MSMTRIU-Net:基于深度学习的方法,用于识别使用多源和多时间遥感图像的水种植区
Manlin Wang1, Xiaoshuang Ma1,2,3, Taotao Zheng1
1School of Resources and Environmental Engineering, Anhui University, Hefei 230601, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
准确地绘制大米地图对于农业至关重要. 使用多源多时远程传感数据的新型深度学习模型显著改善了米种植区的识别和绘制连续性.
科学领域:
- 农业遥感 农业遥感
- 地理空间分析是什么?
- 深度学习应用程序深度学习应用程序
背景情况:
- 及时准确地识别大米种植区对于农业政策和了解作物分布至关重要.
- 传统的使用单一来源或单一时间数据的遥感方法限制了在不同生长阶段和图像类型中利用大米信息.
- 现有的方法由于不完全的数据利用,往往产生不满意的识别结果.
研究的目的:
- 开发和评估一种新的深度学习方法,用于识别使用多源和多时间遥感数据的水种植区.
- 利用光学 (Landsat-8) 和雷达 (Sentinel-1 PolSAR) 数据来捕捉大米的各种光谱和散射特征.
- 为了提高大米面积测绘的准确性和连续性.
主要方法:
- 开发了一个基于U-Net的深度学习模型,命名为多源和多时米识别U-Net (MSMTRIU-NET).
- 该模型整合了Landsat-8光学和Sentinel-1极度测量合成孔径雷达 (PolSAR) 数据集的多时间特征.
- 培训包括将不同时期的米的光谱反射和极度散射特征输入网络.
主要成果:
- 在MSMTRIU-NET模型实现了高分类精度,在中国的三江平原确定了大米种植区.
- 整合多源和多时间图像信息明显改善了分类性能.
- 由此产生的分类地图显示了增加的连续性和更准确的区划.
结论:
- 拟议的MSMTRIU-NET方法有效地识别了高准确度的水种植区.
- 使用多源和多时间遥感数据显著提高了米区识别的性能.
- 这种方法提供了更连续,更准确的水分布表现,有助于农业监测和政策制定.


