深度学习U-Net方法及其在高分辨卫星影像分类中的应用

摘要：

高分辨率遥感影像有精确的几何结构和空间布局,但是光谱信息有限,增大了对光谱特征相似地物的分类难度.针对高分辨率遥感影像分类的问题,采用深度学习U-Net模型分类方法.基于黑河下游额济纳绿洲高分二号遥感影像,通过U-Net模型提取胡杨、柽柳、耕地、草地和裸地五种地物覆被类型,分类总体精度和Kappa系数分别为85.024％和0.795 6,并与传统的支持向量机(SVM,Support Vector Machine)和面向对象的分类方法比较,结果表明:相对于SVM和面向对象,基于U-Net模型的高分辨率卫星影像地物覆被分类,能够更好地对地物本质特征进行提取,分类效果较好,满足精度要求.

关键词：深度学习、U-Net模型、高分二号遥感影像、SVM、分类

所属期刊栏目：35

分类号：TP75(遥感技术)

资助基金：中国科学院A类战略性先导科技专项XDA20100101

在线出版日期：2020-12-03（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：767-774