深度学习在GlobeLand30-2010产品分类精度优化中应用研究

作者：刘天福; 陈学泓^*; 董琪; 曹鑫; 陈晋

来源：遥感技术与应用, 2019, 34(04): 685-693.

• 深度学习
• GlobeLand30
• 产品优化
• Google Earth

本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法,用于GlobeLand30地表覆盖产品的质量优化。首先,通过对多源地表覆盖产品的一致性分析,构建深度学习训练所需的高分辨率遥感大样本(224万样本量);其次,基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型(GoogleNet Inception V3);最后,利用训练好的神经网络模型对在线高分影像进行分类,用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证,经过训练的神经网络分类总体精度为87.7%,Kappa系数为0.86,相比原始GlobeLand30的精度(总体精度75.1%、Kappa系数0.71)有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明:该方法能够有效优化GlobeLand30产品的分类精度。

• 单位
  地表过程与资源生态国家重点实验室; 北京师范大学