典型文献
地形校正对U-Net深度神经网络分类器分类精度的影响
文献摘要：
在国土资源监测、森林资源调查等多个领域中,基于遥感影像的分类技术受到了广泛应用.在利用传统分类器对地表覆盖分类提取中,地形效应是制约分类精度提升的一种因素,其影响可通过适当的校正模型减弱,且已证明地形校正能够对分类精度的提升起到积极作用.相比于传统分类器,基于深度学习理论的深度神经网络分类器具有深层特征学习和表达的优势,在图像分类领域兴起并逐渐用于土地覆盖分类且取得了不错的精度提升.本文初步探究了地形校正在利用深度神经网络分类器U-Net进行地表覆盖分类时对分类精度的影响情况.以Landsat8OLI 30 m影像为数据源,结合GDEM_V2 30 m地形数据,在GlobeLand 30和全国30 m森林分类结果的基础上,利用U-Net深度神经网络分类器实现了山区地表覆盖分类提取,并就不同训练样本获取方式及不同精细程度分类体系下地形校正前后的分类精度做了对比分析.分类结果表明:(1)规则网格裁切和坡向辅助裁切这两种训练样本获取方式下,地形校正后的分类精度较校正前不变或有极小幅度的降低,降低范围在0.9％-1.39％;(2)在对更精细的森林类型分类中,地形校正后的分类精度较校正前下降了 1.66％.本文初步探究得到:在规则网格裁切和坡向辅助裁切这两种训练样本获取方式及不同精细程度的分类体系下,地形校正均未能提高U-Net深度神经网络分类器的分类精度.
文献关键词：
遥感分类;深度神经网络;U-Net模型;地形校正;地表覆盖分类;分类精度
中图分类号：
作者姓名：
贾莉;郑柯;唐娉;霍连志
作者机构：
中国科学院空天信息创新研究院,北京100094;中国科学院大学电子电气与通信工程学院,北京100049
文献出处：
引用格式：
[1]贾莉;郑柯;唐娉;霍连志-.地形校正对U-Net深度神经网络分类器分类精度的影响)[J].遥感学报,2022(04):698-710
A类：
国土资源监测
B类：
地形校正,Net,深度神经网络,神经网络分类器,分类精度,森林资源调查,遥感影像,分类技术,地表覆盖分类,地形效应,精度提升,校正模型,升起,深度学习理论,深层特征,特征学习,图像分类,土地覆盖分类,不错,影响情况,Landsat8OLI,数据源,GDEM,V2,地形数据,GlobeLand,森林分类,山区地表,训练样本,分类体系,正前,裁切,坡向,或有,极小,小幅度,森林类型,遥感分类
AB值：
0.278546
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
