基于机器学习中分辨率遥感影像分类应用研究

摘要：

地表信息提取是地理国情监测和环境保护的重要环节,本文选用Landsat-8 OLI遥感影像为主要数据源,针对分类样本数据少这一问题,在对2015年和2017年全球地表覆盖数据优化处理的基础上,将其作为分类的先验知识,以最大似然法、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)机器学习方法,以及基于VggNet-16和ResNet-18模型的深度学习方法,对黄河三角洲区域进行地表信息提取方法的应用研究.结果表明,在利用粒子群优化遗传算法进行特征优化的基础上,RF和SVM模型分类总体精度较高,其中RF和SVM模型分类总体精度最高可达87.3％、86％;VggNet-16和ResNet-18两种模型的分类精度较机器学习方法有较大提升,其中以ResNet-18分类精度最佳,最高总体精度可达94.1％,Kappa系数为0.91.本文的研究方法在中分辨率遥感地物分类时具有较好的适用性和推广价值.

关键词：遥感分类;地表信息提取;机器学习;深度学习;粒子群优化遗传算法;Landsat-8 OLI影像

所属期刊栏目：28

分类号：P237(摄影测量学与测绘遥感)

资助基金：山东省自然科学基金-青年基金;武汉大学测绘遥感信息工程国家重点实验室开放基金;国家级大学生创新创业训练计划

在线出版日期：2021-12-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：66-73