-
题名基于CNN-LSTM的苹果树种植区域提取
被引量：2
- 1
-
-
作者
王子航
常晗
张瑶
郭树欣
张海洋
-
机构
中国农业大学信息与电气工程学院
中国农业大学智慧农业系统集成研究教育部重点实验室
-
出处
《农业机械学报》
CSCD
北大核心
2024年第S2期277-285,共9页
-
基金
国家自然科学基金面上项目(32471993)
-
文摘
苹果树种植区域提取有利于农业资源高效管理。为解决苹果种植区域提取中存在的分类精度不高、时效性滞后等问题,提出一种基于Sentinel-2和MODIS融合影像的卷积神经网络-长短期记忆网络(CNN-LSTM)时序分类模型。首先采用ESTARFM时空融合算法构建融合影像,对不同卫星影像在空间和时间监测能力优势和缺陷进行互补,得到高空间和高时间分辨率共存的影像数据。在特征选择方面,通过随机森林模型进行重要性分析并结合后向特征消除法从25个原始特征中选15个关键特征变量作为最优特征组合。分类模型方面,卷积神经网络(Convolutional neural network,CNN)可以很好地在空间域、光谱域提取有效特征。长短期记忆网络(Long short-term memory,LSTM)作为循环神经网络(Recurrent neural network,RNN)的改进,可以处理不等长的输入序列。二者结合能够提取“时空谱”有效特征,实现更精准的图像分类和遥感数据分析。以烟台市牟平区观水镇为研究区,利用时空融合弥补原始Sentinel-2的影像缺失,使用CNN-LSTM模型进行苹果树种植区域提取,并与常用的机器学习分类算法进行对比,进而确定最优分类模型。研究表明在苹果种植区域提取方面CNN-LSTM模型总体精度为97.98%,Kappa系数为0.9586,总体精度对比其他4种机器学习算法CART、SVM、RF、GBDT分别高15.43、5.25、4.00、3.31个百分点,与LSTM模型总体精度和Kappa系数相比分别提高2.11个百分点和0.0148。所提出的苹果树种植区域精准遥感提取方法可为制定科学合理的农业管理措施提供有力支持。
-
关键词
深度学习
卷积神经网络
CNN-LSTM
苹果树种植区域提取
-
Keywords
deep learning
convolutional neural network
CNN-LSTM
apple planting area extraction
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP751
[自动化与计算机技术—检测技术与自动化装置]
S661.1
[农业科学—果树学]
-
