá)20%~35%,導(dǎo)致基于RF和SVM算法的2003—2021年河南省冬小麥預(yù)測(cè)面積呈遞減趨勢(shì),與統(tǒng)計(jì)年鑒面積趨勢(shì)變化呈相反結(jié)果。結(jié)果說(shuō)明了基于DNN的冬小麥訓(xùn)練模型優(yōu)于RF和SVM算法,亦能很好地反映河南省冬小麥的多年面積變化情況。

        4? 討論

        盡管冬小麥生長(zhǎng)周期內(nèi)的NDVI時(shí)間序列曲線基本一致,但是由于每年氣候變化和作物管理方式不同,每年的NDVI時(shí)間序列曲線仍有變化[37],如圖9所示(該冬小麥樣本點(diǎn)位于116.19°E、33.88°N),2019年冬小麥的NDVI明顯低于其他年份,2012年10月到12月的NDVI值遠(yuǎn)高于其他年份,2008年1月9日的NDVI值達(dá)到歷年最低。因此,本研究根據(jù)當(dāng)年的樣本集訓(xùn)練出當(dāng)年的冬小麥模型,會(huì)減小多年間作物生長(zhǎng)差異對(duì)模型精度的影響。

        本研究所使用的是250 m MODIS遙感數(shù)據(jù),存在混合像元的情況。為了提高分類結(jié)果的準(zhǔn)確性,本研究將混合像元中實(shí)際冬小麥占比大于50%的像元分類為冬小麥,實(shí)際冬小麥占比小于50%的像元分類為非冬小麥,由于冬小麥的時(shí)序曲線變化和其他雙峰類作物的曲線類似,需要收集更多的其他雙峰類作物的樣本,充分發(fā)揮DNN對(duì)于大樣本大數(shù)據(jù)處理的優(yōu)勢(shì),減少混合像元帶來(lái)的誤差。因此,未來(lái)的研究可以采用多種高分辨率遙感數(shù)據(jù)和多種機(jī)器學(xué)習(xí)算法相結(jié)合的方法提高識(shí)別精度。

        DNN是由多個(gè)感知器組成的集成學(xué)習(xí)模型,具有很強(qiáng)的非線性擬合能力,通過(guò)本研究3種機(jī)器學(xué)習(xí)算法的精度對(duì)比可以發(fā)現(xiàn),DNN的分類能力遠(yuǎn)遠(yuǎn)優(yōu)于其他2種機(jī)器學(xué)習(xí)算法,但是也存在一定的不確定性。在分類的結(jié)果中,有小部分冬小麥像元會(huì)識(shí)別成其他類型,其原因可能是該地區(qū)的天氣相關(guān),如冬季的雨雪天氣、春季的干旱以及管理農(nóng)作物方式的不同都會(huì)導(dǎo)致NDVI的異常,也可能是由于模型的不足,會(huì)對(duì)精度的評(píng)價(jià)產(chǎn)生一定的影響。因此需要對(duì)DNN模型的分類過(guò)程進(jìn)行更深入的研究,以揭示其“黑盒”性質(zhì),提高對(duì)其分類結(jié)果的信任度和可靠性[38]

        5? 結(jié)論

        本研究以2003—2021年的MODIS-NDVI為數(shù)據(jù)源,根據(jù)河南省的地勢(shì)和氣候完成對(duì)地表混合像元和異常值的處理,利用處理后的NDVI時(shí)間序列作為特征值,構(gòu)建基于DNN、RF和SVM的冬小麥識(shí)別機(jī)器學(xué)習(xí)算法模型,與已知的數(shù)據(jù)對(duì)比對(duì)識(shí)別的冬小麥進(jìn)行精度驗(yàn)證。結(jié)果表明,在空間上,基于DNN算法的2003—2021年冬小麥分布與CLCD數(shù)據(jù)集在耕地上的重疊率達(dá)到98%以上,與青藏高原科學(xué)數(shù)據(jù)中心提供的華北平原農(nóng)作物種植區(qū)的一致性達(dá)95%以上,與河南省統(tǒng)計(jì)年鑒中的冬小麥面積一致性平均為97.97%,并且變化趨勢(shì)保持一致?;赗F和SVM算法的冬小麥分布的識(shí)別結(jié)果與相同數(shù)據(jù)集的對(duì)比顯示,在重疊率和一致性上這2種算法均低于DNN的冬小麥識(shí)別結(jié)果,并且不能很好地反映冬小麥的時(shí)間變化趨勢(shì)。結(jié)果說(shuō)明了基于DNN算法的模型能更有效地提取反映作物生長(zhǎng)信息的時(shí)間和空間特征,提高了大范圍冬小麥的空間分布和面積數(shù)據(jù)的精確度。

        參考文獻(xiàn):

        [1]孫九林. 中國(guó)農(nóng)作物遙感動(dòng)態(tài)監(jiān)測(cè)與估產(chǎn)總論[M]. 北京:中國(guó)科學(xué)技術(shù)出版社,1996:1-8.

        [2]何忠,謝國(guó)雪,林垚君,等. 遙感技術(shù)在我國(guó)甘蔗產(chǎn)業(yè)的應(yīng)用綜述[J]. 國(guó)土資源信息化,2020(4):22-27.

        [3]張榮群,王盛安,高萬(wàn)林,等. 基于時(shí)序植被指數(shù)的縣域作物遙感分類方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(增刊1):246-252.

        [4]饒新宇,李紅軍,張圣微,等. 草原植被長(zhǎng)勢(shì)遙感監(jiān)測(cè)方法適宜性研究[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文),2021,29(12):2084-2092.

        [5]Liang S L. Quantitative remote sensing of land surfaces[M]. New Jersey:John Wiley & Sons,2003:494-501.

        [6]Bognár P,Kern A,Pásztor S,et al. Yield estimation and forecasting for winter wheat in Hungary using time series of MODIS data[J]. International Journal of Remote Sensing,2017,38(11):3394-3414.

        [7]Pan Y Z,Li L,Zhang J S,et al. Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index[J]. Remote Sensing of Environment,2012,119:232-242.

        [8]Skakun S,Vermote E,F(xiàn)ranch B,et al. Winter wheat yield assessment from Landsat 8 and Sentinel-2 data:incorporating surface reflectance,through phenological fitting,into regression yield models[J]. Remote Sensing,2019,11(15):1768.

        [9]Xu F,Li Z F,Zhang S Y,et al. Mapping winter wheat with combinations of temporally aggregated Sentinel-2 and Landsat-8 data in Shandong Province,China[J]. Remote Sensing,2020,12(12):2065.

        [10]Huawei Mou A,Huan Li B,Yuguang Zhou C,et al. Estimating winter wheat straw amount and spatial distribution in Qihe County,China,using GF-1 satellite images[J]. Journal of Renewable and Sustainable Energy,2021,13(1):013102.

        [11]Zhang X W,Qiu F,Qin F. Identification and mapping of winter wheat by integrating temporal change information and Kullback-Leibler divergence[J]. International Journal of Applied Earth Observation and Geoinformation,2019,76:26-39.

        [12]Zhang Q X,Wang G F,Wang G J,et al. Identifying winter wheat using landsat data based on deep learning algorithms in the North China Plain[J]. Remote Sensing,2023,15(21):5121.

        [13]Shi W Z,Zhang M,Zhang R,et al. Change detection based on artificial intelligence:state-of-the-art and challenges[J]. Remote Sensing,2020,12(10):1688.

        [14]Busetto L,Zwart S J,Boschetti M. Analysing spatial-temporal changes in rice cultivation practices in the Senegal River Valley using MODIS time-series and the PhenoRice algorithm[J]. International Journal of Applied Earth Observation and Geoinformation,2019,75:15-28.

        [15]Skakun S,F(xiàn)ranch B,Vermote E,et al. Early season large-area winter crop mapping using MODIS NDVI data,growing degree days information and a Gaussian mixture model[J]. Remote Sensing of Environment,2017,195:244-258.

        [16]Chu L,Liu Q S,Huang C,et al. Monitoring of winter wheat distribution and phenological phases based on MODIS time-series:a case study in the Yellow River Delta,China[J]. Journal of Integrative Agriculture,2016,15(10):2403-2416.

        [17]Tao J B,Wu W B,Zhou Y,et al. Mapping winter wheat using phenological feature of peak before winter on the North China Plain based on time-series MODIS data[J]. Journal of Integrative Agriculture,2017,16(2):348-359.

        [18]Qiu B W,Hu X,Chen C C,et al. Maps of cropping patterns in China during 2015—2021[J]. Scientific Data,2022,9:479.

        [19]Dong J,F(xiàn)u Y Y,Wang J J,et al. Early-season mapping of winter wheat in China based on Landsat and Sentinel images[J]. Earth System Science Data,2020,12(4):3081-3095.

        [20]Amani M,Ghorbanian A,Ali Ahmadi S,et al. Google earth engine cloud computing platform for remote sensing big data applications:a comprehensive review[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,13:5326-5350.

        [21]Li Y S,Li X W,Zhang Y J,et al. Cost-efficient information extraction from massive remote sensing data:when weakly supervised deep learning meets remote sensing big data[J]. International Journal of Applied Earth Observation and Geoinformation,2023,120:103345.

        [22]Goodfellow I,Bengio Y,Courville A. Deep learning[M]. Cambridge:The Massachusetts Institute of Technology Press,2016:164-172.

        [23]王連喜,徐勝男,李琪,等. 基于決策樹(shù)和混合像元分解的江蘇省冬小麥種植面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào),2016,32(5):182-187.

        [24]李龍,李旭青,吳伶,等. 基于決策樹(shù)和神經(jīng)網(wǎng)絡(luò)的農(nóng)作物分類研究——以廊坊市為例[J]. 紅外,2019,40(3):24-31,36.

        [25]蘇騰飛,劉全明,蘇秀川. 基于多種植被指數(shù)時(shí)間序列與機(jī)器學(xué)習(xí)的作物遙感分類研究[J]. 江蘇農(nóng)業(yè)科學(xué),2017,45(16):219-224.

        [26]楊野,楊德昌,孫紅,等. 基于無(wú)人機(jī)多光譜遙感和機(jī)器學(xué)習(xí)算法的南疆棉花生物量估算[J]. 江蘇農(nóng)業(yè)科學(xué),2023,51(15):179-187.

        [27]張乾坤,蒙繼華,任超.構(gòu)建地塊二維表征及CNN模型的作物遙感分類[J]. 遙感學(xué)報(bào),2022,26(7):1437-1449.

        [28]Sun Z H,Di L P,F(xiàn)ang H,et al. Deep learning classification for crop types in North Dakota[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,13:2200-2213.

        [29]姚錦一,王卷樂(lè),嚴(yán)欣榮,等. 基于深度神經(jīng)網(wǎng)絡(luò)的蒙古國(guó)色楞格河流域水體信息提取[J]. 地球信息科學(xué)學(xué)報(bào),2022,24(5):1009-1017.

        [30]Kussul N,Lavreniuk M,Skakun S,et al. Deep learning classification of land cover and crop types using remote sensing data[J]. IEEE Geoscience and Remote Sensing Letters,2017,14(5):778-782.

        [31]李炳軍,張一帆. 不同生育期氣候變化對(duì)河南省冬小麥產(chǎn)量影響的量化分析[J]. 江蘇農(nóng)業(yè)科學(xué),2022,50(12):238-246.

        [32]Yang J,Huang X.The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data,2021,13(8):3907-3925.

        [33]Li J D,Lei H M. Tracking the spatio-temporal change of planting area of winter wheat-summer maize cropping system in the North China Plain during 2001—2018[J]. Computers and Electronics in Agriculture,2021,187:106222.

        [34]Pleoianu A I,Stupariu M S,andric I,et al. Individual tree-crown detection and species classification in very high-resolution remote sensing imagery using a deep learning ensemble model[J]. Remote Sensing,2020,12(15):2426.

        [35]張錦水,趙光政,洪友堂,等. 基于像元物候曲線匹配的生長(zhǎng)季內(nèi)河北省冬小麥空間分布識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2020,36(23):193-200.

        [36]許青云,楊貴軍,龍慧靈,等. 基于MODIS NDVI多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(11):134-144.

        [37]Wu C Y,Chen J M. Diverse responses of vegetation production to interannual summer drought in North America[J]. International Journal of Applied Earth Observation and Geoinformation,2013,21:1-6.

        [38]田富有,吳炳方,曾紅偉,等. 基于多層神經(jīng)網(wǎng)絡(luò)與Sentinel-2數(shù)據(jù)的大豆種植區(qū)識(shí)別方法[J]. 地球信息科學(xué)學(xué)報(bào),2019,21(6):918-927.

        猜你喜歡
        深度神經(jīng)網(wǎng)絡(luò)時(shí)間序列遙感
        試論基于深度神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別問(wèn)題
        深度神經(jīng)網(wǎng)絡(luò)的發(fā)展現(xiàn)狀
        基于時(shí)間序列的我國(guó)人均GDP分析與預(yù)測(cè)
        商(2016年32期)2016-11-24 16:20:57
        基于深度神經(jīng)網(wǎng)絡(luò)的身份識(shí)別研究
        基于線性散列索引的時(shí)間序列查詢方法研究
        軟件工程(2016年8期)2016-10-25 15:43:57
        基于最大似然法的南京市土地利用類型分類研究
        商(2016年22期)2016-07-08 14:32:30
        基于GIS的東川地區(qū)植被指數(shù)季節(jié)變化研究
        商(2016年22期)2016-07-08 14:05:14
        基于組合模型的能源需求預(yù)測(cè)
        中國(guó)“遙感”衛(wèi)星今年首秀引關(guān)注
        基于深度學(xué)習(xí)的目標(biāo)反饋?zhàn)R別系統(tǒng)
        爱情岛论坛亚洲品质自拍hd| 日本久久精品国产精品| 一区二区三区在线日本视频 | 99在线视频这里只有精品伊人| 国产亚av手机在线观看| 国产99久久亚洲综合精品| 日本a级大片免费观看| 国产av一区二区凹凸精品| 中文字幕视频二区三区| 变态另类手机版av天堂看网| 久久久久无码精品国产app| 波多野结衣有码| 在线免费观看亚洲天堂av| 亚洲丝袜美腿在线视频| 特级a欧美做爰片第一次| 欧美老熟妇又粗又大| 国产特黄1区2区3区4区| 精品人妖一区二区三区四区| 看av免费毛片手机播放| 色伊人国产高清在线| 国产亚洲av手机在线观看| 一本久久精品久久综合| 日本欧美大码a在线观看| 一二三四在线视频观看社区| 久久99精品久久久66| 日本福利视频免费久久久| 有码视频一区二区三区| 日本久久久久亚洲中字幕| 老妇女性较大毛片| 国产成人精品亚洲午夜| 在线播放中文字幕一区二区三区| 蜜桃传媒网站在线观看| 日本老熟妇乱| 亚洲av第一成肉网| 免费人成视频网站在线观看不卡 | 久久久久久久97| 一级毛片60分钟在线播放| 精品国产亚洲人成在线观看| 亚洲啪啪视频一区二区| 日韩精品无码免费专区网站 | 4hu四虎永久在线观看|