典型文献
基于卷积神经网络高光谱影像土地利用分类方法研究
文献摘要：
土地覆盖/土地利用变化信息是全球环境变化发展的最重要信息来源之一.本文以高分五号高光谱影像为数据源,采用主成分分析(Principal Component Analysis,PCA)方法进行特征提取,并选用前六个主成分作为分类数据,利用基于卷积神经网络(Convolutional Neural Networks,CNN)的分类方法进行分类,并以支持向量机(Support Vector Machine,SVM)和RF(Random Forest,RF)分类方法进行对比.结果表明,基于CNN的分类方法获得的总体分类精度最高,达到87.67％,Kappa系数为0.84,总体精度相较于基于SVM和RF分类方法的总体精度分别提高了9.00％和8.00％;基于SVM和RF的分类方法的分类结果"椒盐"噪声明显,基于CNN的分类方法可以很好地改善这种情况;基于SVM和RF的分类结果对草地、林地以及其他用地等的分类精度较低,错分比率较高,而基于CNN的分类方法可以有效地改善这种情况.
文献关键词：
高光谱影像;卷积神经网络;主成分分析;土地利用制图
中图分类号：
作者姓名：
刘雅辉;张永彬;宋唐雷;李春雨;王兴坤
作者机构：
华北理工大学矿业工程学院,河北 唐山 063210;河北省第二测绘院,河北 石家庄 050030
文献出处：
引用格式：
[1]刘雅辉;张永彬;宋唐雷;李春雨;王兴坤-.基于卷积神经网络高光谱影像土地利用分类方法研究)[J].赤峰学院学报（自然科学版）,2022(10):15-19
A类：
土地利用制图
B类：
高光谱影像,土地利用分类,分类方法,土地覆盖,土地利用变化,全球环境变化,变化发展,重要信息,信息来源,高分五号,数据源,Principal,Component,Analysis,分作,分类数据,Convolutional,Neural,Networks,Support,Vector,Machine,RF,Random,Forest,分类精度,Kappa,总体精度,椒盐,声明,草地,林地,他用,错分
AB值：
0.363703
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。
