«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第51卷

期数:

2023年第23期

页码:

171-178

栏目:

农业工程与信息技术

出版日期:

2023-12-05

文章信息/Info

Title:

Extraction of maize planting area based on deep learning and multi-source remote sensing data

作者:

吕伟¹; 宋轩¹; 杨欢²

1.郑州大学网络空间安全学院，河南郑州 450001； 2.郑州大学水利与土木工程学院，河南郑州 450001

Author(s):

Lyu Wei; et al

关键词:

深度学习; 多源遥感; 融合数据; 卷积神经网络; 种植识别; 时序数据; 玉米

Keywords:

-

分类号:

TP79；S127

DOI:

-

文献标志码:

A

摘要:

玉米作为我国主要粮食作物之一，及时准确监测其种植范围及面积对农业产能评估、保障粮食安全具有重要意义。以华北平原典型农业区——原阳县为例，基于欧空局Sentinel-1 SAR和Sentinel-2 MSI遥感影像数据，在谷歌地球引擎云平台的支持下通过提取雷达后向散射系数时序曲线以及归一化植被指数(NDVI)时序曲线，搭建卷积神经网络(CNN)模型，并将时序数据输入模型得到典型地物分类结果，提取了研究区玉米种植区域，利用野外调查数据进行精度验证，并与随机森林分类对种植区的提取结果进行对比。结果表明，基于光学和SAR融合遥感影像数据的识别效果最佳，总体精度达到93.33%，κ系数为0.911；与随机森林分类法相比，卷积神经网络分类的总体精度更高，分类效果更好。因此，采用卷积神经网络以及多源遥感数据的融合能够实现玉米种植面积的准确监测。

Abstract:

-

参考文献/References:

［1］李俐，孔庆玲，王鹏新，等. 基于时间序列Sentinel-1A数据的玉米种植面积监测研究［J］. 资源科学，2018，40(8)：1608-1621.
［2］Sonobe R，Yamaya Y，Tani H，et al. Assessing the suitability of data from Sentinel-1A and 2A for crop classification［J］. GIScience & Remote Sensing，2017，54(6)：918-938.
［4］潘力，夏浩铭，王瑞萌，等. 基于Google Earth Engine的淮河流域越冬作物种植面积制图［J］. 农业工程学报，2021，37(18)：211-218.
［4］魏鹏飞，徐新刚，杨贵军，等. 基于多时相影像植被指数变化特征的作物遥感分类［J］. 中国农业科技导报，2019，21(2)：54-61.
［5］黄启厅，曾志康，谢国雪，等. 基于高时空分辨率遥感数据协同的作物种植结构调查［J］. 南方农业学报，2017，48(3)：552-560.
［6］罗明，陆洲，徐飞飞，等. 基于快速设定决策阈值的大范围作物种植分布的遥感监测研究［J］. 中国农业资源与区划，2019，40(6)：27-33.
［7］王庚泽，靳海亮，顾晓鹤，等. 基于改进分离阈值特征优选的秋季作物遥感分类［J］. 农业机械学报，2021，52(2)：199-210.
［8］Zou Q，Ni L H，Zhang T，et al. Deep learning based feature selection for remote sensing scene classification［J］. IEEE Geoscience and Remote Sensing Letters，2015，12(11)：2321-2325.
［9］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.
［10］Garnot V S F，Landrieu L，Giordano S，et al. Time-space tradeoff in deep learning models for crop classification on satellite multi-spectral image time series［C］//2019 IEEE International Geoscience and Remote Sensing Symposium.Yokohama，2019：6247-6250.
［11］朱凤敏，吴迪，杨佳琪. 基于Sentinel-1B SAR数据的农作物分类方法研究［J］. 测绘与空间地理信息，2020，43(5)：105-108.
［12］谢新乔，杨继周，邓邵文，等. 多时相Sentinel-1影像反演玉溪典型烟区烤烟种植分布的方法［J］. 农业资源与环境学报，2023，40(1)：188-195.
［13］Ndikumana E，Minh D H T，Baghdadi N，et al. Deep recurrent neural network for agricultural classification using multitemporal SAR sentinel-1 for Camargue，France［J］. Remote Sensing，2018，10(8)：1217.
［14］郭交，朱琳，靳标. 基于Sentinel-1和Sentinel-2数据融合的农作物分类［J］. 农业机械学报，2018，49(4)：192-198.
［15］成科扬，荣兰，蒋森林，等. 基于深度学习的遥感图像超分辨率重建方法综述［J］. 郑州大学学报(工学版)，2022，43(5)：8-16.
［16］姜伊兰，陈保旺，黄玉芳，等. 基于Google Earth Engine和NDVI时序差异指数的作物种植区提取［J］. 地球信息科学学报，2021，23(5)：938-947.
［17］张淼，吴炳方，于名召，等. 未种植耕地动态变化遥感识别——以阿根廷为例［J］. 遥感学报，2015，19(4)：550-559.
［18］杨泽航，王文，鲍健雄. 融合多源遥感数据的黑河中游地区生长季早期作物识别［J］. 地球信息科学学报，2022，24(5)：996-1008.
［19］陈思宁，赵艳霞，申双和. 基于波谱分析技术的遥感作物分类方法［J］. 农业工程学报，2012，28(5)：154-160.
［20］赵子娟，刘东，杭中桥. 作物遥感识别方法研究现状及展望［J］. 江苏农业科学，2019，47(16)：45-51.
［21］罗荣辉，袁航，钟发海，等. 基于卷积神经网络的道路拥堵识别研究［J］. 郑州大学学报(工学版)，2019，40(2)：18-22.
［22］Kampffmeyer M，Salberg A B，Jenssen R. Semantic segmentation of small objects and modeling of uncertainty in urban remote sensing images using deep convolutional neural networks［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition Workshops.Las Vegas，2016：680-688.
［23］屈炀，袁占良，赵文智，等. 基于多时序特征和卷积神经网络的农作物分类［J］. 遥感技术与应用，2021，36(2)：304-313.
［24］Zhong L H，Hu L N，Zhou H. Deep learning based multi-temporal crop classification［J］. Remote Sensing of Environment，2019，221：430-443.
［25］王小慧，姜雨林，傅漫琪，等. 海河低平原典型县种植制度与农田景观格局变化遥感监测［J］. 农业工程学报，2022，38(1)：297-304.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(23):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(23):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(23):213.
[4]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(23):231.
[5]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(23):210.
[6]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(23):247.
[7]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(23):241.
[8]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(23):22.
[9]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(23):93.
[10]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(23):189.

备注/Memo

备注/Memo:

收稿日期：2023-02-24
基金项目：国家重点研发计划(编号：2017YFD0800605-5)。
作者简介：吕伟(1998—)，女，山东临沂人，硕士，主要从事人工智能与视觉计算研究。E-mail：terminus_lv@163.com。
通信作者：宋轩，博士，教授，博士生导师，主要从事开源地理信息系统研究及应用、生态环境遥感、资源与环境系统计算机模拟与分析研究。E-mail：songxuan@zzu.edu.cn。

常用功能

更新日期/Last Update: 2023-12-05