融合浅层特征的深度卷积神经网络互花米草遥感监测方法

作者：朱玉玲; 王建步^*; 王安东; 王锦锦; 赵晓龙; 任广波; 胡亚斌; 陈晓英; 马毅

来源：海洋科学, 2019, 43(07): 12-22.

• 深度卷积神经网络(deep convolutional neural network,DCNN)
• 浅层特征融合
• 湿地分类
• 互花米草(Spartina alterniflora Loisel)
• 黄河口

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。

• 单位
  山东黄河三角洲国家级自然保护区管理局; 大连海事大学; 珠海欧比特宇航科技股份有限公司; 自然资源部第一海洋研究所