摘要
大豆是中国最主要的粮食作物和油料作物，准确提取种植区对掌握种植面积、长势营养、空间分布等具有重要意义。基于遥感技术的探测范围广、数据类型丰富、动态监测等优点，可以客观有效地对大豆种植区进行大范围监测和提取，便于及时准确地掌握大豆的种植情况，对于我国大豆产品的存储和进出口具有重要意义。本文利用国产高分一号(GF-1)卫星影像作为数据源，选取安徽省北部典型大豆种植区临湖镇和标里镇为研究区，开展大豆种植区提取方法研究。主要工作如下： （1）基于机器学习算法的大豆种植区提取对比研究。本文基于经过正射校正、大气校正、图像融合裁剪等预处理操作得到的空间分辨率为2米（m）研究区影像，通过目视解译的方式，进行五类地物类型的标注，包括大豆种植区、水体、建筑物与道路、裸地和其他作物，选取实验所需的训练样本。通过J-M距离和转换分离度来判定所选样本是否满足要求，通过ISODATA非监督分类图作为辅助图像为样本标注提供支持。在ENVI遥感处理平台中，采用支持向量机、最大似然法、人工神经网络和CART决策树四种分类器进行大豆种植区分类提取实验，结果显示最大似然法分类器的总体分类精度最高，达到了79.28%，大豆种植区的提取精度达到了89.59%。利用传统机器学习算法对大豆种植区提取具有快速方便的特点，在大范围提前识别大豆种植区方面具有较大的应用前景。 （2）基于U-Net网络的大豆种植区提取方法。传统机器学习方法在大豆种植区提取方面表现提取精度不足，不能满足高精度提取的要求，为了进一步改善大豆提取效果，本文采用深度学习中应用广泛的U-Net网络提取大豆种植区，通过设置128×128、256×256和512×512三种裁剪尺寸，对比并计算网络20、40、60、80、100个迭代周期训练得到的模型来对比测试提取结果的影响，为了验证U-Net网络在大豆种植区提取中的效果，作为对比实验，本文选用基于SegNet网络和Deeplabv3+网络来对比实验，结果显示提取的整体精度最高的是U-Net网络，其中总体精度达到了92.31%，重要的评价指标平均交并比达到了81.35%，比SegNet网络整体精度高出了近四个百分点，平均交并比高出了十个百分点。比Deeplabv3+网络平均交并比高出了8.89%，验证了U-Net网络在大豆种植区提取方面的性能优于SegNet网络和Deeplabv3+网络。U-Net网络作为语义分割网络的一种，在提取大豆种植区这种二分类问题中，展示了良好的效果，比其他两种网络在遥感提取中表现更为突出。 本文基于国产高分一号卫星影像，对比了机器学习和深度学习算法在大豆种植区提取中的效果。结果表明，采用机器学习中的监督分类方法提取大豆种植区时，具有快速、高效的特点，而基于深度学习的U-Net网络提取大豆种植区时，具有网络简单、识别准确等特点，且取得了更好的提取效果。本研究成果可以为与试验区条件相似的地区提取大豆种植区提供借鉴，也可为研究区大豆的种植、生长、田间管理等提供依据。
NETL