Transferring deep convolutional neural network models for generalization mapping of autumn crops
Year: 2024
Type: article
Abstract: 深度卷积神经网络DCNN（Deep Convolutional Neural Networks）具有“端到端”、高效提取多尺度语义特征的优点，被广泛应用于遥感农作物识别中，取得了重要的进展。但深度学习模型需要大量标签样本，获取费时费力、成本高，限制了其广泛使用。本文基于模型迁移学习策略，将美国农业部统计署作物数据层CDL（Cropland Data Layer）作为作物标签数据，利用伊利诺伊州和印第安州的作物生长季Landsat OLI卫星影像训练2016年—2019年4个单年份模型和2016年—2017年、2016年—2018年两个多年份的U-net模型，将模型直接在美国3个测试区和中国黑龙江省黑河市的2016年—2020年迁移泛化分类。研究结果表明：1）基于CDL训练的U-net模型能够在美国本土推广应用，美国3个测试区的2016年—2020年的时间泛化总体精度在80%以上，玉米识别精度高于大豆，说明了模型在空间上具有很好的迁移能力。（2）对于黑河市秋粮，多年玉米识别总体精度平均高出大豆3%，原因是玉米种植地块更为规整、种植规模更大，单年份秋粮识别总体精度69%—79%，但多年份模型要优于单年份模型，这可能是随标签样本数量增多提升了训练样本的代表性，将中国与美国秋粮种植的差异通过样本数量的增加得以弥补，模型迁移到中国黑河区域的精度均低于美国本土，这是由于洲际间气候、作物物候、种植农业景观等差异导致遥感特征不一致，导致模型泛化能力降低。
Source: National Remote Sensing Bulletin
Authors: ZHANG Feng, ZHANG Jinshui, DUAN Yaming, YANG Zhi
Language: English
Subfield: Ecology
Field: Environmental Science
Domain: Physical Sciences
SDG: Zero hunger
Open Access status: bronze
OpenAlex ID: W4394616131