10.3969/j.issn.2095-2716.2022.04.005
采用全卷积神经网络与多波段遥感图像结合的湿地分类方法
针对目前湿地分类方法精确度不足问题,采用全卷积神经网络(Fully Convolutional Neural,FCN)结合Landsat8 OLI多波段遥感图像对湿地图像进行特征点提取,并采用4组RGB数据结合的方式对图像特征点进行进一步的校验与选取,提高分类精度,然后利用改进支持向量机(Support Vector Machine,SVM)对所提取的特征点进行判别与分类.实验结果表明采用该实验方法能够较为精确而高效地提取湿地信息,总体分类精度为94.97%,Kappa系数为0.94,与采用全卷积神经网络和随机森林、BP(Back propagation,BP)人工神经网络、Stacking集成算法结合的湿地分类方法在总体精度各个提高了11.68%、11.26%与9.95%,该方法与单一的全卷积神经网络(RefineNet、SegNet、UNet)相比,对湿地图像的提取总体分类精度较高,该方法兼具能够提取特征,训练参数较少适用于样本数量少的多维土地覆盖类型数据分类,对湿地生态环境的保护与治理具有一定的指导意义.
湿地、分类、全卷积神经网络、多波段遥感分析、支持向量机
44
TP391.4;TP183(计算技术、计算机技术)
国家自然科学基金50672009
2022-10-14(万方平台首次上网日期,不代表论文的发表时间)
共9页
26-34