Position: Home > Articles > Research on Deep Learning Classification of Forest Types Based on Multi-temporal GF-1 Images
Forest Resources Management
2022
(1)
142-149
基于深度学习的多时相GF-1影像林分类型分类研究
作 者：
杨丹;李崇贵;张家政
单 位：
西安科技大学
关键词：
多时相GF-1影像;植被指数;纹理特征;VSURF;U-Net;SegNet;DeepLab V3+
摘 要：
为了探究深度学习方法基于多时相高分1号影像的森林植被分类效果.以黑龙江省孟家岗林场为研究区,以多时相GF-1影像和数字高程模型(DEM)为数据源,通过提取光谱特征、植被指数、纹理特征以及地形特征构建多特征数据集,并结合VSURF算法进行特征优选.同时,分别采用优化后的U-Net,SegNet,DeepLab V3+模型对森林林分类型进行分类,并与最大似然法、随机森林方法进行对比分析.结果表明:1)利用多时相影像分类精度明显优于单时相影像;2)基于VSURF算法从构建的97个特征中优选出16个特征变量,其中NDVI、RVI、均值、同质性、对比度、相关性以及DEM特征具有较高的贡献性均被保留,其余变量被消除,从而在一定程度上避免"维数灾难",提高模型效率;3)3种深度学习方法中U-Net模型的分类精度最高,总体精度为86.04%,Kappa系数为0.742,DeepLab V3+模型次之,SegNet模型精度最低.同时,深度学习方法的精度均优于随机森林和最大似然法.基于多时相GF-1影像构建最优特征组合,并结合深度学习方法对森林林分类型分类具有一定的参考价值.
译 名：
Research on Deep Learning Classification of Forest Types Based on Multi-temporal GF-1 Images
导出引用
计量
文章访问数: 8
HTML全文浏览量: 0
PDF下载量: 0
所属期刊
