化工仪器网首页>资讯中心>项目成果>正文

堆叠光谱特征空间图:基于CNN的高光谱遥感影像作物分类

2022年02月21日 13:42:01 来源:化工仪器网 作者:杨 点击量:6755

近日,北京师范大学联合中国农业科学院作物科学研究所在《作物学报》(The Crop Journal)在线发表研究论文,提出了一种新颖的光谱特征——堆叠光谱特征空间图(stacked spectral feature space patch,SSFSP),用于基于CNN的高光谱遥感影像作物分类。

  【化工仪器网 项目成果】人以食为天。食物在人类日常生活中的重要性无可取代。而生产食物,无论是加工产品还是初级产品,都离不开农作物。农作物包括粮食作物﹑经济作物(如油料作物、蔬菜作物等)两大类。
 
  对农作物的品种进行认定和分类,有利于加强对作物新品种的管理和合理推广。高光谱遥感数据包含丰富的光谱信息,被广泛应用于作物分布和动态变化的监测,在精准农业作物类型分类中发挥着不可替代的作用。目前,特征的利用主要包括专家知识参与的传统特征选择和与卷积神经网络(CNN)紧密结合的自动特征选取。CNN自动特征选取可从输入数据中自动提取面向领域的高级特征,从而达到更高的分类精度。但是与挖掘空间特征相比,CNN在挖掘光谱特征方面仍然不足。
 
  目前,传统特征选择已被相关研究证明可提高包含CNN在内多类分类器的精度,将传统特征选择方法与CNN高级空间特征自动提取相结合是一种逐渐流行的分类策略。但是,现在的结合方法并未综合利用空间特征与光谱信息,也未在作物分类中体现高光谱影像的丰富光谱信息。同时利用传统特征选择挖掘光谱特征,并与CNN结合自动提取面向领域的高级特征的方法还有待进一步研究。
 
  近日,北京师范大学联合中国农业科学院作物科学研究所在《作物学报》(The Crop Journal)在线发表研究论文,提出了一种新颖的光谱特征——堆叠光谱特征空间图(stacked spectral feature space patch,SSFSP),用于基于CNN的高光谱遥感影像作物分类。该特征将原隐性的光谱特征转换为显性的空间特征,可与二维CNN相结合以同时挖掘光谱和空间特征。多个高空间分辨率高光谱数据集的比较研究表明,SSFSP相较于原始光谱的输入,可获得更高的分类精度。
 
  相关论文信息:
 
  Stacked spectral feature space patch: An advanced spectral representation for precise crop classification based on convolutional neural network

 

关键词

相关阅读 Related Reading

查看更多+
  • 华东师大首颗自研高光谱卫星“华师-科达星”揭牌

    近日,华东师范大学首颗由学校自主牵头、师生参与研制的低轨高光谱卫星“华师-科达星”完成揭牌,同步对外公布“量天星座”建设规划。该卫...
    2026-11-18 11:01:05
  • 预算超9.24亿元!中国科学院合肥物质科学研究院发布11月采购意向

    中国科学院合肥物质科学研究院对外公开一批科研设备采购意向,总预算达92451.79万元。
    2026-11-14 10:54:23
  • 预算559万 秦皇岛市质量技术监督检验所采购检验检测设备

    近日,秦皇岛市质量技术监督检验所就“秦皇岛市质量技术监督检验所2026年重点工业产品检验检测设备更新项目”发布公开招标公告,预算金...
    2026-11-13 13:44:55
  • 预算857.85万元 中国农业科学院作物科学研究所采购实验室设备

    近日,中国农业科学院作物科学研究所委托中工国际招标有限公司就中国农业科学院作物科学研究所农业农村部粮食作物基因资源评价利用重点实验...
    2026-11-13 10:56:36
  • 预算389万 黑龙江农业工程职业技术大学采购仪器设备

    近日,黑龙江农业工程职业技术大学就“食品药品检验检测实训基地暨数字化软件平台开发项目”发布公开招标公告,预算金额为389.371万...
    2026-11-12 11:58:39
  • 预算334万 山东第一医科大学附属省立医院采购医疗设备

    近日,山东第一医科大学附属省立医院就“山东第一医科大学附属省立医院(山东省立医院)医疗设备采购项目(检验部、特需病房、心脏大血管外...
    2026-11-12 11:35:01

版权与免责声明

  • ①凡本网注明“来源:化工仪器网”的所有作品,均为浙江兴旺宝明通网络有限公司-化工仪器网合法拥有版权或有权使用的作品,未经本网授权不得转载、摘编或利用其他方式使用上述作品。已经本网授权使用作品的,应在授权范围内使用,并注明“来源:化工仪器网”。违反上述声明者,本网将追究其相关法律责任。
  • ②本网转载并注明自其他来源(非化工仪器网)的作品,目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责,不承担此类作品侵权行为的直接责任及连带责任。其他媒体、网站或个人从本网转载时,必须保留本网注明的作品第一来源,并自负版权等法律责任。
  • ③如涉及作品内容、版权等问题,请在作品发表之日起一周内与本网联系,否则视为放弃相关权利。
第六届地质与稀土样品处理及检测技术线上研讨会
关闭