农业基础科学论文_基于GF-2影像和Unet模型的棉 - 遥感学报杂志社投稿_期刊论文发表|版面费|电话|编辑部|论文发表- 遥感学报

来稿应自觉遵守国家有关著作权法律法规，不得侵犯他人版权或其他权利，如果出现问题作者文责自负，而且本刊将依法追究侵权行为给本刊造成的损失责任。本刊对录用稿有修改、删节权。经本刊通知进行修改的稿件或被采用的稿件，作者必须保证本刊的独立发表权。一、投稿方式： 1、请从我刊官网直接投稿。 2、请从我编辑部编辑的推广链接进入我刊投审稿系统进行投稿。二、稿件著作权： 1、投稿人保证其向我刊所投之作品是其本人或与他人合作创作之成果，或对所投作品拥有合法的著作权，无第三人对其作品提出可成立之权利主张。 2、投稿人保证向我刊所投之稿件，尚未在任何媒体上发表。 3、投稿人保证其作品不含有违反宪法、法律及损害社会公共利益之内容。 4、投稿人向我刊所投之作品不得同时向第三方投送，即不允许一稿多投。 5、投稿人授予我刊享有作品专有使用权的方式包括但不限于：通过网络向公众传播、复制、摘编、表演、播放、展览、发行、摄制电影、电视、录像制品、录制录音制品、制作数字化制品、改编、翻译、注释、编辑，以及出版、许可其他媒体、网站及单位转载、摘编、播放、录制、翻译、注释、编辑、改编、摄制。 6、第5条所述之网络是指通过我刊官网。 7、投稿人委托我刊声明，未经我方许可，任何网站、媒体、组织不得转载、摘编其作品。

农业基础科学论文_基于GF-2影像和Unet模型的棉

作者:

关键词:

摘要：

文章摘要:为探讨深度学习方法在干旱区棉花分布识别中的适用性及优化流程,本文以渭干河-库车河三角绿洲典型作物棉花为研究对象,利用国产GF-2影像,结合野外调查数据,采用Unet深度学习方法,借助Unet网络多重卷积运算的特点充分挖掘棉花在遥感影像上的深层次特征,从而提高棉花的提取精度。结果表明,Unet模型提取研究区棉花、玉米、辣椒的识别效果优于面向对象和传统机器学习算法分类结果,总体精度为84.22%,Kappa系数为0.8047,相比面向对象方法以及传统机器学习算法SVM和RF的总体精度分别提高了7.94%、11.93%和11.73%,Kappa系数提高了10.13%、14.7%、14.6%。Unet模型分类结果中,棉花的制图精度和用户精度均高于其余三种方法,为94.95%、89.07%。利用Unet模型在GF-2高分辨率遥感影像上高精度提取干旱区棉花空间分布信息具有可行性和可靠性。

文章关键词:

项目基金:《遥感学报》网址: http://www.ygxbzz.cn/qikandaodu/2021/1111/902.html