-
题名基于时序深度学习模型的河套灌区作物分类研究
被引量：1
- 1
-
-
作者
杜帅
肖玲君
查元源
刁雨晴
连勰
-
机构
武汉大学水利水电学院
武汉市宇驰检测技术有限公司
湖北省水利水电科学研究院
黄河勘测规划设计研究院有限公司
-
出处
《节水灌溉》
北大核心
2025年第4期1-7,15,共8页
-
基金
国家重点研发计划(2021YFC3201204)
国家自然科学基金资助项目(52279042)。
-
文摘
及时、准确地绘制作物分类地图是智慧灌区建设的重要基础,可为农作物生长监测、产量预测及农业生态环境评估提供关键数据支撑。深度学习模型在作物分类研究中表现出卓越的效果,但在处理时序遥感数据时仍存在一定局限性。基于Google Earth Pro软件、GEE平台和geemap工具,生成了2020年河套灌区的作物分类地图,并对其精度和可靠性进行了评估。以该分类结果为标签,利用Sentinel-2图像生成了包含河套灌区5-10月72个波段的Sentinel-2数据集和6个波段的EVI数据集,比较了多种机器学习模型与深度学习模型在河套灌区的作物分类性能。研究结果表明,基于时序的深度学习方法(TFBS)取得了最佳分类精度,其mIoU、mprecision和mrecall分别达到0.8722、0.9247和0.9260。在处理72个波段遥感影像数据集和EVI数据集时,基于时序的深度学习模型展现出较强的鲁棒性,而Unet模型在处理EVI数据时无法收敛,难以提取时序特征。研究表明:基于时序的深度学习模型具备更高的分类精度和显著的鲁棒性,为作物分类研究中的模型选择提供了参考。其分类结果也为河套灌区的农业管理提供了重要的技术支持与数据保障。
-
关键词
作物分类
深度学习
河套灌区
遥感
时序
-
Keywords
crop type mapping
deep learning
hetao irrigation district
remote sensing
time series
-
分类号
S27
[农业科学—农业水土工程]
-
