[1]詹雅婷,戴宁江,戎欣,等.结合全国第三次国土调查资料的DeepLabV3+林地、草地、湿地资源监测研究[J].江苏林业科技,2023,50(03):37-41.[doi:10.3969/j.issn.1001-7380.2023.03.007]
点击复制

结合全国第三次国土调查资料的DeepLabV3+林地、草地、湿地资源监测研究()
分享到:

《江苏林业科技》[ISSN:1001-7380/CN:32-1236/S]

卷:
第50卷
期数:
2023年03期
页码:
37-41
栏目:
试验研究
出版日期:
2023-06-30

文章信息/Info

文章编号:
1001-7380(2023)03-0037-05
作者:
詹雅婷1戴宁江2戎欣1徐钊3朱叶飞1郑刚3祝亚云4戚阳艳3
1.江苏省地质调查研究院/自然资源江苏省卫星应用技术中心,江苏 南京 210018;
2.江苏省林业局,江苏 南京 210036;
3.江苏省森林资源监测中心,江苏 南京 210036;
4.江苏省林业科学研究院,江苏 南京 211153
关键词:
高分二号林地草地湿地资源DeeplabV3+国土调查
分类号:
TP79
DOI:
10.3969/j.issn.1001-7380.2023.03.007
文献标志码:
A
摘要:
森林、草地、湿地资源的消长动态和变化趋势的及时掌握是评估生态状况和供给能力的基础。为高效利用遥感卫星数据开展林地、草地、湿地资源监测,该研究以DeepLabV3+模型为基础,并作出以下改进:(1)骨干网络的改进,以Xception作为模型的骨干结构;(2)空洞空间金字塔池化模块的改进,首先在并联的每个分支的前一层增加一个空洞率相对较小的空洞卷积,其次在分支后层加入串联的空洞率逐渐减小的空洞卷积层。以江苏省无锡市江阴市为研究区,利用高分二号卫星影像,并结合全国第三次国土调查及其国土变更调查数据实现林地、草地、湿地资源信息的获取。结果表明:顾及全国第三次国土调查资料的DeepLabV3+算法能有效利用遥感图像中的信息,提升林地、草地、湿地资源监测的效率和准确性。

参考文献/References:

[1]赵宪文,李崇贵.基于信息技术的森林资源调查新体系[J].北京林业大学学报, 2002, 24(5):9.
[2]GONG P, WANG J, YU L, et al. Finer resolution observation and monitoring of global land cover: First mapping results with Landsat TM and ETM+ data[J]. International Journal of Remote Sensing, 2013, 34(7): 2607-2654.
[3]方臣,胡飞,陈曦,等.自然资源遥感应用研究进展[J].资源环境与工程,2019,33(4):563-569.
[4]董立新.三峡库区森林叶面积指数多模型遥感估算[J].国土资源遥感,2019,31(02):73-81.
[5]陈艺华,陈振杰.一种面向对象的人工草地遥感监测方法[J].江苏农业学报,2021,37(6):1545-1553.
[6]HAN X, PAN J, DEVLIN A T. Remote sensing study of wetlands in the Pearl River Delta during 1995–2015 with the support vector machine method[J]. Frontiers of Earth Science, 2018, 12: 521-531.
[7]ZHANG S, CHAU K W. Dimension reduction using semi-supervised locally linear embedding for plant leaf classification[C]//Emerging Intelligent Computing Technology and Applications: 5th International Conference on Intelligent Computing, ICIC 2009, Ulsan, South Korea, September 16-19, 2009. Proceedings 5. Springer Berlin Heidelberg, 2009: 948-955.
[8]史加荣, 马媛媛. 深度学习的研究进展与发展[J]. 计算机工程与应用, 2018, 54(10): 1-10.
[9]KRIZHEVSKY A, SUTSKEVER I, Hinton G E. Imagenet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012, 25.
[10]江涛, 王新杰. 基于卷积神经网络的高分二号影像林分类型分类[J]. 北京林业大学学报, 2019 (9): 20-29.
[11]马建,刘文昊,靳瑰丽,等.基于CNN和SVM的地面高光谱遥感草地植物识别[J].草业科学,2023,40(2):394-404.
[12]LIU C, TAO R, LI W, et al. Joint classification of hyperspectral and multispectral images for mapping coastal wetlands[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 14: 982-996.
[13]CHEN L C, ZHU Y, PAPANDREOU G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 801-818.
[14]衡雪彪,许捍卫,唐璐,等.基于改进全卷积神经网络模型的土地覆盖分类方法研究[J].地球信息科学学报,2023,25(3):495-509.
[15]Chollet F. EXCEPTION: Deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 1251-1258.
[16]SIFRE L, MALLAT S. Rigid-motion scattering for texture classiflcation[J]. International Journal of Computer Vision, 2014.

相似文献/References:

[1]宋俊山,郑刚*.基于Google Earth的连云港市林地变更调查探析[J].江苏林业科技,2016,43(01):21.[doi:10.3969/j.issn.1001-7380.2016.01.006]
[2]左其峰,臧红霞,王进杰.泗阳杨树林地引种太子参复合栽培试验初报[J].江苏林业科技,2018,45(06):19.[doi:10.3969/j.issn.1001-7380.2018.06.005]
[3]魏湖滨.南京市景观格局时空演变分析[J].江苏林业科技,2020,47(02):31.[doi:10.3969/j.issn.1001-7380.2020.02.006]
[4]李东宾,许志斌,何立平,等.浙江四明山典型林地土壤微生物群落结构和多样性研究[J].江苏林业科技,2022,49(02):17.[doi:10.3969/j.issn.1001-7380.2022.02.004]
 Li Dongbin,Xu Zhibin,He Liping,et al.Soil microbial community structure and diversity of typical forest types in Siming Mountain area of Zhejiang Province[J].Journal of Jiangsu Forestry Science &Technology,2022,49(03):17.[doi:10.3969/j.issn.1001-7380.2022.02.004]

备注/Memo

备注/Memo:
收稿日期:2023-05-11;修回日期:2023-06-05
作者简介:詹雅婷(1985- ),女,高级工程师,博士研究生,遥感科学与技术专业,主要从事自然资源遥感调查监测研究工作,E-mail: zytayx@sina.com
更新日期/Last Update: 2023-09-08