基于深度学习和遥感数据的水稻种植面积提取

doi:10.14088/j.cnki.issn0439-8114.2023.11.031

湖北农业科学 ›› 2023, Vol. 62 ›› Issue (11): 176-182.doi: 10.14088/j.cnki.issn0439-8114.2023.11.031

基于深度学习和遥感数据的水稻种植面积提取

邱儒琼^1,2, 彭少坤², 李孟璠²

1.中国地质大学（武汉）国家地理信息系统工程技术研究中心,武汉 430074;
2.湖北省发展规划研究院有限公司,武汉 430071

收稿日期:2022-03-29 出版日期:2023-11-25 发布日期:2023-12-25
作者简介:邱儒琼（1977-）,女,湖北公安人,正高级工程师,在读博士研究生,研究方向为遥感数据智能处理的理论和应用,（电话）18602740369（电子信箱）404251392@qq.com。
基金资助:
湖北省自然资源厅科研项目（ZRZY2021KJ03）

Extracting rice planting area based on deep learning and remote sensing data

QIU Ru-qiong^1,2, PENG Shao-kun², LI Meng-fan²

1. National Engineering Research Center of Geographic Information System,China University of Geosciences（Wuhan）, Wuhan 430074,China;
2. Hubei Development Planning Research Institute Co., Ltd., Wuhan 430071,China

Received:2022-03-29 Online:2023-11-25 Published:2023-12-25

摘要/Abstract

摘要： 针对现有基于深度卷积神经网络进行水稻（Oryza sativa L.）遥感识别中样本采集工作量大、样本标注要求高及水稻感受野尺度选择难等问题,构建了一种基于像元和多尺度的深度卷积神经网络（DCNN）水稻遥感识别模型。首先,针对水稻种植分布特点,综合深度卷积神经网络方法的特点,设计了基于像元的DCNN提取模型;其次,将多尺度与DCNN相结合,构建多尺度DCNN模型,增加感受野的多尺度特性;最后,为了验证多尺度DCNN模型提取水稻的效果,以高分一号和高分二号卫星影像为数据源,选取传统机器学习SVM模型、语义分割D-Linknet模型、单一尺度DCNN模型进行分类精度对比分析。结果表明,本研究提出的多尺度DCNN模型的准确率、精确率、召回率、平衡F分数分别为97.75%、96.68%、99.08%、97.85%;与其他模型相比,多尺度DCNN模型结构简单、样本制作简便、识别精度高,具有较好的应用价值。

关键词: 水稻（Oryza sativa L.）, 高分辨率遥感影像, 深度学习, 种植面积提取, 像元分类, 深度卷积神经网络（DCNN）, 多尺度DCNN模型

Abstract: A pixel and multi-scale Deep Convolutional Neural Networks （DCNN） rice（Oryza sativa L.） remote sensing recognition model was constructed to address the issues of large sample collection workload, high sample labeling requirements, and difficulty in selecting the scale of rice receptive fields in existing rice （Oryza sativa L.） remote sensing recognition based on Deep Convolutional Neural Networks. Firstly, based on the distribution characteristics of rice planting, a pixel based DCNN extraction model was designed by integrating comprehensively the characteristics of Deep Convolutional Neural Networks methods;secondly, by combining multi-scale and DCNN, a multi-scale DCNN model was constructed to enhance the multi-scale characteristics of the receptive field; finally, in order to verify the effectiveness of the multi-scale DCNN model in extracting rice, the traditional machine learning SVM model, semantic segmentation D-Linknet model, and single-scale DCNN model were selected for classification accuracy comparison and analysis using Gaofen-1 and Gaofen-2 satellite images as data sources. The results showed that the accuracy, precision, recall, and equilibrium F-scores of the multi-scale DCNN model proposed in this study were 97.75%, 96.68%, 99.08%, and 97.85%, respectively;compared with other models, the multi-scale DCNN model had a simple structure, simple sample production, and high recognition accuracy, which had good application value.

Key words: rice （Oryza sativa L.）, high resolution remote sensing images, deep learning, extraction of planting area, pixel classification, deep convolutional neural networks （DCNN）, multi-scale DCNN model

中图分类号:

P237

邱儒琼, 彭少坤, 李孟璠. 基于深度学习和遥感数据的水稻种植面积提取[J]. 湖北农业科学, 2023, 62(11): 176-182.

QIU Ru-qiong, PENG Shao-kun, LI Meng-fan. Extracting rice planting area based on deep learning and remote sensing data[J]. HUBEI AGRICULTURAL SCIENCES, 2023, 62(11): 176-182.

参考文献

[1] 单捷,岳彩荣,江南,等.基于环境卫星影像的水稻种植面积提取方法研究[J]. 江苏农业学报, 2012(4):728-732.
[2] XIAO X,BOLES S,LIU J,et al.Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote sensing of environment, 2005, 95(4): 480-492.
[3] 陈树辉,李杨,曾凡君, 等. 基于环境星的混合像元分解水稻面积提取[J]. 安徽农业科学, 2011,39(10): 6104-6106.
[4] 蒋怡,李宗南,李丹丹, 等.基于OLI影像的四川丘陵地区水稻种植面积监测[J]. 西南农业学报, 2018,31(5):1051-1054.
[5] 玉素甫江·如素力,李兰海,哈丽旦·司地克,等.基于面向对象决策树的农作物分类识别方法[J]. 新疆师范大学学报:自然科学版, 2016,35(1):25-32.
[6] 谢登峰,张锦水,潘耀忠,等. Landsat 8和MODIS融合构建高时空分辨率数据识别秋粮作物[J]. 遥感学报,2015,19(5):791-805.
[7] 陈安旭,李月臣. 基于Sentinel-2 影像的西南山区不同生长期水稻识别[J]. 农业工程学报,2020,36(7):192-199.
[8] 高永康, 王腊红, 陈家赢,等. 一种利用形态相似性的水稻信息提取算法[J]. 遥感信息, 2020,35(2): 76-86.
[9] 许童羽, 胡开越, 周云成, 等.基于CART决策树和 BP神经网络的Landsat 8 影像粳稻提取方法[J]. 沈阳农业大学学报,2020,51(2):169-176.
[10] 王建勋,华丽,邓世超,等. 基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究[J]. 中国农业资源与区划,2019,40(5):37-46.
[11] 赵亚杰, 黄进良, 王立辉,等. 基于时空融合NDVI及物候特征的江汉平原水稻种植区提取研究[J]. 长江流域资源与环境,2020, 29(2):424-432.
[12] 赖格英,杨星卫. 南方丘陵地区水稻种植面积遥感信息提取的试验[J]. 应用气象学报, 2000, 11(1):247-254.
[13] ZHONG L,HU L,ZHOU H.Deep learning based multi-temporal crop classification[J].Remote sensing of environment,2019(221):430-443.
[14] HUETE A,DIDAN K,MIURA T,et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J].Remote sensing of environment,2002,83(1-2):195-213.
[15] RONNEBERGER O, FISHCHER P, BROX T.U-Net: Convolutional networks for biomedical image segmentation[A].Medical image computing and computer assisted intervention society.International conference on medical image computing and computer-assisted intervention[C]. Cham: Springer, 2015. 234-241.
[16] 郑鑫,潘斌,张健.可变形网络与迁移学习相结合的电力塔遥感影像目标检测法[J].测绘学报,2020,49(8):1042-1005.
[17] 刘艳飞. 面向高分辨率遥感影像场景分类的深度卷积神经网络方法[D]. 武汉:武汉大学,2019.
[18] 吴阳阳, 彭广德, 吴相飞.基于LeNet-5改进的卷积神经网络图像识别方法[J]. 信息与电脑, 2018(7):127-130.
[19] HE K M, ZHANG X Y, REN S Q, et al.Deep residual learning for image recognition[A]. IEEE conference on computer vision and pattern recognition. proceedings of 2016 IEEE conference on computer vision and pattern recognition[C]. Las Vegas:IEEE. 2016. 770-778.
[20] KRIZHERVSKY A, SUTSKERVER I, HINTON G E.Imagenet classification with deep convolutional neural networks[A].Conference and workshop on neural information processing systems.Advances in neural information processing systems[C]. Stateline:Stateline, 2012.1097-1105.

基于深度学习和遥感数据的水稻种植面积提取

Extracting rice planting area based on deep learning and remote sensing data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	郝玲, 杨莹, 张佩, 邱航, 钱沈旸. 基于大气环流特征量和海温的水稻产量结构因素预报模型研究——以江苏省为例[J]. 湖北农业科学, 2023, 62(8): 27-36.
[2]	袁鹏, 王珂, 肖坚. 基于RMAU-Net网络模型的高分影像耕地提取[J]. 湖北农业科学, 2023, 62(8): 182-188.
[3]	肖婉钰, 孙艺嘉, 周贤玉, 任海龙, 张晶, 黄江华, 许东林. 水稻发芽率测定中污染性微生物的鉴定及多样性[J]. 湖北农业科学, 2023, 62(7): 51-56.
[4]	李兴华, 陈展鹏, 蔡正军, 邹彩琼, 张中南, 张文超, 丁凤菊. 稻田套养不同密度黑斑蛙对水稻产量和土壤肥力的影响初探[J]. 湖北农业科学, 2023, 62(5): 5-7.
[5]	黎雨薇, 黄志谋, 杨汉, 瞿和平, 全文博, 秦晓银, 李忠正. 栽培方式对不同品种水稻产量和经济效益的影响[J]. 湖北农业科学, 2023, 62(11): 5-10.
[6]	李正, 李宝喜, 李志豪, 战艺芳, 王利华, 龚琦. 基于深度学习的农作物病虫害识别研究进展[J]. 湖北农业科学, 2023, 62(11): 165-169.
[7]	胡继红, 柯传勇, 刘善德, 黄海燕, 廖光毅. 杂交水稻籼型三系不育系珈丰91A的选育及应用[J]. 湖北农业科学, 2023, 62(10): 9-12.
[8]	杨晓龙, 汪本福, 李阳, 张枝盛, 张作林, 潘高峰, 王彪, 杨蓝天, 程建平. 不同直播方式对水稻品种虾稻1号产量的影响[J]. 湖北农业科学, 2022, 61(24): 15-18.
[9]	叶浩, 黄必善, 丁伟, 肖斌, 赵圣帅, 张萍. 蓄雨后稻田氮、磷特征及对水稻生长的影响[J]. 湖北农业科学, 2022, 61(24): 45-48.
[10]	杜雪树, 李进波, 夏明元, 戚华雄, 杨大兵, 胡亮, 万丙良. 功能稻米研究进展[J]. 湖北农业科学, 2022, 61(23): 11-14.
[11]	雷朦, 余顺园. 基于卷积神经网络的魔芋病害识别[J]. 湖北农业科学, 2022, 61(23): 197-201.
[12]	孙吉红, 钱晔, 周正, 张剑波. 深度学习环境下香料种植推荐模型的设计研究[J]. 湖北农业科学, 2022, 61(22): 174-177.
[13]	王培福, 孙一丹, 鹿子涵, 王伟, 陈晓峰. 基于深度学习的板栗分级方法研究[J]. 湖北农业科学, 2022, 61(21): 168-175.
[14]	杨大兵, 夏明元, 戚华雄. 水稻光温敏核不育系的育种研究现状与发展策略[J]. 湖北农业科学, 2022, 61(20): 5-8.
[15]	陈行, 夏丽华, 颜军, 蒋晓旭, 黄腾杰, 邓剑文. 基于改进U-Net网络模型的高分影像养殖池塘提取[J]. 湖北农业科学, 2022, 61(20): 166-171.