AlexNet与SVM融合提升卫星遥感土地利用变化检测精度

本文探讨了基于深度学习模型AlexNet和支持向量机（SVM）相结合的方法在卫星遥感影像中的应用，以提升土地利用变化检测的精度。随着卫星遥感技术的快速发展，它已经成为监测和理解地球表面变化的重要工具。研究者针对2013年至2017年江西省南昌市的高分一号卫星遥感数据进行了深入分析。 AlexNet，作为深度学习领域的一个经典神经网络结构，因其在图像识别领域的卓越表现而被引入到土地利用变化检测中。通过将AlexNet与SVM结合，可以充分利用深度学习的特征提取能力和SVM的分类能力，对复杂的遥感影像进行更精细的处理，减少人工干预的需求，从而提高土地利用变化的检测准确性和自动化程度。 在实验中，利用高分辨率的卫星遥感影像，研究人员成功生成了该地区五年间的土地利用变化图，涵盖了植被、水体、裸地和建筑用地等主要土地类型。研究结果显示，植被面积在这五年中经历显著变化，减少了54.74平方千米；水体面积有所增加，增加了22.12平方千米；建筑用地面积也有增长，为19.45平方千米；而裸地面积也有所增加，共5.17平方千米。这些发现对于了解城市化进程、环境保护以及资源管理等方面具有重要意义。 关键词：遥感、AlexNet、支持向量机、卫星遥感影像、土地利用、变化检测。这篇文章不仅展示了AI和机器学习在地理空间数据分析中的应用潜力，也为未来遥感技术在土地利用变化监测方面的进一步发展提供了新的思路和技术支撑。