典型文献
深度学习提取不透水面的自然环境影响因素研究
文献摘要：
针对遥感影像提取不透水面通常会受到自然环境因素影响的问题,该文采用改进的U2-Net模型对北京市五区和南京市五区的Landsat 8 OLI影像进行季节性不透水面提取,探索深度学习提取不透水面时的自然环境影响因素及其影响机制.选择植被、水、裸土及地表温度作为影响因素,通过地理探测器研究以上因素对不透水面提取的影响机制.基于改进的U2-Net模型提取不透水面精度较高,其中北京市研究区域的提取精度为93.81％,南京市研究区域的提取精度为94.04％;4项自然环境因素对不透水面提取精度均有影响,单因素分析中地表温度影响最大,交互作用分析中地表温度与植被覆盖影响最大.研究结果表明:夏季不透水面提取精度最高,受自然因素及交互作用影响最小;提取不透水面建议采用夏季影像.本文探究了自然因素对不透水面提取的影响机制,为进一步不透水面遥感提取和动态差异分析提供有力支撑.
文献关键词：
改进U2-Net;不透水面;季节性环境影响因素;地理探测器
中图分类号：
作者姓名：
侯幸幸;张新长;赵怡;孙颖;阮永俭
作者机构：
广州大学地理科学与遥感学院,广州 510006;中山大学地理科学与规划学院,广州 510275
文献出处：
引用格式：
[1]侯幸幸;张新长;赵怡;孙颖;阮永俭-.深度学习提取不透水面的自然环境影响因素研究)[J].测绘科学,2022(11):73-84
A类：
季节性环境影响因素
B类：
不透水面,遥感影像,影像提取,自然环境因素,U2,Net,Landsat,OLI,裸土,地表温度,地理探测器,中北,温度影响,交互作用分析,植被覆盖,自然因素,作用影响,遥感提取
AB值：
0.15948
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。
