检索结果-内蒙古大学图书馆

南京林业大学学报（自然科学版） 2024年第1期48卷 187-195页

作者：向俊严恩萍姜镓伟宋亚斌韦维莫登奎广西壮族自治区林业科学研究院广西南宁530002 林业遥感大数据与生态安全湖南省重点实验室中南林业科技大学林学院湖南长沙410004 中山大学土木工程学院广东珠海519082 国家林业和草原局中南调查规划设计院湖南长沙410014

【目的】针对目前森林变化检测中高精度标签样本缺失或不足的问题,提出一种基于全卷积神经网络和低分辨率标签的森林变化检测方法,旨在实现林地区域内森林变化的简易快速提取。【方法】首先对获取的数据进行去云、筛选、标签融合等预处... 详细信息

【目的】针对目前森林变化检测中高精度标签样本缺失或不足的问题,提出一种基于全卷积神经网络和低分辨率标签的森林变化检测方法,旨在实现林地区域内森林变化的简易快速提取。【方法】首先对获取的数据进行去云、筛选、标签融合等预处理,利用全卷积神经网络模型分别提取2020年和2021年研究区森林高分遥感影像,并评价模型精度;利用分类后比较法获取森林变化区域,得到变化结果并与目视解译结果进行对比,基于像素面积计算森林变化检测的精确率等评价指标。【结果】所用全卷积神经网络(FCN)模型在2020年森林提取结果的精确率和召回率的调和均值(F1分数)为97.09%,2021年森林提取结果的F1分数为95.96%,与分割网络模型(U-Net、FPN、LinkNet)相比更优。比较两期森林提取结果得到变化区域,森林增加与森林减少的合计变化精确率为73.30%,召回率为77.37%,F1分数为75.28%。【结论】该方法实现了基于低分辨率标签对高分遥感影像森林变化区域进行快速、准确的获取。采用少量的低分辨率标签完成森林变化检测任务,同时可为大面积林地变更调查提供参考。

关键词：低分辨率标签全卷积神经网络深度学习森林变化检测

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的森林变化动态检测研究

基于深度学习的森林变化动态检测研究

引用

作者：向俊中南林业科技大学

学位级别：硕士

森林是地球上最大的陆地生态系统之一,在全球生物圈中扮演着至关重要的角色。监测森林变化是林业生态建设的基础性任务,也是确保森林资源数据真实性、准确性和时效性的重要手段。利用遥感技术进行森林变化检测,对于森林资源的保护、监... 详细信息

森林是地球上最大的陆地生态系统之一,在全球生物圈中扮演着至关重要的角色。监测森林变化是林业生态建设的基础性任务,也是确保森林资源数据真实性、准确性和时效性的重要手段。利用遥感技术进行森林变化检测,对于森林资源的保护、监测及管理具有重要意义。本文旨在利用高分二号影像(GF-2)和多时相Sentinel-2 Level 1C级遥感影像,构建森林提取数据集和多时相森林变化检测数据集,提出基于全卷积神经网络结合低分辨率标签的森林提取算法,以及基于深度学习的森林变化检测算法,并将这两种算法应用于湘潭市年度和季度森林变化动态检测工作中,以验证所采用方法的可行性。主要研究结论如下:(1)利用森林提取算法对湘潭市2020年和2021年高分二号影像中的森林进行提取。结果显示,F1分数分别为97.09%和95.96%,相较于U-Net、FPN和LinkNet等其他分割网络模型具有更好的性能。此外,通过比较两期森林提取结果得到变化区域,其森林变化的精确率为69.98%,召回率为84.61%,F1分数为76.60%。该方法采用少量的低分辨率标签,能够快速、准确地获取高分辨率遥感影像中的森林变化区域,并为后续研究提供数据支撑。(2)联合U-Net++深度学习模型和交叉熵损失函数(Cross Entropy Loss,CELoss)进行森林变化检测。结果表明,该方法在Sentinel-2遥感影像数据集上显著地提升了检测效果,其精确率为79.54%,召回率为74.78%,F1分数为77.09%。与其他模型相比,本文所使用的U-Net++模型表现出最佳的整体性能。(3)结合合U-Net++变化检测算法和Sentinel-2遥感影像,预测2017年至2021年湘潭市林地区域内的森林变化。在年度变化检测结果中,每年的F1分数均高于75%。此外,通过季度变化检测结果绘制出湘潭市2017年至2021年森林变化动态检测结果图,为该地的森林资源监测提供了有力的支持。本文基于多时相遥感影像数据进行森林变化动态检测,可以精确地确定每个变化图斑的发生时间段,能够更好地分析变化原因。该方法对于掌握森林资源的动态更新状况以及实施管理具有重要意义。

关键词：林业遥感森林变化深度学习动态检测低分辨率标签

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：