基于高光谱数据的典型地物分类识别方法研究
摘要
为探究典型地物间光谱特征差异以及针对传统光谱分类方法预处理复杂、精度较低等问题，以大豆、玉米、水稻和裸土4类地物为例，充分挖掘变量在分类中的重要性，进行深度学习方法与传统方法的对比分析与验证。首先利用连续投影算法（SPA）进行基础波段筛选，对比分析在原始光谱、特征波段以及部分特征波段条件下一维卷积神经网络（1DCNN）和长短时记忆人工神经网络（LSTM）两种深度学习模型的分类精度，探究特征波段对原始光谱的信息承载能力；然后针对错分问题，采用进阶式波段筛选方法，在基础变量组合条件下，对各类地物错分样本进行再次训练，如此循环，直到分类精度无明显增加，研究错分样本的光谱特征及错分规律；最后比较不同方法的分类精度。研究结果表明：基础波段筛选可以剔除光谱数据中大量的冗余信息，简化网络结构，提高模型效率；进阶式波段筛选方法可以递进增补针对错分样本的有效光谱信息，对提高传统方法的分类精度具有较大意义；在不经过光谱变换等预处理步骤时，深度学习方法也能取得较高的分类精度，明显优于传统方法，但训练过程较为复杂，可解释性较差。
引用本文（GB/T 7714）
徐达 Xu Da, 潘军 Pan Jun, 蒋立军 Jiang Lijun, 等. 基于高光谱数据的典型地物分类识别方法研究[J]. Laser & Optoelectronics Progress, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。