基于Sentinel-1SAR影像与深度学习的水稻种植区识别研究
黄遵燚*,马晓双
安徽大学 资源与环境工程学院,合肥 230000
水稻是我国的重要粮食作物,及时、准确地了解水稻时空分布信息,可以为国家粮食安全、农业政策制定和区域生态环境可持续性带来重要科学依据。党的二十大报告中明确提出以国家重点生态功能区、生态保护红线、自然保护地等为重点,加快建设农业强国,全方位夯实粮食安全根基,牢牢守住十八亿亩耕地红线,确保中国人的饭碗牢牢的端在自己手中。因此,为了保障国家粮食安全、生态安全以及生态红线的保护,对水稻种植区识别有重要意义。遥感所具有的准确、客观、及时的传递诸多信息的优势,逐渐成为大面积监测水稻的重要手段。极化合成孔径雷达(Polarimetric Synthetic aperture radar,PolSAR)是一种主动遥感影像,具有全天时、全天候、穿透云雨的优势,在水稻种植区识别方面能够发挥极大作用。
由于水稻生长特性,水稻在不同的生长时期具有不同的散射特征,因此本文使用水稻从栽种到成熟各重要特征阶段的多时相Sentinel-1数据。同时根据Sentinel-1PolSAR数据所特有的极化和相位信息,根据其协方差矩阵和
H/A/alpha极化分解理论获取强度信息、极化信息和极化分解参数构建数据模型样本库。基于此,本文利用水稻种植区的多时相、多极化信息的Sentinel-1 SAR影像与深度学习技术相结合,提出了构建于PyTorch框架的RIAU-Net 卷积神经网络模型进行水稻种植区识别,利用以一年内水稻从栽种到成熟的多时相、多极化Sentinel-1影像样本库做为输入数据对模型进行训练。另外,考虑到气候等因素的影响,水稻在不同年份同一时期生长态势的差异会导致散射特性存在差异,本文在将已训练模型迁移运用到其他年份时,采用一种相似影像匹配的方式来确定待解译年份与参考年份的相似影像对,并将之作为新的输入以确保模型有更优的跨年份适应性。
实验结果表明,该方法能显著提高分类准确率,与传统方法相比,F1值提高了11-14%,且在不同年份具有良好的泛化能力。同时,RIAU-Net模型分类的水稻种植区域是连续的,符合水稻成片种植的规律。
关键词:水稻种植区识别、PolSAR、
H/A/alpha极化分解、深度学习、迁移机制
发表评论