基于多时序特征和卷积神经网络的农作物分类

近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力.以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络模型,以实现作物的高精度精细分类.为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型.结果表明:①引入其他时序特征后,能够有效地提高卷积神经网络的分类精度.NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.667 4％和0.856 0,对比NDVI时序特征总体精度和Kappa系数提高了近4％和0.6.②在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络.实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度.基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法.