基于CNN的农作物机载高光谱影像质量评价——以棉花为例

机载高光谱遥感作为近地遥感观测方法中的新方式，对判断作物长势、监测环境状态等农业应用提供了新的技术手段。机载影像数据获取受光照条件、飞行状态等因素干扰，其数据质量对科学研究数据分析结果的可靠性具有重要影响，机载高光谱影像数据的快速质量评价问题亟待解决。本研究提出一种适用于机载棉花高光谱影像的卷积神经网络影像质量分级方法。先获取试验区域内的棉花高光谱影像，通过模拟采集过程中产生的退化进行数据增强；经专家目视评估进行影像判读分级定标，将高光谱数据按比例分为训练集、验证集和测试集；利用TensorFlow框架建立卷积网络模型并进行模型微调与精度验证；最后结合模型评估指标与实验分类结果给出评价。实验结果表明：卷积神经网络影像质量分类评价取得了较好的效果，样本分类准确率达到99.06%,多类别平均分类精确度达到99.07%,Kappa系数为0.988 7。研究结果表明采用卷积神经网络对机载棉花高光谱影像质量评价有效可靠，可为机载高光谱农作物影像质量评价提供参考。