【摘 要】
：
针对高光谱图像中的“同谱异物”和“同物异谱”现象导致传统机器学习方法难以精确区分,以及深度学习模型处理高维遥感数据耗时较长的问题,本文以河北省雄安新区雄县雄州镇马蹄湾村19种土地覆被类型(农林植被为主)为研究对象,提出一种基于改进U-Net的高光谱农林植被分类方法.该方法以U-Net为基础框架,首先利用主成分分析(Principal Component Analysis,PCA)提取主要光谱波段,降低光谱冗余度;然后提出特征提取模块,该模块使用深度可分离卷积替代U-Net中的传统卷积,提取高光谱图像多尺度
【机 构】
：
东北林业大学 机电工程学院,哈尔滨150040
论文部分内容阅读
针对高光谱图像中的“同谱异物”和“同物异谱”现象导致传统机器学习方法难以精确区分,以及深度学习模型处理高维遥感数据耗时较长的问题,本文以河北省雄安新区雄县雄州镇马蹄湾村19种土地覆被类型(农林植被为主)为研究对象,提出一种基于改进U-Net的高光谱农林植被分类方法.该方法以U-Net为基础框架,首先利用主成分分析(Principal Component Analysis,PCA)提取主要光谱波段,降低光谱冗余度;然后提出特征提取模块,该模块使用深度可分离卷积替代U-Net中的传统卷积,提取高光谱图像多尺度特征,降低网络复杂度,并采用非线性更好的h-swish(hard-swish)激活函数提升网络的泛化性能;最后在每个特征提取模块中引入残差连接提取深层次语义信息.结果表明,改进的U-Net对19种覆被分类的整体精度为96.68％,与Mobile-UNet、U-Net、Res-UNet相比,精度分别提高了4.47％、2.92％、0.45％,训练时间较分类精度相近的Res-UNet减少了23.5％.由此可知,残差连接提升了网络分类精度,使模型在描述植被边缘和细节方面表现良好;深度可分离卷积使模型轻量化,减小训练时间;改进的U-Net模型能够准确、快速地对研究区的农林植被进行区分.
其他文献
研究调查不同比例甘蔗渣在添加糖蜜的发酵型全混合日粮(FTMR)中,对产品发酵品质和瘤胃消化率的影响.设定甘蔗渣添加比例分别为0(0甘蔗渣组)、5％(5％甘蔗渣组)和10％(10％甘蔗渣组),在每个处理组分别做无添加(对照组)和糖蜜(2％)组,解析发酵品质和体外培养后的干物质消化率及瘤胃液发酵性状.结果表明:随着甘蔗渣比例的增加,FTMR中的粗蛋白(CP)和粗脂肪(EE)含量逐渐降低(P0.05).随着甘蔗渣添加量的增加,FT?MR的pH显著升高(P<0.05),乳酸含量逐渐降低(P<0.05).在添加2％
本文采用桐油和醇酸清漆对毛竹(Phyllostachys edulis)及炭化毛竹试材进行涂饰处理,评估试样表面视觉性质及耐腐性能差异.结果表明,毛竹经桐油和醇酸清漆涂饰后,以及在涂饰且腐朽后表现为明度不断降低,而炭化毛竹的明度则是先降低后升高.毛竹和炭化毛竹在涂饰后和涂饰且腐朽后的红绿轴色品指数分别呈现逐渐增大和先增大后降低的趋势,黄蓝轴色品指数均表现为先增大后降低,色度值均出现了不同程度增加.毛竹试样的色调角在涂饰后增大,在涂饰且腐朽后降低,而炭化毛竹的色调角则恰好相反.毛竹试样涂饰后的色差比涂饰且腐
阐述了水利工程建设对环境的重要性,剖析了水利工程建设对生态环境不利影响并总结出对策,目的 是使水利工程建设与生态环境齐头并进、利国利民.