TY - JOUR ID - TI - 深度学习方法在作物遥感分类中的应用和挑战 AU - 赵红伟,陈仲新,刘佳 VL - 41 IS - 2 PB - 《中国农业资源与区划》编辑部 SP - 35 EP - 49 PY - JF - 中国农业资源与区划 JA - 中国农业资源与区划 UR - http://cjarrp.com/zgnyzyyqh/ch/reader/view_abstract.aspx?file_no=20200205&flag=1 KW - 深度学习农作物分类CNNLSTM RNNGRU RNN KW - deep learning; crop classification; CNN; LSTM RNN; GRU RNN AB - [目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好; 2D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源; 3D CNN 应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取; (2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN 和GRU RNN 分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短; (3)CNN+RNN混合模型(RCNN)用RNN比3D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN, 3D CNN和GUR RNN具有更大的潜力。 ER -