基于双分支图卷积融合网络的水库区域地表覆盖遥感分类

作者：张成才; 郭少华; 罗蔚然; 杨峰

来源：中国农村水利水电, 2023, (07): 124-138.

• 遥感
• 地表覆盖
• 深度学习
• 图神经网络
• 稠密网络

准确的水库区域地表覆盖遥感分类，为水库生态环境保护、水库优化调度及水土保持等方面提供重要的基础数据。近年来，深度学习广泛应用于地表覆盖分类中，目前基于卷积神经网络的地表覆盖分类方法，通常是使用规则卷积核进行的局部空间运算，难以捕获像元间的长距离依赖关系。因此提出一种双分支图卷积融合网络（Dual Graph Convolutional Fusion Network,Dual-GCFN）进行地表覆盖遥感分类，网络分为两部分，其中上分支利用K近邻算法构建像元间的拓扑关系图，然后用图神经网络（Graph Neural Network,GNN）聚合邻域特征更新目标节点信息，实现光谱特征的聚合；下分支利用稠密网络（Dense Convolutional Network,DenseNet）对影像局部块进行卷积，提取遥感影像的空间信息和高阶语义信息；最后通过维度通道Add操作将光谱特征和空间特征将进行有效融合，经过全连接层后使用Softmax分类器实现地表覆盖分类。以河南省出山店水库区域为研究对象，使用研究区的Sentinel-2遥感影像数据和DEM数据进行实验，结果表明：提出的Dual-GCFN分类总体精度和Kappa系数分别为90.63%和0.87，与经典分类方法随机森林分类（Random Forest,RF）、单一的GNN或者DenseNet的分类结果相比总体精度分别提高了15.97%、10.86%、4.64%,Kappa系数分别提高了0.26、0.24、0.08，且在分类结果中大幅减少了地物的错分现象和分类图中的点状噪声。

• 单位
  郑州大学