深度学习驱动的高空间分辨率遥感图像土地覆盖分类提升研究

需积分: 49 11 下载量 181 浏览量 更新于2024-08-11 3 收藏 1.62MB PDF 举报
本篇研究论文深入探讨了如何利用深度学习技术,特别是残余网络(Residual Network, ResNet)和初始网络(Inception Network)的融合,提高遥感图像(Remote Sensing Imagery, RSI)中的土地利用与土地覆盖分类的准确性。传统的遥感图像分析通常依赖于手动特征提取,但深度学习模型如深度神经网络(Deep Neural Networks, DNNs)能够自动学习和提取复杂的图像特征,从而显著提升分类效率。 在研究中,作者提出了一个新的深度学习模型,该模型将残余网络和初始网络的优势结合起来,旨在克服单一网络可能遇到的性能瓶颈。通过集成多层特征提取,这种模型能够在高空间分辨率遥感图像上实现更为精细的分类,有助于识别出土地利用的不同类型,如耕地、森林、城市区域等。 为了验证模型的有效性,研究者采用了遥感影像分类基准(RSI-CB)的数据集,这是一个专门用于评估遥感图像分类性能的标准数据集。研究者按照70%的数据进行训练,剩余30%用于测试,确保了实验结果的公正性和可靠性。性能指标包括卡伯系数(Kappa Coefficient, K),这是一个评估分类准确度和随机分类之间差异的统计量,以及准确性(Accuracy, A),这是衡量分类正确率的重要标准。 论文的研究结果表明,通过深度学习分类器处理遥感图像,能够显著提升土地利用土地覆盖分类的精度和一致性。这不仅对于环境管理、城市规划和资源评估等领域具有实际意义,也为遥感图像分析领域带来了新的突破,展示了深度学习在处理这类高复杂度数据时的强大潜力。此外,该研究还为后续的遥感图像分析和机器学习在地理信息系统(Geographic Information Systems, GIS)中的应用提供了有价值的方法论参考。