典型文献
深度卷积神经网络的遥感影像水体识别
文献摘要：
从遥感影像中准确识别水体信息对水资源管理和洪涝灾害监测有重要意义.目前,传统遥感水体识别方法仍存在着不足,难以满足实际应用中的精度要求.近年来,卷积神经网络CNN(Convolutional Neural Network)的快速发展,为高分辨率遥感水体识别提供了新的思路.本文基于高分一号卫星数据,利用DenseNet、ResNet、VGG、HRNet等CNN模型和传统的归一化差异水体指数(NDWI)进行洪泽湖地区不同季节的水体识别,并采用精确度(P)、召回率(R)、F1分数和误判率(MRate)等指标来评价各种方法的水体识别能力.在DenseNet经典结构中加入了上采样过程和跳层连接结构,以解决梯度爆炸和梯度消失问题;采用OSTU方法确定NDWI的最优阈值,以降低水体识别的不确定性.得出主要结论如下:(1)所有CNN网络模型的水体识别效果都显著优于传统NDWI方法;例如,NDWI识别的精确度仅为0.779,而所有CNN网络模型的识别精确度均高于0.922.(2)改进后的DenseNet模型有效缓解了梯度爆炸与梯度消失的问题,其水体识别结果在识别精确度P(0.960)和误判率(0.041)等方面,明显优于其他CNN模型;同时,修改后的DenseNet模型训练时间更短,且损失函数最低,训练效率远优于其他CNN网络.(3)改进后的DenseNet模型对水体细部特征有很好的识别能力,能够准确识别不同季节中不同形状与颜色的水体.上述结果表明,CNN模型是从卫星影像中识别水体的可靠工具,而改进后DenseNet模型的识别效果尤其显著.
文献关键词：
卫星遥感;水体识别;归一化差异水体指数;卷积神经网络
中图分类号：
作者姓名：
王国杰;胡一凡;张森;茹易;陈开南;吴梦娟
作者机构：
南京信息工程大学地理科学学院,南京210044;南京信息工程大学遥感与测绘工程学院,南京210044
文献出处：
引用格式：
[1]王国杰;胡一凡;张森;茹易;陈开南;吴梦娟-.深度卷积神经网络的遥感影像水体识别)[J].遥感学报,2022(11):2304-2316
A类：
MRate
B类：
深度卷积神经网络,遥感影像,水体识别,准确识别,水体信息,水资源管理,洪涝灾害,灾害监测,精度要求,Convolutional,Neural,Network,高分辨率遥感,高分一号卫星,卫星数据,DenseNet,ResNet,VGG,HRNet,归一化差异水体指数,NDWI,行洪,洪泽湖,不同季节,召回率,误判率,识别能力,上采样,跳层连接,连接结构,梯度消失,OSTU,最优阈值,模型训练,训练时间,损失函数,训练效率,细部,卫星影像,卫星遥感
AB值：
0.313176
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。
