典型文献
基于深度学习的多时相GF-1影像林分类型分类研究
文献摘要：
为了探究深度学习方法基于多时相高分1号影像的森林植被分类效果.以黑龙江省孟家岗林场为研究区,以多时相GF-1影像和数字高程模型(DEM)为数据源,通过提取光谱特征、植被指数、纹理特征以及地形特征构建多特征数据集,并结合VSURF算法进行特征优选.同时,分别采用优化后的U-Net,SegNet,DeepLab V3+模型对森林林分类型进行分类,并与最大似然法、随机森林方法进行对比分析.结果表明:1)利用多时相影像分类精度明显优于单时相影像;2)基于VSURF算法从构建的97个特征中优选出16个特征变量,其中NDVI、RVI、均值、同质性、对比度、相关性以及DEM特征具有较高的贡献性均被保留,其余变量被消除,从而在一定程度上避免"维数灾难",提高模型效率;3)3种深度学习方法中U-Net模型的分类精度最高,总体精度为86.04％,Kappa系数为0.742,DeepLab V3+模型次之,SegNet模型精度最低.同时,深度学习方法的精度均优于随机森林和最大似然法.基于多时相GF-1影像构建最优特征组合,并结合深度学习方法对森林林分类型分类具有一定的参考价值.
文献关键词：
多时相GF-1影像;植被指数;纹理特征;VSURF;U-Net;SegNet;DeepLab V3+
中图分类号：
作者姓名：
杨丹;李崇贵;张家政
作者机构：
西安科技大学,西安710054
文献出处：
引用格式：
[1]杨丹;李崇贵;张家政-.基于深度学习的多时相GF-1影像林分类型分类研究)[J].林业资源管理,2022(01):142-149
A类：
VSURF
B类：
GF,林分类型,分类研究,深度学习方法,森林植被,植被分类,分类效果,黑龙江省,孟家,林场,数字高程模型,DEM,数据源,光谱特征,植被指数,纹理特征,地形特征,特征构建,多特征,特征数据集,特征优选,SegNet,DeepLab,V3+,森林林分,最大似然法,随机森林方法,多时相影像,影像分类,分类精度,特征变量,NDVI,RVI,同质性,对比度,维数灾难,总体精度,Kappa,模型精度,影像构建,优特,特征组合
AB值：
0.369218
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。
