科研之友
微信
新浪微博
Facebook
分享链接
摘要
水生植物能够净化污染物，抑制藻类生长，在生态系统重建方面具有重要的应用价值。光谱分析作为植物种类识别方法，具有无接触、快速、无污染等特点。但受周围水环境影响，绿色水生植物的光谱特征峰比陆生植物更加难以区分，地面实测光谱数据不仅维度高，且存在大量重叠谱带和背景干扰，特征光谱不明显，同时通过地面实测获取样本数据较困难，适用于深度学习的地面光谱数据集较少。针对以上问题，提出了一种基于一阶导数法结合AlexNet网络的分类模型。以2019年9月份至10月份上海河道内4种优势种群的近岸挺水水生植物为研究对象，使用地物光谱仪采集其叶片部位的光谱信息。实验中，首先使用4种光谱分析法对原始数据进行预处理，比较预处理前后分类模型的准确率，其中一阶导数法结合AlexNet网络的分类模型对4种水生植物的分类精度最高，为99.50%；然后分别选取样本数据的40%,60%和80%作为训练集，验证模型在小样本下的泛化性；最后利用Grad-CAM算法对模型进行可视化，分析发现本文模型提取的水生植物特征光谱与现有研究结果一致。结果表明，本文模型能够有效的提取水生植物的特征光谱，实现对4种水生植物的快速准确分类识别，为高光谱遥感卫星识别此4种水生植物提供重要参考。
- 单位
