zhpsЖурнал прикладной спектроскопииZhurnal Prikladnoii Spektroskopii0514-7506B. I. Stepanov Institute of Physics of the National Academy of Scienceszhps-618Research ArticleСтатьиМОДЕЛЬ ТРЕХМЕРНОЙ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ИДЕНТИФИКАЦИИ РЕЛЬЕФА ПУСТЫННЫХ ПАСТБИЩ С ПОМОЩЬЮ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯDESERTIFICATION GLASSLAND CLASSIFICATION AND THREE-DIMENSIONAL CONVOLUTION NEURAL NETWORK MODEL FOR IDENTIFYING DESERT GRASSLAND LANDFORMS WITH UNMANNED AERIAL VEHICLE HYPERSPECTRAL REMOTE SENSING IMAGESPiW.PiW.

Хух-хото

Hohhot

DuJ.DuJ.

Хух-хото

Hohhot

nndjwc202@imau.edu.cnLiuH.LiuH.

Хух-хото

Hohhot

ZhuX.ZhuX.

Хух-хото

Hohhot

Сельскохозяйственный университет Внутренней МонголииInner Mongolia Agricultural University, Mechanical and Electrical Engineering College202008052020872296305Copyright © Pi W., Du J., Liu H., Zhu X., 20202020Pi W., Du J., Liu H., Zhu X.Pi W., Du J., Liu H., Zhu X.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://zhps.ejournal.by/jour/article/view/618

Создана гиперспектральная система дистанционного зондирования с беспилотного летательного аппарата для исследования пустынных пастбищ Внутренней Монголии (Китай) при естественном освещении в полевых условиях. На основе машинного обучения предложена модель трехмерной сверточной нейронной сети (3D-CNN) для классификации пустынных пастбищ. Для уменьшения объема данных использована парадигма F-norm2 при обеспечении целостности пространственной информации. Благодаря оптимизации структуры и параметров модели ее точность дополнительно повышается на 9.8%, при этом общая точность распознавания оптимизированной модели >96.16%. Соответственно достигается высокоточная классификация признаков пустынных пастбищ, что способствует повышению эффективности исследований по дистанционному зондированию пастбищ.

Based on deep learning, a desertification grassland classification (DGC) and three-dimensional convolution neural network (3D-CNN) model is established. The F-norm2 paradigm is used to reduce the data; the data volume was effectively reduced while ensuring the integrity of the spatial information. Through structure and parameter optimization, the accuracy of the model is further improved by 9.8%, with an overall recognition accuracy of the optimized model greater than 96.16%. Accordingly, high-precision classification of desert grassland features is achieved, informing continued grassland remote sensing research.

беспилотный летательный аппаратгиперспектральное изображениеопустынивание пастбищидентификация наземных объектовтрехмерная сверточная нейронная сетьunmanned aerial vehiclehyperspectral imagegrassland desertificationground object identification3D convolutional neural networksThis study was financially supported by the National Natural Science Foundation of China (No. 31660137).ReferencesQ. G. Zhao, G. Q. Huang, Y. Q. Ma, Acta Ecol. Sin., 36, N 19, 6328–6335 (2016).Q. G. Zhao, G. Q. Huang, Y. Q. Ma, Acta Ecol. Sin., 36, N 19, 6328–6335 (2016).Q. M. Pan, J. G. Xue, T. Jin, Chin. Sci. Bull., 63, N 17, 1642–1650 (2018).Q. M. Pan, J. G. Xue, T. Jin, Chin. Sci. Bull., 63, N 17, 1642–1650 (2018).Y. F. Bai, Q. M. Pan, Q. Xing, Chin. Sci. Bull., 61, N 2, 201–212 (2016).Y. F. Bai, Q. M. Pan, Q. Xing, Chin. Sci. Bull., 61, N 2, 201–212 (2016).Y. Yan, Y. F. Chen, G. C. Zhao, Geol. Exploration., 55, N 2, 630–640 (2019).Y. Yan, Y. F. Chen, G. C. Zhao, Geol. Exploration., 55, N 2, 630–640 (2019).D. Han, H. Z. Wang, B. Y. Zheng, F. Wang, Acta Ecol. Sin., 38, N 18, 6655–6663 (2018).D. Han, H. Z. Wang, B. Y. Zheng, F. Wang, Acta Ecol. Sin., 38, N 18, 6655–6663 (2018).Z. H. Gao, B. P. Sun, G. D. Ding, J. Desert Res., 84, N 1, 19–24 (2017).Z. H. Gao, B. P. Sun, G. D. Ding, J. Desert Res., 84, N 1, 19–24 (2017).X.-Q. Wei, X.-F. Gu, Q.-Y. Meng, T. Yu, K. Jia, Y.-L. Zhan, Ch.-M. Wang, J. Appl. Spectrosc., N 5, 829–836 (2017).X.-Q. Wei, X.-F. Gu, Q.-Y. Meng, T. Yu, K. Jia, Y.-L. Zhan, Ch.-M. Wang, J. Appl. Spectrosc., N 5, 829–836 (2017).D. Tuia, C. Persello, L. Bruzzone, IEEE Geosci. Rem. Sens. Magn., 4, 41–57 (2016).D. Tuia, C. Persello, L. Bruzzone, IEEE Geosci. Rem. Sens. Magn., 4, 41–57 (2016).R. R. Wan, P. Wang, X. L. Wang, J. Appl. Rem. Sens., 12, N 4, 046029 (2018).R. R. Wan, P. Wang, X. L. Wang, J. Appl. Rem. Sens., 12, N 4, 046029 (2018).Q. L. Niu, H. K. Feng, G. J. Yang, Trans. Chin. Soc. Agric. Eng., 34, N 5, 73–82 (2018).Q. L. Niu, H. K. Feng, G. J. Yang, Trans. Chin. Soc. Agric. Eng., 34, N 5, 73–82 (2018).C. Gevaert, J. Suomalainen, J. Tang, IEEE J. Sel. Top. Appl. Earth Obs., 8, 3140–3146 (2015).C. Gevaert, J. Suomalainen, J. Tang, IEEE J. Sel. Top. Appl. Earth Obs., 8, 3140–3146 (2015).G. E. Hinton, N. Srivastava, A. Krizhevsky, Neural Comput., 18, N 3, 1527–1554 (2006).G. E. Hinton, N. Srivastava, A. Krizhevsky, Neural Comput., 18, N 3, 1527–1554 (2006).L. M. Dang, S. Hassan, Expert Syst. Appl., 9, N 1, 156–168 (2019).L. M. Dang, S. Hassan, Expert Syst. Appl., 9, N 1, 156–168 (2019).H. Chen, Y. Sun, X. L. Li, Neurocomputing, 9, N 356, 83–96 (2019).H. Chen, Y. Sun, X. L. Li, Neurocomputing, 9, N 356, 83–96 (2019).A. Krizhevsky, I. Sutskever, G. E. Hinton, Commun. ACM, 60, N 6, 84–90 (2017).A. Krizhevsky, I. Sutskever, G. E. Hinton, Commun. ACM, 60, N 6, 84–90 (2017).Q. Zou, L. H. Ni, T. Zhang, IEEE Geosci. Rem. Sens. Lett., 12, N 11, 2321–2325 (2015).Q. Zou, L. H. Ni, T. Zhang, IEEE Geosci. Rem. Sens. Lett., 12, N 11, 2321–2325 (2015).X. R. Ma, H. Y. Wang, J. Geng, IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 3282–3285 (2016).X. R. Ma, H. Y. Wang, J. Geng, IEEE International Geoscience and Remote Sensing Symposium (IGARSS), 3282–3285 (2016).Y. Li, H. K. Zhang, X. Z. Xue, Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery, 8, N 6 (2018).Y. Li, H. K. Zhang, X. Z. Xue, Wiley Interdisciplinary Reviews-Data Mining and Knowledge Discovery, 8, N 6 (2018).L. Samaniego, A. Bardossy, K. Schulz, IEEE Trans. Geosci. Rem. Sens., 46, N 7, 2112–2125 (2008).L. Samaniego, A. Bardossy, K. Schulz, IEEE Trans. Geosci. Rem. Sens., 46, N 7, 2112–2125 (2008).J. Li, J. M. Bioucas-Dias, A. Plaza, IEEE Trans. Geosci. Rem. Sens., 48, N 11, 4085–4098 (2010).J. Li, J. M. Bioucas-Dias, A. Plaza, IEEE Trans. Geosci. Rem. Sens., 48, N 11, 4085–4098 (2010).Y. Li, H. K. Zhang, Q. Shen, Rem. Sens., 9, N 1, 67 (2017).Y. Li, H. K. Zhang, Q. Shen, Rem. Sens., 9, N 1, 67 (2017).J. Yue, S. J. Mao, M. Li, Rem. Sens. Lett., 7, N 9, 875–884 (2016).J. Yue, S. J. Mao, M. Li, Rem. Sens. Lett., 7, N 9, 875–884 (2016).Y. Chen, X. Zhao, X. Jia, IEEE J. Sel. Top. Appl. Earth Observ. Rem. Sens., 8, N 6, 2381–2392 (2015).Y. Chen, X. Zhao, X. Jia, IEEE J. Sel. Top. Appl. Earth Observ. Rem. Sens., 8, N 6, 2381–2392 (2015).Y. S. Chen, Z. H. Lin, X. Zhao, IEEE J. Sel. Top. Appl. Earth Observ. Rem. Sens., 7, N 6, 2094–2107 (2014).Y. S. Chen, Z. H. Lin, X. Zhao, IEEE J. Sel. Top. Appl. Earth Observ. Rem. Sens., 7, N 6, 2094–2107 (2014).X. F. Liu, Q. Q. Sun, Y. Meng, Rem. Sens., 10, N 9, 1425 (2018).X. F. Liu, Q. Q. Sun, Y. Meng, Rem. Sens., 10, N 9, 1425 (2018).Y. X. Jin, F, Liu, J. Zhang, Chin. J. Plant Ecol., 42, N 3, 361–371 (2018).Y. X. Jin, F, Liu, J. Zhang, Chin. J. Plant Ecol., 42, N 3, 361–371 (2018).Z. B. Xie, P. Wu, G. D. Han, J. Agric. Mech. Res., 35, N 2, 189–191, 196 (2013).Z. B. Xie, P. Wu, G. D. Han, J. Agric. Mech. Res., 35, N 2, 189–191, 196 (2013).S. W. Ji, W. Xu, M. Yang, IEEE Trans. Pattern Anal. Mach. Intel., 35, 221–231 (2013).S. W. Ji, W. Xu, M. Yang, IEEE Trans. Pattern Anal. Mach. Intel., 35, 221–231 (2013).W. Zhao, H. Zhang, Proc. 2012 Int. Conf. Computer Science and Electronics Engineering (ICCSEE 2012), 23–25 March 2012, 88–391 (2012).W. Zhao, H. Zhang, Proc. 2012 Int. Conf. Computer Science and Electronics Engineering (ICCSEE 2012), 23–25 March 2012, 88–391 (2012).

The authors declare that there are no conflicts of interest present.