基于改进3D-CNN的多源遥感数据树种识别

摘要：

针对森林复杂冠层结构和林分高密度下遥感树种识别精度不高的问题,将能够提取高维数据立体特征的三维卷积神经网络(3D-CNN)引入到遥感影像树种识别中,并利用残差网络(ResNet)对其进行改进,提出三维残差卷积神经网络(3D-RCNN),以减小网络深度带来的误差,降低退化现象的影响.联合高分五号高光谱数据(GF-5 AHIS)和高分六号高空间分辨率数据(GF-6 PMS),辅以森林资源数据和外业调查数据构建样本集.结合3D-RCNN思想构建树种识别模型.实验结果表明:相较于传统3D-CNN,3D-RCNN将模型网络从12层增加到18层,能够深化网络结构,缓解网络退化;联合GF-5 AHIS和GF-6 PMS,3D-RCNN能够有效地识别北亚热带森林树种,且识别精度(91.72％)要优于传统3D-CNN(85.65％)和支持向量机算法(85.22％).

关键词：图像处理、卷积神经网络、残差网络、树种识别、高光谱影像

所属期刊栏目：57

分类号：TP751.1(遥感技术)

资助基金：协同创新项目;安徽省高校学科优秀拔尖人才学术培育项目;高分专项省自治区域产业化应用项目

在线出版日期：2021-03-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：390-399