科研之友
微信
新浪微博
Facebook
分享链接
摘要
当前土地利用分类样本标签的时效性和样本内部特征对象复合性、分类间界限模糊性和土地利用类型的不平衡性，使得国土资源调查遥感影像土地利用分类自动化难度大、精度低。提出一种双层组合神经网络进行土地利用自动分类的方法。首先，利用城市道路交通网络矢量数据裁切影像，生成并标记具有明确土地利用类别边界的标签样本，构建了基于第三次国土资源普查土地利用标准的城市遥感影像数据集；然后，组合U-Net网络的跳跃连接和DesnseAPP网络密集空洞空间卷积池化金字塔结构，对多尺度上下文信息和抽象空间信息进行聚合，消除类不平衡现象，提升自动分类精度。所提出方法分别在自建数据集和ISPRS Vaihingen公开数据集进行实验，分类总体准确率分别为75.90%和89.63%。同时将本文方法与U-Net、DenseASPP和Deeplabv3三种典型深度卷积神经网络方法进行比较，在两个数据集中，本文方法 F1值分别为74.68%和85.56%,mIOU分别为72.21%和82.23%，其语义分类结果皆优于所比较的方法。总的来说本文方法提升了土地利用机器学习分类精度，对提高土地利用分类的自动化程度进行了有效探索。
- 单位
