文章快速检索     高级检索
  中国水土保持科学   2024, Vol. 22 Issue (5): 199-208.  DOI: 10.16843/j.sswc.2022161
0

引用本文 

卢敬德, 伍容容, 吴鹏, 丁立. 基于卷积神经网络及遥感反演的生产建设项目识别方法及应用[J]. 中国水土保持科学, 2024, 22(5): 199-208. DOI: 10.16843/j.sswc.2022161.
LU Jingde, WU Rongrong, WU Peng, DING Li. A methodology of identifying production and construction projects by integrating convolutional neural networks with remote sensing inversion model and its application[J]. Science of Soil and Water Conservation, 2024, 22(5): 199-208. DOI: 10.16843/j.sswc.2022161.

项目名称

河南省水利厅2021年水利科技攻关项目“河南省水土保持大数据平台关键技术研究: 生产建设项目水土保持监管系统设计与应用”(GG202151)

第一作者简介

卢敬德(1982—), 男, 硕士, 工程师。主要研究方向: 计算机科学与技术, 遥感与地理信息技术, 水利工程。E-mail: ceo@infmatrix.com

通信作者简介

伍容容(1987—), 女, 本科, 工程师。主要研究方向: 遥感与地理信息技术。E-mail: yoiko@foxmail.com

文章历史

收稿日期：2022-07-28
修回日期：2024-01-24
Contents              Abstract              Full text              Figures/Tables              PDF
基于卷积神经网络及遥感反演的生产建设项目识别方法及应用
卢敬德 1, 伍容容 1, 吴鹏 2, 丁立 2     
1. 广东无限阵列科技有限公司, 510055, 广州;
2. 河南省水土保持监测总站, 450003, 郑州
收稿日期：2022-07-28; 修回日期：2024-01-24
项目名称：河南省水利厅2021年水利科技攻关项目“河南省水土保持大数据平台关键技术研究: 生产建设项目水土保持监管系统设计与应用”(GG202151)
第一作者简介：卢敬德(1982—), 男, 硕士, 工程师。主要研究方向: 计算机科学与技术, 遥感与地理信息技术, 水利工程。E-mail: ceo@infmatrix.com
通信作者简介：伍容容(1987—), 女, 本科, 工程师。主要研究方向: 遥感与地理信息技术。E-mail: yoiko@foxmail.com
摘要：由于遥感影像中的地物普遍存在异物同谱、同物异谱等现象, 导致面向对象的多尺度和多阈值分割分类等解译方法无法在完全脱离人工干预的情况下使用, 因而给解译带来成本高、效率较低等问题。本研究目的是建立一个实用、高效的生产建设项目扰动图斑自动识别模型, 提高扰动图斑识别的效率和准确性。河南省作为水利部第一批遥感监管示范省, 至今已积累大量生产建设项目水土保持空间数据。为此, 笔者选择河南省作为研究区。提出一种基于神经网络及遥感反演模型的生产建设项目自动识别方法。该方法使用由5个卷积层和3个池化Pooling层的AlexNet对扰动图斑进行初步自动解译, 并使用归一化植被指数、温度植被干旱指数等遥感反演模型进一步判断图斑是否为生产建设项目。笔者以成像时间为2020年、覆盖河南全省的GF-1、GF-6遥感影像为基础, 使用生产建设项目扰动图斑的外包矩形裁剪上述影像获得训练样本, 对样本进行标记, 并将标记好的训练样本输入到AlexNet模型对其进行训练, 完成训练后分别使用单一神经网络模型及神经网络模型+遥感反演模型进行两组测试。结果表明: 1) 本方法在降低误识别率和漏识别率的效果方面均比单纯卷积神经网络识别模型优异, 误识别率平均降低23.88%, 尤其在降低误识别率方面效果明显; 2) 本方法的计算时间, 与卷积神经网络识别模型没有明显差异。综上, 本研究成果可有效降低生产建设项目自动识别的误判率, 有助于进一步提升生产建设项目水土保持遥感监管工作的自动化程度, 在生产建设项目自动识别应用领域有一定的借鉴意义。
关键词：卷积神经网络    遥感反演    遥感监管    自动识别    水土保持    
A methodology of identifying production and construction projects by integrating convolutional neural networks with remote sensing inversion model and its application
LU Jingde 1, WU Rongrong 1, WU Peng 2, DING Li 2     
1. Infinite Matrix Technology Co. Ltd., 510055, Guangzhou, China;
2. Soil and Water Conservation Monitoring Station of Henan Province, 450003, Zhengzhou, China
Abstract: [Background] Due to the phenomenon of spectral similarities of foreign objects and spectral differences of the same objects in remote sensing images, object-oriented multi-scale and multi-threshold segmentation and classification methods cannot be used without significant manual intervention. This manual intervention results in high costs and low efficiency in the interpretation process. The purpose of this study is to establish a practical and efficient model for automatic identification of disturbed areas in production and construction projects, aiming to improve the efficiency and accuracy of disturbance identification. As one of the first batch of remote sensing monitoring demonstration provinces designated by the Ministry of Water Resources, Henan province has accumulated a significant amount of spatial data on soil and water conservation for production and construction projects. Therefore, this study selects Henan province as the research area. [Methods] The authors proposed an automatic identification method for production and construction projects based on neural networks and remote sensing inversion models. This method utilized AlexNet, which consists of 5 convolutional layers and 3 pooling layers, for initial automatic interpretation of disturbed spots. Additionally, remote sensing inversion models such as normalized difference vegetation index (NDVI) and temperature-vegetation dryness index (TVDI) were employed to further determine whether the identified spots were production and construction projects. Based on GF-1 and GF-6 remote sensing images taken in 2020, covering the entire Henan province, the author used the external rectangle of suspected production and construction project spot to crop the aforementioned images and obtain training samples. The samples were labeled and then input into the AlexNet model for training. After completing the training, two sets of tests were conducted using a single neural network model and a neural network model combined with remote sensing inversion. [Results] 1) This method performs better than a simple convolutional neural network recognition model in reducing both false recognition rate and missed recognition rate, with an average reduction of 23.88% in false recognition rate. It is particularly effective in reducing false recognition rate. 2) This method does not show any significant difference in terms of runtime cost compared to a simple convolutional neural network recognition model. [Conclusions] This achievement can effectively reduce the misclassification rate in the automatic identification of production and construction projects, contributing to the further improvement of the automation level in remote sensing monitoring of soil and water conservation in production and construction projects. It has certain reference value in the application field of automatic identification of production and construction projects.
Keywords: convolutional neural network    quantitative remote sensing    the remote sensing supervision of soil and water conservation    automatic identification    soil and water conservation    

遥感监管是及时精准发现人为水土流失违法违规行为的有效手段[1]。经过近几年遥感监管的技术示范、推广乃至全覆盖应用，生产建设项目“未批先建”“超防治责任范围建设”等势头得到了很好的抑制。但由于生产建设项目点多面广、类型复杂，部分生产建设项目具有隐蔽性、离散性、动态性等特点，对于大部分使用人工方式进行疑似扰动图斑解译的技术支撑单位来说，如何通过计算机自动识别技术提高发现生产建设项目的效率和准确性，是一个值得研究的课题。

随着计算机和数值模型的广泛使用，人们可以定量地从遥感数据中估算陆地环境的一些生物物理变量[2]。在定量遥感技术基础上，发展出基于高分遥感数据自动发现、识别和提取生产建设项目的定量化识别技术。罗志东等[3]提出的多尺度分割分类提取方法，采用面向对象的多尺度和多阈值分割方法生成分类对象，相比传统的遥感指数型监督分类方法，生产建设项目的提取正确率有所提升、漏报率有所降低。然而，生产建设项目扰动图斑在全国各类型地区都有不同程度的光谱特征差异，同样地物在不同成像时间也在一定程度上表现出不同的光谱特征，加上异物同谱现象的普遍性。这些都造成面向对象的多尺度和多阈值分割分类方法无法在完全脱离人工干预的情况下独立使用。

生产建设项目扰动图斑自动识别的另一个成功的方法是通过卷积神经网络学习架构(convolutional neural network，CNN)[4-7]，从遥感影像中分割出疑似生产建设项目扰动图斑。Krizhevsky等[8]在2012年提出的AlexNet卷积神经网络深度学习模型，是图像处理领域里程碑式的网络模型，开启了图像分类的新纪元，已广泛应用于遥感图像分类[9]、医学诊断[10]、信号识别[11]、语音识别[12]、目标检测[13]等诸多领域。然而由于生产建设项目扰动图斑形态特征的复杂多样性，单凭卷积神经网络或其若干改进形式的方法很难把自动识别的漏判率和误判率降低到理想的程度。文献[14]公开一种禽畜养殖舍棚的自动识别方法，此方法首次在对特征地物识别和提取时综合使用了遥感反演与卷积神经网络方法，为地物识别提供一个新的思路。

综上，笔者提出一种基于卷积神经网络及遥感反演的生产建设项目识别方法。该方法利用卷积神经网络模型能够识别并精确提取出图斑边界的优点，并利用遥感反演模型弥补卷积神经网络只能从形态上进行识别的不足，增加了判别成功的概率。

1 本研究建立的方法 1.1 整体框架

本研究建模的思路是以卷积神经网络模型识别提取的疑似生产建设项目图斑作为遥感反演模型的空间约束，让遥感反演模型在特定空间上发挥其地物性质判别的优势，从而达到高精准度的图斑分割和识别。该方法相比单纯应用卷积神经网络方法或是单纯应用遥感反演方法，具有更高的正确率。具体步骤包括：1)利用AlexNet卷积神经网络模型从遥感影像中分割出所有疑似生产建设项目扰动图斑；2)在第1步所分割出的图斑外围相邻区域建立缓冲分析区；3)在缓冲分析区内使用遥感反演方法计算缓冲区内的遥感指数；4)根据缓冲区内目标遥感指数，判断当前图斑是否为生产建设项目。

1.2 卷积神经网络模型

AlexNet由5个卷积层、3个池化Pooling层和3个全连接层构成，此为AlexNet的固有结构。笔者尝试在实现AlexNet时去除1个卷积层以达到节约运算时间的目的，但去除后模型训练时间未见明显减少，而错误率从15.3%提升至26.2%，因此，保留AlexNet原来的结构。笔者所建立的AlexNet卷积神经网络模型包含8个带权重的层的网络，前5层为卷积层，后3层为全连接层，其中，最后一层全连接层为输出层。

1.3 遥感反演模型

本研究需要识别的地物对象为生产建设项目，由于生产建设项目在实际开发建设过程中会对区域内和区域周边的植被覆盖度、土壤干湿度产生影响，因此，使用对植被生物物理特征敏感[15]的归一化植被指数(normalized different vegetation index, NDVI)以及对植被覆盖区域表层土壤水分敏感[16-17]的温度植被干旱指数(temperature vegetation dryness index, TVDI)组合出能敏感反映生产建设项目扰动的指数I。计算方法如式(1)所示：

$ I=\frac{T_{\mathrm{s}}-\left(a_1+b_1\left(\frac{B_{\text {nir }}-B_{\mathrm{red}}}{B_{\text {nir }}+B_{\mathrm{red}}}\right)\right)}{\left(a_2+b_2\left(\frac{B_{\text {nir }}-B_{\text {red }}}{B_{\text {nir }}+B_{\text {red }}}\right)\right)-\left(a_1+b_1\left(\frac{B_{\text {nir }}-B_{\text {red }}}{B_{\text {nir }}+B_{\text {red }}}\right)\right) }。$ (1)

式中：Ts为影像中任意像元对应的地表温度，℃; Bnir为遥感影像近红外波段反射率值或像素点数字值(digital number, DN)；Bred为遥感影像红波段反射率值或DN值；a1、b1、a2和b2分别是旱边和湿边拟合方程的系数；量纲均为1。

1) 在疑似生产建设项目图斑Ai的外围建立正方形中心区域regionT，并以regionT为中心、以regionT的3倍边长为新边长，建立九宫格缓冲分析区C1~C8(图 1)。

C1-C8 are the buffer areas for remote sensing inversion model. regionT is the external rectangle of a suspected production and construction project spot which is also the center of this buffer areas. 图 1 遥感反演模型缓冲区示意图 Fig. 1 Sketch map of buffer areas for remote sensing inversion model

2) 以Ci表示当前的计算区，逐个计算Ci的指数I，并在模型中设置阈值α∈[-1, 1]，当I＞α时，对应像元赋值为1，否则赋值为0；二值化处理的目的是为了将像元二分为目标像元和非目标像元，所谓目标像元，即为与生产建设项目关联度高于预设阈值的像元。

3) 根据二值化处理的结果以及Ci内的像元总数，计算出每个Ci内像元值为1的像元个数与像元总数的比值，记为Ti，并在模型中设置阈值β∈(0, 1)，若Ti∈(β, 1)[14]，则判定Ai为非生产建设项目图斑；若C1~C8内的Ti∈(β, 1)全部为假，则判定Ai为生产建设项目图斑。其中，β∈(0, 1)为模型参数，其取值决定模型对生产建设项目图斑识别的敏感程度，数值越小越倾向于将图斑识别为非生产建设项目，如图 2和图 3所示。

图 2 判定为生产建设项目实例图 Fig. 2 Actual example of identified production and construction project
图 3 判定为非生产建设项目实例图 Fig. 3 Actual example of identified non-production and construction project
1.4 模型参数设定

模型中需要率定阈值α、β，此参数的设定与影像类型、地域、季节等因素息息相关，在试验阶段，笔者在参考其他全国范围遥感反演研究的文章基础上，针对试验区域收集到的不同季节影像的物理特征，对阈值进行优化如下：

1) 阈值α。若模型中选择NDVI作为关键因子，阈值α的取值范围为[-1, 1]。根据国家自然科学基金委员会“中国西部环境与生态科学数据中心”公布的全国1 ∶100万植被类型数据及河南省2019—2022年每年3期遥感影像综合分析，阈值α的取值数据设定为[0.2, 0.22, 0.25, 0.34, 0.32, 0.33, 0.4, 0.39, 0.35, 0.22, 0.21, 0.19]，模型计算式根据遥感影像的成像月份，选择数组中相应的阈值参与计算；若模型中选择TVDI作为关键因子，阈值α则根据文献[18]的研究成果，以TVDI作为旱情分级指标, 将旱情划分5级, 分别是: 湿润(0＜TVDI≤0.2)、正常(0.2＜TVDI≤0.4)、轻旱(0.4＜TVDI≤0.6)、干旱(0.6＜TVDI≤0.8)和重旱(0.8＜TVDI＜1.0)。因此，模型中若选取TVDI作为遥感指数判断因子，则阈值α可设定为0.4。

2) 阈值β。其中，β∈(0, 1)为模型参数[14]，其取值决定模型对生产建设项目图斑识别的敏感程度，数值越小越倾向于将图斑识别为非生产建设项目。

2 试验与结果

试验步骤依次为：1)制作卷积神经网络模型训练样本数据集；2)训练卷积神经网络模型；3)使用训练过的纯卷积神经网络模型对试验区遥感影像进行自动识别；4)使用训练过的本研究模型对试验区遥感影像进行自动识别；5)将前后2次识别的结果与真值进行对比(真值来源见后文训练样本与检验数据)，得出比较结论。

2.1 试验区域概况

2018年，作为水利部确定的全国8个试点省份之一，河南省天地一体化监管工作在全省范围内全面铺开[19]，截至2021年底，河南省通过遥感监管工作，已积累了大量生产建设项目水土保持空间数据，项目类型涵盖各类生产建设项目图斑。因此，笔者选择河南省作为应用研究区。其中，为了使训练样本尽可能覆盖同一种类型生产建设项目的不同图像特征，采用在全河南省范围内获取训练样本的策略(具体获取方法见后文训练样本与检验数据)；同时，为了突出本文所建模型相对纯卷积神经网络模型在生产建设项目自动识别上的提升，避免模型在较大范围上执行时易受影像、模型缺陷等因素影响试验结果的判断，在验证试验时，将模型运算范围缩小为一个地市的范围。

2.2 遥感数据

笔者采用国产GF-1、GF-6遥感影像作为本次试验的遥感数据。数据经过融合处理后空间分辨率为2 m，其中以覆盖河南全省的66景GF-1遥感影像(成像时间2020年12月4—31日)和3景GF-6遥感影像(成像时间2020年12月29日)作为训练样本的数据；以覆盖洛阳市的9景GF-1遥感影像(成像时间2021年11月11日—12月29日)和1景GF-6遥感影像(成像时间2021年12月29日)作为模型验证数据，如图 4所示。

图 4 遥感影像数据集 Fig. 4 Remote sensing image datasets
2.3 训练样本与检验数据

2020和2021年，河南省实施共计5期的生产建设项目水土保持遥感监管工作，掌握了详细的、经核查的生产建设项目扰动图斑数据。笔者采用2020年生产建设项目扰动图斑的外包矩形裁剪影像获得训练样本，共获得训练数据样本3072张，训练样本对应的项目类型与样本数量如表 1所示，样本总体分布情况如图 5所示。2021年河南省洛阳市的新增生产建设项目扰动图斑263个，笔者采用2021年遥感监管成果作为验证本文模型自动识别结果的参考值。

表 1 训练样本对应的项目类型及数量统计表 Tab. 1 Types and numbers of projects in the training samples
图 5 样本总体分布情况 Fig. 5 Sample population distribution
2.4 卷积神经网络模型训练

卷积神经网络模型训练对于分类结果有着关键作用，训练方法如下：

1) 按照不同尺度，截取不同类型生产建设项目扰动的训练样本。尺度与训练样本之间的对应关系如表 2所示。

表 2 不同地图比例尺与训练样本对应关系 Tab. 2 Correspondence between different scales and training samples

2) 对样本进行标记。典型标签如图 6所示。

图 6 训练图像单元及标注样本实例 Fig. 6 Actual examples of training image units and labelled samples

3) 将标记好的训练样本输入到AlexNet模型中，对模型进行完整训练1次为1个Epoch。在设置Epoch时，若设置得太小，权重更新迭代不足会导致网络模型欠拟合，设置得太大会导致大幅增加训练时间，并且有一定概率会导致模型结果过度拟合。因此这里选择5个不同的Epoch进行试验，并通过验证集验证训练精度。试验结果当Epoch分别取值20、40、60、80和100时，对应的精确度分别为61.3%、72.6%、81.5%、82.9%和84.3%。由于模型的理论精度峰值为84.7%，当Epoch取60时已得到接近理论精度峰值的训练精度，为节约模型训练的时间成本，将Epoch设为60。

2.5 试验结果与分析

利用本研究构建模型单一神经网络模型分别进行两组测试：在2021年GF-1号遥感卫星影像数据上进行自动识别勾绘，并使用同期经现场复核的图斑(即河南省2021年生产建设项目遥感监管现场核查成果)作为参考真实值，对2种模型自动识别的准确率进行对比分析。根据试验结果，使用本研究所述基于AlexNet卷积神经网络及遥感反演所构建的自动识别模型，在降低误识别率和漏识别率的效果方面均比单纯卷积神经网络识别模型优异，通过单一AlexNet与本研究构建模型计算结果误识别率的对比，剔除去2个模型误识别率都为0的地类，将二者求均值可以得出，本研究所构建的自动识别模型在各类地物的误识别率上平均降低23.88%，尤其在降低误识别率方面效果明显如图 7所示。表 3中列出的真实值，为2021年洛阳市经过现场核查确认的新增生产建设项目扰动数(263宗)。上表中的“命中数”为模型识别结果与真实值一致的数量，命中率为命中数与真实值之比；误识别数为模型将地物误识别为生产建设项目的数量，误识别率为误识别数与真实值之比；漏识别数为模型没有正确将地物误识别为生产建设项目的数量，漏识别率为漏识别数与真实值之比。真实值等于命中数与漏识别数之和。

图 7 2组试验数据误识别率对比 Fig. 7 Comparison of false identification rate between two groups of test data
表 3 2种模型在GF-1号遥感卫星影像上进行各类生产建设项目自动识别效果对比 Tab. 3 Comparison of automatic identification effects in various production and construction projects on GF-1 remote sensing satellite images with the two models

另外，从模型运行的时间成本的上对比，本研究方法所构建的模型所消耗的时间分为2部分，其一为AlexNet运算耗时，其二为遥感反演模型耗时；在第一部分耗时中，又分为模型训练耗时以及图斑识别耗时，模型训练耗时一般需要2~3 d的时间，但是一旦模型训练完成可以反复使用，而AlexNet在当前的工作站级计算机上对全省影像进行图斑识别需要980 h，这个时间消耗对原生AlexNet和本研究方法构建模型的神经网络模型部分都是相同的；对于遥感反演模型而言，其主要时间消耗在于影像读取，影像进入内存后计算机可以内存中的矩阵数组为单元进行计算，计算的耗时几乎可以忽略，为此，本研究模型优化了模型的运算逻辑，在AlexNet提取到图斑后，马上利用遥感反演模型对图斑的遥感特征进行判别，从而节约了再次读取影像的大量时间。最终本研究所建模型在当前的工作站级计算机上对全省影像进行图斑识别耗时980.63 h。

3 讨论

笔者构建了基于AlexNet卷积神经网络及遥感反演模型的生产建设项目识别模型，并使用同期经现场复核的成果图斑，作为参考真实值，对2种模型自动识别的准确率进行对比分析，验证了本方法的可行性。

笔者所构建的模型会在模型训练时消耗一定的时间，但训练完成之后可以在同样的区域多次复用，并且本研究所建模型与单纯AlexNet在计算时消耗的时间相差不大。

笔者在训练模型时，图像单元的最小比例尺取为1 ∶32万，之所以未在更小比例尺的影像上获取模型训练图像单元，是因为在如此小的比例尺上的项目绝大多数为大型线性项目，而在小比例尺影像上要通过视觉模型将规模大、截面小的线性项目自动识别和提取的效果都不甚理想。从本研究的试验结果也可以看到，对于公路工程等线性项目，本研究建立的模型降低误识别率的能力也受到该因素制约。假以时日，随着更有效的计算机视觉领域机器学习模型的出现，大型线性项目的自动识别也会有所突破。

4 结论

通过上述建模、试验和对比分析可见，生产建设项目扰动与非生产建设项目在全国各类型地区都有不同程度的易混淆性，单凭全卷积网络或其若干改进形式的方法无法把自动识别的漏判率和误判率降低到理想的程度。通过本文构建的基于AlexNet卷积神经网络及遥感反演模型的生产建设项目识别模型，可有效降低生产建设项目自动识别的误判率，有助于进一步提升生产建设项目水土保持遥感监管工作的自动化程度，在生产建设项目自动识别应用领域有一定的借鉴意义。

5 参考文献
[1]
中华人民共和国水利部办公厅. 水利部办公厅关于推进水土保持监管信息化应用工作的通知: 办水保〔2019〕198号[A/OL]. (2019-09-11)[2022-07-28]. https://www.cnscm.org/xxh/ssjd/202209/t20220903_1320168.html.
General Office of the Ministry of Water Resources of the People's Republic of China. Notice from the General Office of the Ministry of Water Resources on Promoting the Application of Information Technology in Soil and Water Conservation Supervision: Office of Water Conservation Document No. 198[2019][A/OL]. (2019-09-11)[2022-07-28]. https://www.cnscm.org/xxh/ssjd/202209/t20220903_1320168.html.
[2]
梁顺林. 中国定量遥感发展的一些思考[J]. 遥感学报, 2021, 25(9): 1889.
LIANG Shunlin. Some thoughts on the development of quantitative remote sensing in China[J]. National Remote Sensing Bulletin, 2021, 25(9): 1889.
[3]
罗志东, 刘二佳. 基于高分遥感的生产建设项目扰动发现技术研究[C]//中国水土保持学会预防监督专业委员会第九次会议暨学术研讨会论文集, 2015: 403.
LUO Zhidong, LIU Erjia. Research on disturbance detection technology of production and construction project based on high resolution remote sensing[C]//Proceedings of the ninth Meeting and Academic Symposium of Prevention and Supervision Committee of Chinese Society for Soil and Water Conservation, 2015: 403.
[4]
GOODFELLOW I, BENGIO Y, COURVILLE A, et al. Deep learning (Vol. 1)[M]. Cambridge, UK: MIT Press, 2016: 326.
[5]
GU Jiuxiang, WANG Zhenhua, JASON Kuen, et al. Recent advances in convolutional neural networks[J]. Pattern Recognition, 2018, 77: 354. DOI:10.1016/j.patcog.2017.10.013
[6]
陈超, 齐峰. 卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 计算机科学, 2019, 46(3): 63.
CHEN Chao, QI Feng. Review on development of convolutional neural network and its application in computer vision[J]. Computer Science, 2019, 46(3): 63.
[7]
刘强, 解加粉, 陈建忠, 等. 基于卷积神经网络的高分辨率遥感影像建筑物场景识别[J]. 测绘通报, 2021(S1): 124.
LIU Qiang, XIE Jiafen, CHEN Jianzhong, et al. Building scene recognition based on convolutional neural network using high resolution remote sensing image[J]. Bulletin of Surveying and Mapping, 2021(S1): 124.
[8]
KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Advances in Neural Information Processing Systems, 2012, 25(2): 1.
[9]
党宇, 张继贤, 邓喀中, 等. 基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 地球信息科学学报, 2017, 19(11): 1530.
DANG Yu, ZHANG Jixian, DENG Kazhong, et al. Study on the evaluation of land cover classification using remote sensing images based on AlexNet[J]. Journal of Geo-Information Science, 2017, 19(11): 1530.
[10]
侯霄雄, 许新征, 朱炯, 等. 基于AlexNet和集成分类器的乳腺癌计算机辅助诊断方法[J]. 山东大学学报(工学版), 2019, 49(2): 74.
HOU Xiaoxiong, XU Xinzheng, ZHU Jiong, et al. Computer aided diagnosis method for breast cancer based on AlexNet and ensemble classifiers[J]. Journal of Shandong University (Engineering Science), 2019, 49(2): 74.
[11]
杨洁, 张欢. 基于改进型AlexNet的LPI雷达信号识别[J]. 现代电子技术, 2020, 43(5): 57.
YANG Jie, ZHANG Huan. LPI radar signal recognition based on improved AlexNet[J]. Modern Electronics Technique, 2020, 43(5): 57.
[12]
缪裕青, 邹巍, 刘同来, 等. 基于参数迁移和卷积循环神经网络的语音情感识别[J]. 计算机工程与应用, 2019, 55(10): 135.
MIAO Yuqing, ZOU Wei, LIU Tonglai, et al. Speech emotion recognition model based on parameter transfer and convolutional recurrent neural network[J]. Computer Engineering and Applications, 2019, 55(10): 135.
[13]
李祥鹏, 闵卫东, 韩清, 等. 基于深度学习的车牌定位和识别方法[J]. 计算机辅助设计与图形学学报, 2019, 31(6): 979.
LI Xiangpeng, MIN Weidong, HAN Qing, et al. License plate location and recognition based on deep learning[J]. Journal of Computer-Aided Design & Computer Graphics, 2019, 31(6): 979.
[14]
卢敬德, 伍容容, 苏德鹏, 等. 一种禽畜养殖舍棚的自动识别方法、装置及存储介质[P]. 中国:
ZL202010396298.8, 2021-1-29. LU Jingde, WU Rongrong, SU Depeng, et al. An automatic identification method, a device and a storage medium for shanty farm[P]. China: ZL202010396298.8, 2021-1-29.
[15]
原琪翔, 尚国琲, 张霞. 基于NDVI的2014—2020年郑州市植被覆盖变化特征分析[J]. 河北地质大学学报, 2022, 45(4): 86.
YUAN Qixiang, SHANG Guobei, ZHANG Xia. Analysis of characteristics of vegetation cover change in Zhengzhou city from 2014 to 2020 based on NDVI[J]. Journal of Hebei GEO University, 2022, 45(4): 86.
[16]
赵杰鹏, 张显峰, 廖春华, 等. 基于TVDI的大范围干旱区土壤水分遥感反演模型研究[J]. 遥感技术与应用, 2011, 26(6): 742.
ZHAO Jiepeng, ZHANG Xianfeng, LIAO Chunhua, et al. TVDI based Soil moisture retrieval from remotely sensed data over large arid areas[J]. Remote Sensing Technology and Application, 2011, 26(6): 742.
[17]
蒋文君. 地表干旱对城市表面热岛的影响研究: 以鄱阳湖地区为例[D]. 南昌: 江西师范大学, 2017: 17.
JIANG Wenjun. Study on the effect of surface drought on urban surface heat island in Poyang Lake Area[D]. Nanchang: Jiangxi Normal University, 2017: 17.
[18]
齐述华, 王长耀, 牛铮. 利用温度植被旱情指数(TVDI)进行全国旱情监测研究[J]. 遥感学报, 2003(5): 420.
QI Shuhua, WANG Changyao, NIU Zheng. Evaluating soil moisture status in China using the temperature/vegetation dryness index(TVDI)[J]. Journal of Remote Sensing, 2003(5): 420.
[19]
吴鹏, 陈国兵. 河南省生产建设项目遥感监管实践[J]. 中国水土保持, 2020(9): 57.
WU Peng, CHEN Guobing. Remote sensing supervision of production and construction projects in Henan province[J]. Soil and Water Conservation in China, 2020(9): 57.