科研之友
微信
新浪微博
Facebook
分享链接
摘要
以深圳市为代表的新型城市，面临城市土地利用类型种类多、变化快等问题，在实际生产中急需高精度、高效率且时效性强的智能化监管方法。因此，本文结合第三次全国国土调查成果和2019年深圳市宝安区0.2 m高分辨率遥感影像，构建了宝安区地表自然资源丰富区域的样本库，比较分析了以K近邻、支持向量机、随机森林和梯度提升决策树作为分类器的传统机器学习分类方法，以及以U-Net、Resnet50-unet和DeepLabV3+模型作为语义分割模型的深度学习分类方法的适用性。结果表明：(1)面向对象分类比基于像素分类结果整体性更强，能解决“椒盐噪声”问题；(2)分类结果最好的传统机器学习模型和深度学习模型分别是随机森林、DeepLabV3+；(3)在较少样本量条件下，梯度提升决策树相较于DeepLabV3+模型，在计算效率与结果可解释性方面具有优势；DeepLabV3+模型经充足样本量训练后的分类结果优于传统机器学习分类方法；(4)总体而言，DeepLabV3+模型分类结果最佳，在宝安区整体区域的土地利用分类结果符合第三次全国国土调查的情况，预期能兼顾实践生产中精度和效率要求。
- 单位
