| 摘 要： | 
为了提高协同光学和雷达影像提取水稻的精度,该研究通过改进深度学习网络HRNet,提出一种多级特征融合的框架方法,改进后的MSATT-HRNet模型综合利用欧空局哥白尼项目哨兵1号（Sentinel-1）的双极化合成孔径雷达(synthetic aperture radar,SAR)影像和哨兵2号（Sentinel-2）多光谱光学影像,提取了湖南省长沙市望城区水稻种植区域。针对HRNet网络的改进主要包括两部分：1）设计了通道注意力机制与最大池化组成的卷积组用于提取SAR特征,同时将自注意力模块嵌入HRNet基础特征提取模块中用于提取多光谱光学影像的特征;2）为了探索双模态特征之间的内在互补关系,设计了由通道注意力与空间注意力组成的特征融合模块。研究针对改进模型进行了消融试验,并将MSATT-HRNet与其他常用深度学习方法（MCANet、Deeplabv3、Unet）进行了比较。结果表明,该研究提出的多源数据融合方法能够利用不同数据源的互补优势。
水稻种植区域提取结果的总体精度、Kappa系数分别达到97.04%和0.961,与MCANet、Deeplabv3、Unet相比,总体精度分别提高6.90、2.67和2.98个百分点,Kappa系数分别提高0.055、0.025和0.030。证实了该方法可以有效提高水稻的判别精度。研究通过深度学习技术与遥感影像的耦合,为南方多云雨地区水稻制图提供了一种可行的选择。
|
