基于深度学习模型的城市高分辨率遥感影像不透水面提取
不透水面是衡量城市生态环境状况的重要指标.城市土地利用的复杂性和不透水表面材料的多样性,导致直接从高分辨率遥感影像中提取不透水表面具有挑战性.针对城市尺度高分辨率遥感影像的不透水面提取要求,本文提出基于深度学习的城市不透水面提取模型.首先,利用深度卷积神经网络对影像特征进行提取;然后,根据其邻域关系构建概率图学习模型,进一步引入高阶语义信息对特征进行优化,实现不透水面的精确提取.本文选取武汉市为实验区,以高分二号卫星遥感影像作为数据源,完成了不透水面专题信息提取,其中自动提取准确率在建成区为89.02％、在城乡结合部为95.55％.与随机森林(RF)和支持向量机(SVM)等经典方法对比,结果表明深度学习不透水面提取方法有较高的提取精度和细节准确性,建成区的总体精度相比于RF和SVM算法分别提升2.18％和1.68％.最后,对武汉市各主要行政区不透水面信息进行统计和分析,结果表明其中江汉区和武昌区2个核心主城区不透水面占比超过60％,并对武汉市现状和发展规划特点进行了讨论.本文研究成果可为海绵城市和生态城市的建设提供基础技术支撑和数据参考.
不透水面、深度学习、高分辨率遥感影像、卷积神经网络、概率图模型、武汉市
21
国家重点研发计划项目2016YFE0202300;国家自然科学基金项目61671332、41771452、41771454、51708426、41890820、41771454;湖北省自然科学基金计划创新群体项目2018CFA007
2019-10-25（万方平台首次上网日期，不代表论文的发表时间）
共10页
1420-1429
