典型文献
基于深度学习和高分辨率遥感影像的露天矿地物分类方法
文献摘要：
随着深度学习技术的发展,对高分辨率影像的分类已成为当前研究的热点,矿区地物分类更是矿区生态发展研究的重要问题.由于深度学习可以通过提取大量的历史影像数据规律及特征,对影像数据进行自动识别与分类,因此本文采用U-Net模型开展高分辨率露天矿区地物类型分类研究.采用高分二号遥感影像数据,勾画样本数据集提取样本数据特征,进行分类模型的训练,对矿区测试集进行测试,探讨深度学习在高分遥感影像上的自动识别能力.结果表明,U-Net模型对露天矿区地物识别的精确率(Precision)、召回率(Recall)、F1分数(F1-score)值分别达到0.86、0.82、0.84,均高于最大似然法、随机森林算法和支持向量机.基于深度学习中的U-Net模型可以对露天矿区地物类型进行有效的自动识别,为高分露天矿区遥感影像数据的地物分类提供技术支撑,有效实现了露天矿各地物自动识别与分类的能力.本文研究成果可以用于AI在露天矿区遥感分类方面的应用以及对矿区生态环境的监测与修复.
文献关键词：
深度学习;矿区分类;自动识别;高分辨率遥感影像;U-Net模型
中图分类号：
作者姓名：
宋仁忠;郑慧玉;王党朝;尚志;王兴娟;张成业;李军
作者机构：
神华北电胜利能源有限公司,内蒙古锡林浩特026015;中国矿业大学(北京)地球科学与测绘工程学院,北京100083
文献出处：
引用格式：
[1]宋仁忠;郑慧玉;王党朝;尚志;王兴娟;张成业;李军-.基于深度学习和高分辨率遥感影像的露天矿地物分类方法)[J].中国矿业,2022(07):102-111
A类：
B类：
高分辨率遥感影像,地物分类,分类方法,深度学习技术,高分辨率影像,生态发展,历史影像,数据规律,自动识别,识别与分类,Net,露天矿区,地物类型,分类研究,高分二号遥感影像,遥感影像数据,勾画,样本数据集,数据特征,分类模型,测试集,高分遥感影像,识别能力,地物识别,精确率,Precision,召回率,Recall,score,最大似然法,随机森林算法,遥感分类,矿区生态环境,矿区分类
AB值：
0.280608
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。
