基于混合3D-2D+CNN的多时相遥感农作物分类.pdf

第 37 卷 第 13 期 农 业 工 程 学 报 Vol.37 No.13 142 2021 年 7 月 Transactions of the Chinese Society of Agricultural Engineering Jul. 2021 基于混合 3D-2D CNN 的多时相遥感农作物分类 1,2 1※ 1 卢元兵 ，李华朋 ，张树清 （1. 中国科学院东北地理与农业生态研究所，长春 130102 ；2. 中国科学院大学，北京 100049 ） 摘 要：准确的农作物分类图是农业监测和粮食安全评估的重要数据来源，针对传统的深度学习模型在多时相农作物遥 感分类方面精度较低的问题，该研究将卷积维度单一的卷积神经网络（Convolutional Neural Networks ，CNN ）进行改进， 提出了一种混合三维和二维卷积的神经网络识别模型（Hybrid Three Dimensional and Two Dimensional Convolutional Neural Networks ，3D-2D CNN ）。该模型首先通过多个三维卷积层提取时空特征，其次将输出的特征降维压缩后通过二维 卷积层执行空域特征分析，最后将高层特征图展平后通过全连接层进行类别预测。试验以 Landsat8 多时相影像为数据源， 将美国加利福尼亚州北部研究区的地块按照 2:2:6 分层随机划分为训练集、验证集和测试集。试验结果表明 3D-2D CNN 对 13 种农作物分类的总体精度（89.38%）、宏平均F 1 值（84.21%）和Kappa 系数（0.881 ）均优于三维卷积神经网络（Three Dimensional Convolutional Neural Networks ，3D-CNN ）、二维卷积神经网络（Two Dimensional Convolutional Neural Networks, 2D-CNN ）、支持向量机（Support Vector Machines，SVM ）和随机森林（Random Forest ，RF ）等方法，并在参数量和收 敛时间方面比 3D CNN 大幅度减小。同时，在较小样本训练集下 3D-2D CNN 仍表现最优。该模型综合利用空间-光谱-时间 特征并具有较高的分类精度和较强的鲁棒性，这为解决多时相遥感农作物分类问题提供了一个有效且可行的方案。 关键词：遥感；农作物；多时相地块；分类；深度学习；卷积神经网络 doi ：10.11975/j.issn.1002-6819.2021.13.017 中图分类号：TP79; S127 文献标志码：A 文章编号：1002-6819(2021)-13-0142-10 卢元兵，李华朋，张树清. 基于混合3D-2D CNN 的多时相遥感农作物分类[J]. 农业工程学报，2021，37(13)：142-151. doi ：10.11975/j.issn.1002-6819.2021.13.017 Lu Yuanbing, Li Huapeng, Zhang Shuqing. Multi-temporal remote sensing based crop classification using a hyb