10.14067/j.cnki.1673-923x.2021.08.006
面向对象结合卷积神经网络的GF-1影像遥感分类
[目的]近年来,越来越多高时间分辨率、高空间分辨率卫星相继出现,为我们的生产生活提供了很大的便利,如何利用好这些数据庞大、信息丰富的遥感影像一直以来都是国内外研究的热点问题.其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础,针对传统方法对于高分辨率影像分类精度提高难的问题,提出一种面向对象结合卷积神经网络的遥感分类方法.[方法]首先利用构建moran's I指数与地理探测器q统计量的二维空间的方法,确定最佳分割尺度,以最大面积法确定均质因子权重,对预处理后的GF-1影像进行分割,利用分割后的对象的特征作为分类模型的输入变量,建立一维卷积神经网络(1D-CNN)的分类模型,构建了基于像元的支持向量机,面向对象的支持向量机分类模型,对研究区进行了分类.[结果]利用面向对象的一维卷积神经网络方法进行分类,分类结果总体精度为93.10%,Kappa系数为0.9167,同基于像元支持向量机方法相比,总体精度提高了24.35%,Kappa系数提高了0.2923;同面向对象的支持向量机方法相比,总体精度提高了6.2%,Kappa系数提高了0.0746.[结论]利用构建的moran's I指数与地理探测器q统计量的二维空间和最大面积法确定最佳分割参数,建立一维卷积神经网络结合面向对象的方法对遥感影像进行分类,与传统模型相比得到的分类结果精度较高,是一种快速有效的分类方法.
遥感分类;面向对象;最佳分割参数;卷积神经网络
41
S771.8(森林工程、林业机械)
"十三五"国家重点研发计划子课题"人工林三维可视化模拟技术及监测系统集成";中央级科研院所基本科研业务费专项资金项目"基于虚拟环境的人工林经营模拟技术"
2021-08-27(万方平台首次上网日期,不代表论文的发表时间)
共12页
45-55,67