科研之友
微信
新浪微博
Facebook
分享链接
摘要
红树林对维护生物多样性以及生态平衡等具有重要意义。因此，高效、精确地提取红树林植被信息以及实时对其进行监测十分必要。本文提出了一种高分辨率遥感影像红树林像素级精确提取的深度学习方法。针对红树林遥感分类精度不高的问题，通过强化图像中心信息，弱化边缘信息的方法引入CLoss损失函数，添加Dropout、Batch Normalization层构建了适用于红树林识别的CU-Net模型，采用滑动重叠拼接方法构建了新的预测模型，有效解决了预测结果边缘信息不足以及有拼接痕迹的问题。将本文方法的识别结果与U-Net、SegNet、DenseNet模型的预测结果以及传统的SVM、RF方法进行对比，结果表明，本文模型相较于其他深度学习模型泛化能力更强，识别效果更好，在两个测试区域的平均总体精度、平均交并比分别达到了94.43%、88.12%，平均F1-分数在红树林和普通树木的精度分别达到了95.96%、90.49%，精度明显高于传统的SVM、RF方法，也高于其他几种神经网络方法，验证了该模型在红树林识别领域的有效性，可为高分辨率遥感红树林识别领域提供一条新的思路。
- 单位
