基于深度遷移學(xué)習(xí)的釀酒葡萄種植信息提取

宋曉倩 張學(xué)藝 張春梅 李萬(wàn)春

摘要：為利用遙感手段快速、精準(zhǔn)提取寧夏賀蘭山東麓釀酒葡萄種植信息，提出了一種基于深度遷移學(xué)習(xí)的釀酒葡萄種植信息提取方法。該方法以全卷積神經(jīng)網(wǎng)絡(luò)（Fully convolutional networks，F(xiàn)CN）為基礎(chǔ)，利用高分二號(hào)衛(wèi)星遙感資料，以地面采集樣本數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練，利用遷移學(xué)習(xí)方法將訓(xùn)練好的網(wǎng)絡(luò)模型遷移到FCN網(wǎng)絡(luò)模型中，對(duì)其進(jìn)行初始化，避免過(guò)擬合問(wèn)題的發(fā)生，其網(wǎng)絡(luò)訓(xùn)練驗(yàn)證集準(zhǔn)確率高達(dá)88.16%，較傳統(tǒng)的基于深度學(xué)習(xí)方法準(zhǔn)確率提高7.17個(gè)百分點(diǎn)。結(jié)果表明，基于深度遷移學(xué)習(xí)的賀蘭山東麓釀酒葡萄種植信息提取檢測(cè)準(zhǔn)確率可達(dá)91.93%，檢測(cè)召回率達(dá)到91.15%。

關(guān)鍵詞：釀酒葡萄;信息提取;高分?jǐn)?shù)據(jù);深度學(xué)習(xí);遷移學(xué)習(xí)

中圖分類(lèi)號(hào)：S127文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1000-4440（2020）03-0689-05

Extraction of wine grape planting information based on deep transfer learning

SONG Xiao-qian1，ZHANG Xue-yi2，ZHANG Chun-mei1，LI Wan-chun2

（1.School of Computer Science and Engineering， North Minzu University， Yinchuan 750021， China;2.Key Laboratory of Characteristic Agrometeorological Disaster Monitoring and Early Warning and Risk Management in Arid Regions， CMA/Key Laboratory for Meteorological Disaster Prevention and Reduction of Ningxia， Yinchuan 750002， China）

Abstract：In order to extract the wine grape planting information of the eastern foot of Helan mountain by using remote sensing， a method based on deep transfer learning was proposed. On the basis of fully convolutional network（FCN）， this method used the GF-2 remote sensing data to collect the sample data for the information extraction training. The trained network model was transferred to the FCN model by using the transfer learnin method. It was initialized in the network model to avoid over-fitting problem. The accuracy rate of its network training validation set was as high as 88.16%， which was 7.17 percentage points higher than that of traditional deep learning methods. The results showed that the accuracy rate of wine grape planting information extraction based on deep transfer learning at the eastern foot of Helan Mountain could reach 91.93%， and the recall rate reached 91.15%.

Key words：wine grapes;information extraction;high resolution data;deep learning;transfer learning

近年來(lái)，在寧夏回族自治區(qū)黨委、政府的重視下，賀蘭山東麓釀酒葡萄被確定為自治區(qū)農(nóng)業(yè)六大區(qū)域性?xún)?yōu)勢(shì)產(chǎn)業(yè)之一[1]。隨著釀酒葡萄產(chǎn)業(yè)的快速發(fā)展，其種植面積也在日益擴(kuò)大[2]。如何快速、準(zhǔn)確地提取釀酒葡萄種植面積是當(dāng)前迫切需要解決的問(wèn)題。利用遙感手段提取作物種植信息是一種節(jié)省人力、物力，并且人為干預(yù)少，效果好的技術(shù)[3-5]。目前較多學(xué)者利用深度神經(jīng)網(wǎng)絡(luò)在自然場(chǎng)景圖像識(shí)別中取得優(yōu)異成果[6]。張善文等[7]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)黃瓜病害進(jìn)行識(shí)別，并建立了訓(xùn)練葉片識(shí)別數(shù)據(jù)庫(kù)，與普通的特征提取識(shí)別病害方法相比較性能較高。孫云云等[8]在小樣本情況下利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行病害圖像識(shí)別，先利用7種不同模式分別對(duì)樣本進(jìn)行預(yù)處理，然后用AlexNet的經(jīng)典網(wǎng)絡(luò)對(duì)預(yù)處理后的樣本進(jìn)行訓(xùn)練。有的學(xué)者[9]利用深度神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行遙感圖像識(shí)別，結(jié)合面向?qū)ο蠛蜕疃忍卣?，將深度學(xué)習(xí)運(yùn)用到高分樹(shù)種的分類(lèi)中，與普通的支持向量機(jī)及隨機(jī)森林分類(lèi)方法對(duì)比，分類(lèi)精度有所提高。黃云等[10]運(yùn)用Sentinel-2數(shù)據(jù)基于FCN網(wǎng)絡(luò)改進(jìn)的SegNet網(wǎng)絡(luò)對(duì)花生種植區(qū)域進(jìn)行分類(lèi)。Kussul等[11]利用深度學(xué)習(xí)對(duì)2種不同的遙感數(shù)據(jù)進(jìn)行多種作物的分類(lèi)，準(zhǔn)確率較高。宮浩等[12]提出基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類(lèi)方法，利用6層卷積神經(jīng)網(wǎng)絡(luò)對(duì)農(nóng)田進(jìn)行分類(lèi)識(shí)別，精度高，耗時(shí)短。但基于深度神經(jīng)網(wǎng)絡(luò)的算法，必須有大量訓(xùn)練樣本的支撐，單憑借少量的標(biāo)注樣本進(jìn)行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練，容易產(chǎn)生過(guò)擬合的現(xiàn)象。

為改善深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中較易出現(xiàn)的過(guò)擬合現(xiàn)象，本研究提出一種基于深度遷移學(xué)習(xí)的釀酒葡萄種植信息提取方法。

1材料與方法

1.1研究區(qū)

寧夏賀蘭山東麓釀酒葡萄產(chǎn)區(qū)位于寧夏回族自治區(qū)銀川、吳忠、石嘴山三市，東經(jīng)105°～106°E，北緯37°～39°N，地處世界釀酒葡萄種植的“黃金地帶”，是全國(guó)三大釀酒葡萄原產(chǎn)地域保護(hù)區(qū)之一[13-15]，也是中國(guó)釀酒葡萄最佳種植區(qū)。賀蘭山東麓屬典型大陸性氣候，系沖積扇三級(jí)階梯，交通多有不便，生態(tài)脆弱，決定了在該區(qū)域發(fā)展釀酒葡萄產(chǎn)業(yè)必須適度規(guī)劃、有限發(fā)展，所以快速、精準(zhǔn)地掌握釀酒葡萄的種植分布及面積等情況成為政府決策部門(mén)的當(dāng)務(wù)之急。

1.2數(shù)據(jù)來(lái)源

1.2.1衛(wèi)星資料數(shù)據(jù)研究數(shù)據(jù)來(lái)源于高分二號(hào)（GF-2）衛(wèi)星遙感資料。GF-2衛(wèi)星是中國(guó)自主研制的首顆空間分辨率優(yōu)于1 m的民用光學(xué)遙感衛(wèi)星，搭載有2臺(tái)高分辨率1 m全色、4 m多光譜相機(jī)，具有亞米級(jí)空間分辨率、高定位精度和快速姿態(tài)機(jī)動(dòng)能力等特點(diǎn)[16-17]。獲取2015-2018年釀酒葡萄分類(lèi)最佳時(shí)相段內(nèi)數(shù)據(jù)質(zhì)量較好的賀蘭山東麓葡萄種植區(qū)國(guó)產(chǎn)高分辨率衛(wèi)星GF-2號(hào)PMS的L1A級(jí)數(shù)據(jù)共8景，經(jīng)過(guò)正射校正、圖像融合等預(yù)處理后，使其最高分辨率達(dá)到0.8 m，進(jìn)行基于深度遷移學(xué)習(xí)的葡萄種植區(qū)分類(lèi)數(shù)據(jù)集構(gòu)建。遙感數(shù)據(jù)從中國(guó)資源衛(wèi)星應(yīng)用中心下載。

1.2.2數(shù)據(jù)集的組成用于訓(xùn)練初始網(wǎng)絡(luò)的源領(lǐng)域數(shù)據(jù)集為2個(gè)遙感影像數(shù)據(jù)集（WHU-RS19數(shù)據(jù)集、UCMerced LandUse數(shù)據(jù)集）和大型圖像數(shù)據(jù)集（ImageNet數(shù)據(jù)集）。

1.2.3地理信息數(shù)據(jù)經(jīng)度、緯度數(shù)據(jù)及其他地理信息數(shù)據(jù)均來(lái)源于寧夏回族自治區(qū)氣象局。

1.2.4氣象數(shù)據(jù)在確定釀酒葡萄分類(lèi)最佳時(shí)相段時(shí)，由于選取的釀酒葡萄GPS定點(diǎn)為銀川市、吳忠市、青銅峽市、石嘴山市、賀蘭縣、永寧縣，葡萄的生長(zhǎng)發(fā)育需要≥10 ℃積溫，所以選擇2015-2018年以上6個(gè)地區(qū)≥10 ℃的積溫?cái)?shù)據(jù)，由寧夏回族自治區(qū)氣象局提供數(shù)據(jù)及統(tǒng)計(jì)結(jié)果。

1.2.5輔助數(shù)據(jù)由寧夏回族自治區(qū)氣象局提供寧夏主要作物調(diào)查數(shù)據(jù)，包括作物種植物候歷、作物發(fā)育期、作物GPS定點(diǎn)采樣點(diǎn)，其中采樣點(diǎn)包括水稻30個(gè)、玉米50個(gè)、小麥30個(gè)、葡萄35個(gè)。

1.3圖像分類(lèi)方法

遷移學(xué)習(xí)方法是利用數(shù)據(jù)、任務(wù)或模型之間的相似性，將源領(lǐng)域中已學(xué)到的內(nèi)容遷移到目標(biāo)領(lǐng)域?qū)W習(xí)任務(wù)中，以此達(dá)到完善新工作的效果[18]。首先在2個(gè)遙感影像數(shù)據(jù)集（WHU-RS 19數(shù)據(jù)集、UCMerced LandUse數(shù)據(jù)集）與一個(gè)大型圖像數(shù)據(jù)集（ImageNet數(shù)據(jù)集）上訓(xùn)練初始網(wǎng)絡(luò)，也就是所謂的源領(lǐng)域?qū)W習(xí)任務(wù)。將訓(xùn)練好的初始網(wǎng)絡(luò)進(jìn)行卷積層保留，將保留的模型參數(shù)導(dǎo)入新網(wǎng)絡(luò)模型中，對(duì)建立的賀蘭山東麓葡萄種植區(qū)高分辨率遙感圖像分類(lèi)數(shù)據(jù)集進(jìn)行分類(lèi)。最終利用得出的分類(lèi)準(zhǔn)確率對(duì)目標(biāo)領(lǐng)域?qū)W習(xí)任務(wù)的成果進(jìn)行評(píng)價(jià)。圖1是基于深度遷移學(xué)習(xí)的賀蘭山東麓釀酒葡萄種植區(qū)提取的基本框架。

1.3.1數(shù)據(jù)集的構(gòu)建將方法1.2中預(yù)處理后的GF-2號(hào)影像數(shù)據(jù)先運(yùn)用遙感處理軟件ENVI5.3進(jìn)行葡萄種植區(qū)裁剪，將裁剪結(jié)果導(dǎo)入ARCGIS中輸出柵格數(shù)據(jù)，利用深度學(xué)習(xí)樣本制作工具labelme，結(jié)合Google earth軟件進(jìn)行葡萄種植區(qū)樣本標(biāo)注，并對(duì)其中6景原圖像及生成的樣本圖像進(jìn)行對(duì)應(yīng)裁剪，生成大小為224×224的圖像。為解決遙感數(shù)據(jù)采集成本高、樣本少的矛盾，采用數(shù)據(jù)增強(qiáng)（Data augmentation）方法解決這一問(wèn)題[19]。將處理好的葡萄種植區(qū)原始影像與標(biāo)簽圖像進(jìn)行合適的旋轉(zhuǎn)、鏡像、模糊以及亮度變換，增大數(shù)據(jù)集的大小，增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力。裁剪后的影像進(jìn)行上述圖像處理后，樣本擴(kuò)充到2 000張。這樣訓(xùn)練數(shù)據(jù)集便構(gòu)建完成，其數(shù)據(jù)集部分構(gòu)成如圖2和圖3所示。

1.3.2分類(lèi)算法框架的搭建基于FCN的葡萄種植區(qū)分類(lèi)算法詳細(xì)框架如圖4所示。選取VGG16網(wǎng)絡(luò)模型的前13層作為全卷積神經(jīng)網(wǎng)絡(luò)特征提取部分，后面加入反卷積層對(duì)輸入圖像進(jìn)行上采樣。對(duì)于前面采用的VGG16網(wǎng)絡(luò)模型的前13層，加入遷移網(wǎng)絡(luò)，采用Adam算法進(jìn)行優(yōu)化，保存分別在大型源數(shù)據(jù)集上訓(xùn)練好的模型，然后將訓(xùn)練好的模型分別遷移到構(gòu)建的葡萄種植區(qū)遙感分類(lèi)數(shù)據(jù)集上，并在新的訓(xùn)練任務(wù)中不斷調(diào)整這些參數(shù)。

和檢測(cè)召回率的計(jì)算，評(píng)價(jià)精度。

檢測(cè)準(zhǔn)確率是被正確預(yù)測(cè)的像素面積與所有像素面積之比[20]，其計(jì)算公式為：

檢測(cè)準(zhǔn)確率=（TA+TB）/（A+B）（1）

檢測(cè)召回率是被正確預(yù)測(cè)為葡萄種植區(qū)的像素面積與實(shí)際葡萄種植區(qū)像素面積之比，其計(jì)算公式為：

檢測(cè)召回率=TA/A（2）

式中，TA為正確檢測(cè)的葡萄種植區(qū)像素面積，TB為正確檢測(cè)的背景像素面積，A為實(shí)際葡萄種植區(qū)像素面積，B為實(shí)際背景像素面積。

2結(jié)果與分析

2.1分類(lèi)網(wǎng)絡(luò)模型的訓(xùn)練

試驗(yàn)環(huán)境參數(shù)設(shè)置：操作系統(tǒng)版本為Ubuntu18.1，CPU型號(hào)為Intel（R） Core（TM）i7-4790，GPU型號(hào)為GeForce GTX 1080，深度學(xué)習(xí)框架為T(mén)ensorflow 1.3.0。

首先利用大型源數(shù)據(jù)集遙感圖像數(shù)據(jù)集WHU-RS19數(shù)據(jù)集、UCMerced LandUse數(shù)據(jù)集和普通圖像數(shù)據(jù)集ImageNet數(shù)據(jù)集對(duì)初始網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，利用本研究構(gòu)建的葡萄種植區(qū)遙感分類(lèi)數(shù)據(jù)集進(jìn)行微調(diào)，找出對(duì)數(shù)據(jù)集分類(lèi)效果最好的源領(lǐng)域數(shù)據(jù)集。添加一組利用方法1.3.1構(gòu)建的釀酒葡萄種植區(qū)遙感分類(lèi)數(shù)據(jù)集直接對(duì)初始網(wǎng)絡(luò)模進(jìn)行訓(xùn)練，來(lái)驗(yàn)證模型遷移學(xué)習(xí)的有效性。經(jīng)過(guò)多次試驗(yàn)，選擇最佳試驗(yàn)結(jié)果的試驗(yàn)參數(shù)：學(xué)習(xí)率為0.000 05，batchsize為1，迭代次數(shù)為100。

每次訓(xùn)練網(wǎng)絡(luò)時(shí)自動(dòng)保存當(dāng)前最優(yōu)模型。訓(xùn)練結(jié)果為：當(dāng)不采用遷移學(xué)習(xí)對(duì)葡萄種植區(qū)遙感分類(lèi)數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)訓(xùn)練集準(zhǔn)確率為96.42%，但在驗(yàn)證集上丟失率在后半段訓(xùn)練過(guò)程中增加，明顯出現(xiàn)過(guò)擬合的現(xiàn)象。當(dāng)分別以ImageNet數(shù)據(jù)集、WHU-RS19數(shù)據(jù)集、 UCMerced LandUse數(shù)據(jù)集為源領(lǐng)域數(shù)據(jù)集進(jìn)行遷移學(xué)習(xí)時(shí)，訓(xùn)練集的準(zhǔn)確率分別為96.27%、79.90%、78.72%。

當(dāng)不采用遷移學(xué)習(xí)而直接使用本研究構(gòu)建的釀酒葡萄種植區(qū)遙感分類(lèi)數(shù)據(jù)集來(lái)訓(xùn)練初始網(wǎng)絡(luò)模型時(shí)，驗(yàn)證集準(zhǔn)確率為80.99%。當(dāng)源領(lǐng)域數(shù)據(jù)集選擇ImageNet時(shí)，先利用此數(shù)據(jù)集對(duì)初始網(wǎng)絡(luò)模型預(yù)訓(xùn)練，將訓(xùn)練好的網(wǎng)絡(luò)模型遷移至分類(lèi)網(wǎng)絡(luò)中，使用賀蘭山東麓葡萄種植區(qū)分類(lèi)數(shù)據(jù)集進(jìn)行參數(shù)微調(diào)，最終達(dá)到的訓(xùn)練準(zhǔn)確率最高為96.27%。而驗(yàn)證集準(zhǔn)確率高達(dá)88.16%，對(duì)比沒(méi)有遷移時(shí)80.99%的準(zhǔn)確率，效果較好。可見(jiàn)，遷移學(xué)習(xí)不但能提高分類(lèi)的準(zhǔn)確率，并且還能抑制過(guò)擬合現(xiàn)象。

當(dāng)分別利用遙感影像數(shù)據(jù)集WHU-RS19數(shù)據(jù)集、UCMerced LandUse數(shù)據(jù)集訓(xùn)練初始網(wǎng)絡(luò)并遷移到新的分類(lèi)任務(wù)中時(shí)準(zhǔn)確率不升反降，分別為79.90%、78.72%。由于這2個(gè)遙感數(shù)據(jù)集沒(méi)有與ImageNet數(shù)據(jù)集一樣的大型數(shù)據(jù)量支持，使得網(wǎng)絡(luò)的微調(diào)沒(méi)有更深層的特征支撐，進(jìn)而導(dǎo)致訓(xùn)練后的準(zhǔn)確率大幅降低，這是負(fù)遷移現(xiàn)象。這表明在遷移學(xué)習(xí)中，只有源領(lǐng)域數(shù)據(jù)集大到一定范圍，才會(huì)對(duì)目標(biāo)領(lǐng)域的學(xué)習(xí)任務(wù)有改進(jìn)作用。

2.2圖像分類(lèi)結(jié)果及驗(yàn)證

訓(xùn)練好網(wǎng)絡(luò)后對(duì)整幅原始圖像進(jìn)行預(yù)測(cè)，原始圖像與人工目視解譯得到的標(biāo)簽數(shù)據(jù)以及網(wǎng)絡(luò)預(yù)測(cè)的標(biāo)簽數(shù)據(jù)見(jiàn)圖5～圖7。

利用GF-2號(hào)0.8 m分辨率的優(yōu)勢(shì)，結(jié)合Google earth軟件與實(shí)際考察GPS定點(diǎn)，對(duì)圖5進(jìn)行釀酒葡萄種植區(qū)的人工目視解譯，得到圖6中紅色標(biāo)注出的釀酒葡萄種植區(qū)，黑色為背景區(qū)，將其作為參考真實(shí)數(shù)據(jù)。圖7中紅色區(qū)域?yàn)榫W(wǎng)絡(luò)預(yù)測(cè)的釀酒葡萄種植區(qū)，黑色為背景區(qū)。將圖7與圖6進(jìn)行對(duì)比，發(fā)現(xiàn)圖7中釀酒葡萄種植區(qū)整體預(yù)測(cè)效果較好，但存在拼接痕跡，且有幾處錯(cuò)分、漏分，對(duì)實(shí)際釀酒葡萄種植區(qū)間小道路預(yù)測(cè)不明顯。對(duì)測(cè)試結(jié)果進(jìn)行檢測(cè)準(zhǔn)確率和檢測(cè)召回率計(jì)算，結(jié)果顯示基于深度遷移學(xué)習(xí)得出的葡萄種植區(qū)提取檢測(cè)準(zhǔn)確率為91.93%，檢測(cè)召回率為91.15%。

3討論

本研究將深度學(xué)習(xí)中的FCN網(wǎng)絡(luò)與遷移學(xué)習(xí)結(jié)合，快速、高精度地實(shí)現(xiàn)了賀蘭山東麓釀酒葡萄種植區(qū)的遙感影像解譯，對(duì)賀蘭山東麓釀酒葡萄種植區(qū)進(jìn)行了提取。利用遷移學(xué)習(xí)，避免了過(guò)擬合的發(fā)生。不同源數(shù)據(jù)集的遷移學(xué)習(xí)與非遷移學(xué)習(xí)的對(duì)比試驗(yàn)結(jié)果表明：當(dāng)不進(jìn)行遷移學(xué)習(xí)時(shí)，驗(yàn)證集準(zhǔn)確率為80.99%;選擇規(guī)模足夠大的ImageNet數(shù)據(jù)集，可有效提升驗(yàn)證集準(zhǔn)確率（88.16%）;當(dāng)源數(shù)據(jù)集數(shù)量過(guò)少時(shí)，出現(xiàn)負(fù)遷移現(xiàn)象。

利用ImageNet數(shù)據(jù)集作為源數(shù)據(jù)集訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)遙感影像進(jìn)行預(yù)測(cè)，整體預(yù)測(cè)效果較好，檢測(cè)準(zhǔn)確率達(dá)到91.93%，檢測(cè)召回率達(dá)到91.15%。

由于本研究以224×224的尺寸按照從左往右、從上到下的順序滑動(dòng)預(yù)測(cè)圖像，然后進(jìn)行拼接，這導(dǎo)致預(yù)測(cè)數(shù)據(jù)有拼接痕跡，對(duì)檢測(cè)的準(zhǔn)確率有一定影響。對(duì)于該問(wèn)題，后續(xù)可采用縮小滑動(dòng)步長(zhǎng)或采用其他解決邊緣問(wèn)題的方法進(jìn)行研究。本研究采用數(shù)據(jù)增強(qiáng)的方法解決樣本采集成本高與樣本少的矛盾，后續(xù)可研究采用學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)（GAN），以提升檢測(cè)準(zhǔn)確率與檢測(cè)召回率。

參考文獻(xiàn)：

[1]張敏敏，代紅軍. 2015年賀蘭山東麓產(chǎn)區(qū)赤霞珠葡萄成熟期品質(zhì)的監(jiān)測(cè)[J] . 農(nóng)業(yè)科學(xué)研究，2016，37（2）：29-33

[2]宋新欣. 寧夏賀蘭山東麓葡萄產(chǎn)業(yè)品牌建設(shè)探討[J]. 商業(yè)經(jīng)濟(jì)研究，2016（16）：216-217.

[3]李衛(wèi)國(guó). 作物旱澇災(zāi)情遙感監(jiān)測(cè)進(jìn)展與思考[J] . 江蘇農(nóng)業(yè)學(xué)報(bào)，2013，29（6）：1503-1506.

[4]王慶林，李衛(wèi)國(guó)，王榮富. 基于不同時(shí)相遙感的冬小麥種植而積的提取[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2014，30（6）：1286-1291.

[5]徐新剛，李強(qiáng)子，周萬(wàn)村，等. 應(yīng)用高分辨率遙感影像提取作物種植面積[J]. 遙感技術(shù)與應(yīng)用，2008，23（1）：17-23.

[6]曲景影，孫顯，高鑫. 基于CNN模型的高分辨率遙感圖像目標(biāo)識(shí)別[J]. 國(guó)外電子測(cè)量技術(shù)，2016，35（8）：45-50.

[7]張善文，謝澤奇，張晴晴. 卷積神經(jīng)網(wǎng)絡(luò)在黃瓜葉部病害識(shí)別中的應(yīng)用[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2018，34（1）：56-61.

[8]孫云云，江朝暉，董偉，等. 基于卷積神經(jīng)網(wǎng)絡(luò)和小樣本的茶樹(shù)病害圖像識(shí)別[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2019，35（1）：48-55.

[9]滕文秀，王妮，施慧慧，等. 結(jié)合面向?qū)ο蠛蜕疃忍卣鞯母叻钟跋駱?shù)種分類(lèi)[J]. 測(cè)繪通報(bào)，2019，505（4）：38-42.

[10]黃云，唐林波，李振，等. 采用深度學(xué)習(xí)的遙感圖像花生種植區(qū)域分類(lèi)技術(shù)研究[J]. 信號(hào)處理，2019（4）：617-622.

[11]KUSSUL N， LAVRENIUK M， SKAKUN S， et al. Deep learning classification of land cover and crop types using remote sensing data[J]. IEEE Geoscience & Remote Sensing Letters， 2017， 99：1-5.

[12]宮浩，張秀再，胡敬鋒，等. 一種基于深度學(xué)習(xí)的遙感圖像分類(lèi)及農(nóng)田識(shí)別方法[J]. 現(xiàn)代電子技術(shù)，2019，42（8）：179-182.

[13]張學(xué)藝，李劍萍，秦其明，等. 幾種干旱監(jiān)測(cè)模型在寧夏的對(duì)比應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（8）：18-23.

[14]潘佳穎. 賀蘭山東麓葡萄基地兩種類(lèi)型土壤重金屬分布特征與評(píng)價(jià)[D].銀川：寧夏大學(xué)，2017.

[15]王競(jìng)，李磊，王銳，等. 不同生育期水分虧缺對(duì)釀酒葡萄光和特性、產(chǎn)量及品質(zhì)的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，46（22）：149-152.

[16]劉川，齊修東，藏文乾，等. 基于IHS變換的Gram-Schmidt改進(jìn)融合算法研究[J]. 測(cè)繪工程，2018，27（11）：9-14.

[17]姚新春，張亞亞. 基于EasyOrtho的高分二號(hào)衛(wèi)星批量數(shù)據(jù)自動(dòng)處理試驗(yàn)[J]. 北京測(cè)繪，2016（6）：9-12.

[18]陳雨強(qiáng). 圖像與文本數(shù)據(jù)間的異構(gòu)遷移學(xué)習(xí)[D]. 上海：上海交通大學(xué)，2012.

[19]張日升，朱桂斌，張燕琴. 基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星遙感圖像區(qū)域識(shí)別[J]. 信息技術(shù)，2017（11）：91-94.

[20]付輝敬，田錚. 遙感圖像分割中的信息割算法[J]. 中國(guó)圖象圖形學(xué)報(bào)，2011，16（1）：135-140.

（責(zé)任編輯：張震林）