基于多源遥感的大尺度高分辨率不透水面深度学习提取方法

摘要：

深度学习是提取不透水面的一类重要方法,具有精度高,泛化性强等优势.但是模型的训练需要依靠大量的训练样本.尤其是在高分辨率、大尺度不透水面制图时,获取数量足够且高质量的训练样本非常费时费力.因此,本文结合多源遥感影像与开源数据,提出了一种大尺度高分辨率不透水面自动提取方法.该方法首先从众源数据OpenStreetMap中自动获取训练样本,然后用开源的不透水面产品对噪声样本加权,减小标签噪声对模型训练的负面影响;在此基础上,构建了一种三分支的超轻量级CNN模型,融合光学、SAR和地形数据生成10 m不透水面产品.以越南全境为试验区,对本文方法进行了验证.试验结果表明,本文提出的方法分类总体精度和Kappa系数分别为91.01％和0.82,优于目前已发布的不透水面产品.本文研究成果可为澜湄流域等热带亚热带城市可持续发展和生态环境保护提供基础技术和数据支撑.

关键词：不透水面、深度学习、众源数据、卷积神经网络、多源数据融合

所属期刊栏目：52

分类号：P237(摄影测量学与测绘遥感)

资助基金：国家自然科学基金41971292

在线出版日期：2023-03-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：272-282