Maximum likelihood classification of soil remote sensing image based on deep learning

Clasificación de verosimilitud máxima de imágenes en teledetección del suelo con base en aprendizaje profundo automático

La clasificación de imágenes de detección remota de suelos es la más difícil en el trabajo del Censo Nacional de Suelos en China. Los métodos vigentes de clasificación de imágenes de teledetección del suelo basados en el aprendizaje profundo y la estimación de máxima probabilidad no satisfacen las necesidades actuales. Por lo tanto, este documento combina el aprendizaje profundo con la estimación de máxima verosimilitud y propone un método de clasificación para estas imágenes de teledetección. En primer lugar, se lleva a cabo el preprocesamiento de la imagen de teledetección del suelo, lo que incluye tres procesos: imagen gris, eliminación de ruido y corrección de imagen; en segundo lugar, el objetivo de la imagen del suelo se detecta mediante un algoritmo de aprendizaje profundo; tercero, el algoritmo de máxima verosimilitud se usa para clasificar la imagen de detección remota del suelo; y, finalmente, el rendimiento de la clasificación se prueba con un ejemplo. Los resultados muestran que este método puede segmentar efectivamente la imagen de detección remota del suelo, y la precisión de la segmentación es alta, lo que demuestra la efectividad y superioridad del método.

Introducción

China posee un vasto territorio y abundantes recursos terrestres. Su superficie total es de unos 9,6 millones de kilómetros cuadrados, la segunda después de Rusia y Canadá, y la tercera a nivel mundial. De 1958 a 1960 y de 1979 a 1985 se llevaron a cabo dos estudios nacionales del suelo para aprovechar mejor los recursos de la tierra y desarrollar la agricultura en China. El contenido de los estudios suele incluir los factores de formación del suelo, la descripción de los perfiles típicos del suelo, la clasificación de los tipos de suelo, la determinación de las propiedades físicas y químicas del suelo, la evaluación del suelo y la planificación de la mejora del suelo de bajo rendimiento. Sin embargo, ante unos recursos de tierra tan considerables y los continuos cambios, los dos censos de suelos anteriores se han vuelto muy difíciles, especialmente en el proceso de clasificación, que gastaba mucho tiempo, material y recursos financieros. Con la aparición y el desarrollo de la tecnología de teledetección, la labor de estudio del suelo se ha simplificado. Sin embargo, con la mejora de la resolución de las imágenes de teledetección y el aumento del volumen de datos, las imágenes del suelo recogidas son más diversas y más productivas, pero hasta cierto punto, aumenta la dificultad de la clasificación (Chen et al., 2019).

Bajo los antecedentes anteriores, los académicos relevantes en el país y en el extranjero han realizado investigaciones en profundidad sobre la clasificación de imágenes de teledetección del suelo y han propuesto muchos métodos, como los métodos de clasificación de imágenes de teledetección del suelo, basados en el aprendizaje profundo. Se basa en la arquitectura de redes neuronales artificiales, como la red neuronal de convolución, la red neuronal profunda, la red de confianza profunda, para aprender más características útiles y, en última instancia, realizar la clasificación. La ventaja de este método es que tiene una mejor propiedad de aprendizaje de transferencia. La desventaja es que la validación del modelo es complicada y engorrosa.