遥感技术的深度卷积神经网络在土地利用识别中的性能评估

工程科学与技术，国际期刊27（2022）101014完整文章将深度卷积神经网络特征与Thepade苏迪普湾马尤雷什？特帕德？丁多尔卡尔Pimpri Chinchwad工程学院计算机工程系，印度浦那阿提奇莱因福奥文章历史记录：收到2021年2021年5月3日修订2021年5月22日接受在线预订2021年保留字：土地使用识别转移学习预训练深度CNN遥感ThepadeA B S T R A C T深度学习（DL）的快速发展使包括“遥感”在内的几乎所有领域受益到目前为止，已经提出了几种深度卷积神经网络（DCNN），每一种都根据其深度和超参数给出了不同的结果。从头开始开发这些DCNN是非常困难的，因为它需要巨大的迁移学习（TL）是一种自定义这种预先训练的DCNN并将其用于新的分类任务（如“土地使用识别”（LUI））的技术目前的论文提出了六个单独的微调DCNN，即VGG16，VGG19，MobileNet，Xception，InceptionV3和DenseNet121的LUI的经验性能评估。此外，性能最好的DCNN 在UC MercedLand Use（UCM）数据集上进行了实验，将准确率、F1分数、召回率和精确率作为性能指标。从计算结果来看，很+ Thepade©2021 Karabuk University. Elsevier B.V.的出版服务。这是CCBY许可证（http://creativecommons.org/licenses/by/4.0/）。1. 介绍为了观察地球表面并提取有用的信息，使用了称为“遥感”的非接触技术。土地利用类型的自动确定是遥感领域的一个重要研究方向。它在与遥感相关的应用中具有巨大的重要性，例如城市规划、土地资源管理、环境保护等。技术的发展使我们能够使用无人机、飞机、卫星等以高分辨率和高质量捕获地球的航空图像。由于这一主题的巨大重要性，正在进行广泛的研究，以开发一个连续的更强大的土地利用识别（LUI）的方法。足够大的标记数据集的稀缺性、过度拟合的脆弱性以及所需的高端计算基础设施设置了障碍，以提高DCNN模型在LUI中的有效使用相反，ML不仅提供多种分类算法，&*通讯作者：Pimpri Chinch-wad工程学院计算机工程系，Pune 411044，Maharashtra，印度。电子邮件地址：sudeepthepade@gmail.com（S.D.Thepade）。由Karabuk大学负责进行同行审查。但也需要较短的训练时间。但是ML算法确实需要显式提取特征来进行学习。因此，为了克服这些限制，可以探索DCNN与ML模型的融合以用于有效的LUI;因为这里介绍的工作的主要贡献是：1) 现有预训练的DCNN模型用于LUI的性能评估。2) Thepade的SBTC 10元特征与LUI的各种ML分类器的性能分析3) 自动提取的DCNN特征与手工制作的Thepade的SBTC 10元特征的特征融合，本文的其余部分格式如进一步指定的：第2节说明了文献综述，我们的LUI技术在第3中阐述。数据集详细信息见第4节，第5节阐述了实验结果。最后，文章在第六高潮。https://doi.org/10.1016/j.jestch.2021.05.0182215-0986/©2021 Karabuk University.出版社：Elsevier B.V.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchS.D. Thepade和M.R. 丁多尔卡尔工程科学与技术，国际期刊27（2022）1010142×2. 文献综述许多研究文章为LUI提出了不同的方法，其中大多数使用低级手工制作的功能或基于深度学习的功能。本节对这些研究结果进行了简要回顾。在论文[1]中，在两个数据集（UC Merced Brazilian Coffee Scenes数据集）上探索了两个DCNN（别名GoogLeNet和CaffeNet）。对于所考虑的DCNN，作者探索了三种不同的方法：i）从头开始训练ii）微调iii）两个数据集上的特征提取器。[2]提出了一个三阶段方法，用于遥感情况下的场景分类。第一阶段包括从图像中提取显著区域在第二阶段，这些区域被赋予稀疏滤波器，以掌握用于预训练CNN模型的场景分类特征。此外，在第三阶段，CNN模型在标记的图像上进行在两个流行的UC Merced和AID数据集上探索方法论文[4]生成了一个字典，其中包含使用预训练的深度CNN从陆地图像中提取的深度特征。此外，所提出的分类方案使用该词典，律该方法在UC Merced和巴西Cerrado Savana数据集上都取得了令人满意的结果。[7]提出的一种创造性方法使用VGG 16作为特征提取器，并使用XGBoost分类器进行土地使用确定。该方法在两个数据集上进行了验证，即NWPU-RESISC 45 UC Merced，训练-测试分流比为80：20。在[9]中，作者提出了一种具有动态图像增强的CNN架构，其中每个图像批次在训练阶段的所有迭代中动态增强。稍后，在预测阶段，如果类别标签的概率超过预定义的阈值，则将其视为活动的，否则视为不活动的。在[12]中提出的方法通过应用Thepade的SBTC提取全局特征，并通过采用Sauvola自适应方法从陆地图像中提取局部特征。这些特征被融合并馈送到用于LUI的ML分类器或其集合。观察到Thepade+ 随机森林+简单逻辑+ SMO + KStar作者在[13]中提出了一种特征融合方法，该方法结合了使用Bernsen阈值Thepade的排序n元块截断编码提取的特征。这些特征被提供给用于LUI的不同ML分类器或集合。根据论文中提到的结果，很明显，Bernsen阈值特征+ Thepade+ SimpleLogistic + J48 + KStar”组合提供了最佳性能。在[14]中提出了一种独特的DCNN，用于分割使用极化SAR获得的图像。作者还提出了一种粗略的方法来获得图像分割任务的卷积神经网络在训练&测试阶段，由于图形处理单元（GPU）的性能增强也得到了详细的说明在文件中。一种方法进行评估，在弗莱福兰和旧金山湾区的图像。[15]中提出的基于特征融合的方法使用ResNet、颜色矩特征以及灰度共生矩阵（GLCM）特征提取深度特征。最后，将所有这些特征连接起来，输入支持向量机（SVM）进行分类。[16]中的作者使用预训练的DCNN模型作为固定特征提取器，然后使用极端学习机（ELM）进行分类任务。虽然该方法已经实现了对于UC Merced数据集的70%-30%训练-测试分割的足够结果，可以探索其他分割组合如80[18]提出了一种基于深度学习的方法，通过使用自行车共享数据来识别土地使用特征。K-means聚类和分割被执行以从所考虑的地理信息系统（GIS）和土地利用规划数据中提取有用的特征。该方法成功地确定了四个重要的土地利用特征，即交通，消费，居住和工作的强度水平。作者在[19]中提出了一种基于特征融合的作物分类器，用于融合H/A/a分解、跨度图像和GLCM纹理特征构建的极化合成孔径雷达（SAR）图像。主成分分析（PCA）用于这些融合特征的降维，并进一步用于训练一个简单的神经网络（NN），通过应用自适应混沌粒子群优化（ACPSO）用于NN参数优化。本文的关键发现是ACPSO选择更好的值相比，反向传播（BP），动量BP（MBP），弹性反向传播（RPROP），自适应BP（ABP），粒子群优化（PSO）的弗莱福兰网站图像的NN参数。3. 实验环境Kaggle是一个在线平台，为数据科学应用提供强大的工具和资源。所 有 实 验 计 算 都 在 Kaggle 提 供 的 Python 3 笔 记 本 中 执 行 ， 以 及Keras[21]库用于实现深度学习模型并使用GPU作为加速器。为了进行实验，本文使用了UC Merced土地使用数据集[17]，该数据集包括属于21个不同类别的2100张图像，如图1所示。每个类别包含100个256 256像素分辨率的图像。所提出的方法进行评估70-30和80-20分裂的UCM数据集。在70- 30分割的情况下，我们将每类100幅图像随机分成70个训练样本，训练30个测试样本。同样，对于80在当前的论文中考虑的性能指标别名准确性，F1分数，召回率和精确度可以很容易地计算使用Eqs。（1）、（2）、（3）和（4）。精确度或定位度vePredictiveValuePPVTP=TPFP1RecallorSensitivityTP=TPFN2F1-Score2PrecisionRecall = PrecisionRecall3AccuracyTNTP= TNTPFNFP1004其中，TP =True PositivesTN =真值负-FP =假阳性计数FN =假阴性计数4. 该方法预训练的DCNN是一个保存的模型，它已经在大量数据集上训练K.西蒙尼扬河Zisserman在[8]中提出了一种称为VGG-16的CNN模型。ImageNet数据集由1000个类别的1400万张图像组成，用于在NVIDIA的Titan Black GPU上训练VGG-16。它有16层架构，由13个卷积层和3个全连接（FC）层组成。在[8]中，通过将层的深度从16增加到19（称为VGG 19），在现有的VGG网络中进行了显著的改进。它拥有19层架构，包括16个卷积层3个FC层。DenseNet[6]的分类主要包括DenseNet201，S.D. Thepade和M.R. 丁多尔卡尔工程科学与技术，国际期刊27（2022）1010143Fig. 1.来自UC Merged Land Use数据集的图像样本[A]农业，[B]飞机，[C]棒球钻石，[D]海滩，[E]建筑物，[F] Chaparral，[G]密集住宅，[H]森林，[I]高速公路，[J]高尔夫球场，[K]港口，[L]交叉口，[M]中等住宅，[N] Mobilehomepark，[O]立交桥，[P]停车场，[Q]河流，[R]跑道，[S] Sparseresidential，[T] Storagetanks，[U] Tenniscourt.表1用于实验的UCM数据集的70-30和80-20分割的简要描述分裂列车组测试集701470630801680420DenseNet169、DenseNet161和DenseNet121。在DenseNet中，每一层都以前馈方式链接。这些网络的主要优势是鼓励功能重用，最大限度地减少消失梯度问题等。MobileNet[5]有一个可分离卷积模块的组织，由MobileNet网络中以桩的形式进行的逐点卷积和逐点卷积形成。它有28层深度的架构，考虑到dependency和点式卷积作为一个单独的层。Xception[3]的特征提取基础有36个卷积层。它具有与InceptionV3相同的参数数量。 Xception是通过用依赖的可分离卷积替换初始模块来构建的。InceptionV3拥有42层深度架构，实现了低错误率[10]，因此在2015年ImageNet大规模视觉识别竞赛（ILSVRC）中获得亚军。InceptionV3的计算成本仅为2.5比GoogleNet（InceptionV1）高一倍，但与VGGNet相比仍然有效。迁移学习（TL）是一个存储在解决一个问题时获得的知识，然后将其应用到其他但相关的问题的过程。根据[11]，TL可分为4类类型别名基于网络、基于对抗、基于网络和基于映射。所提出的方法属于基于网络的TL类别，其中来自源域的预训练神经网络的一部分在目标域中被重用TL一般用于在小数据集的情况下避免过拟合它还节省了大量的训练时间和计算资源。图2描述了LUI的拟议方法，该方法对不同的预训练DCNN模型（别名 VGG16[8] ， VGG19[8] ， MobileNet[5] ， InceptionV3[10] ，Xception[3]和DenseNet121[6]）进行微调。对于每个DCNN，最后的FC层被替换为分类头（在图1和图2中由紫色表示）。3&- 8），其分别包括尺寸为“256 0”21 0的2个F C层。在第一个FC层之后，还包括一个dropout层，以利用0.5的dropout率（dr）来欺骗过拟合。Adam优化器采用表2中提到的参数。最后，我们选择softmax作为最后一个FC层的决策函数在微调过程中，如果预训练的基础模型的权重被随机初始化，则由于大的梯度更新，预训练的基础模型可以被认为是已经学习的。因此，最初，预训练的基础模型保持冻结，分类头设置为可训练，同时训练5个时期。随后，封闭在预训练的基础模型的红色边界中的块被设置为解冻，并且最后，基础模型以及分类头一起被训练。为了避免过度拟合，我们在训练集上应用了表3中指定的数据增强来训练模型。在实验过程中，使用KerasS.D. Thepade和M.R. 丁多尔卡尔工程科学与技术，国际期刊27（2022）1010144图二、提出的方法流程图描述了使用迁移学习和Thepade图三. 定制的VGG16架构，描绘了用红色边界微调的卷积块。见图4。定制的VGG19架构，展示了用红色边界微调的卷积块。在接下来的10个历元的测试精度中观察到。在VGG16、VGG19和Densenet 121的情况下，最后2个卷积块由图1和图2中的红色边界限定。3-5是微调。对于Incep-tionV 3，如图所示。 最后面的两个起始块被微调。如图7所示，对于Xception，最后两个可分离的卷积块被微调。可分离卷积块包含依赖逐点卷积。根据图 八，在MobileNet的情况下，两个最后面的深度可分离的卷积块被微调。此外，为了使用微调的InceptionV3模型作为特征提取器，我们取其倒数第二个密集层的输出，该层具有256个神经元（图5中以黄色表示），从而为我们提供长度为256的特征向量。此外，从输入图像中提取尺寸为30的Thepade最后，S.D. Thepade和M.R. 丁多尔卡尔工程科学与技术，国际期刊27（2022）1010145图五. 定制的DenseNet121架构，描绘了用红色边界微调的卷积块。图六、定制的InceptionV3架构，说明了用红色边界微调的初始块（来自黄色表示的密集层的见图7。 定制的Xception架构，描绘了用红色边界微调的可分离卷积块。两个微调InceptionV 3 Thepade的SBTC 10-ary特征被水平地连接（Thepade的SBTC 10-ary特征被附加在微调InceptionV 3特征向量的末尾）以形成（256 + 30）286维的特征向量，用于训练分类器，如RandomForest、SVM、DecisionTree、NaiveBayes、KNN和LUI的顺应性增强分类器。KNN与k = 3的值一起使用。5. 结果讨论LUI的结果在本节中说明表4描述了在数据集的70-30分割中六个微调DCNN的LUI百分比结果从表4可以推断，与考虑的其他DCNN相比，微调Incep-tionV 3表现最好。在表5中观察到类似的趋势，其中微调S.D. Thepade和M.R. 丁多尔卡尔工程科学与技术，国际期刊27（2022）1010146见图8。 定制的MobileNet架构，说明了用红色边界微调的卷积块。表3表2优化器参数设置在现有的DCNN模型的性能评估中采用迁移学习土地利用识别。参数值优化器亚当学习率10-4批量100Beta1 0.9Beta2 0.9991 ×10-8InceptionV 3在80-20数据集分割方面超过了其他提到的DCNN。所考虑的DCNN在两个数据集分割上的平均性能总结在表6中。表7和表8分别针对UCM数据集的70-30和80-20分割说明了手工制作的Thepade SBTC 10元特征在所考虑的ML分类器上的LUI能力从表9中可以明显看出，ExtraTree在LUI的两个数据集分割中考虑的所有性能指标方面优于其他分类器由于在所有DCNN中的良好性能，考虑将微调Incep-tionV 3与Thepade的SBTC 10- ary进一步融合。从表10和表11中可以看出，ExtraTree分类器在两个数据集分割上的表现优于其他考虑的分类器。表12表示通过微调DCNN融合获得的两个数据集分割的平均LUI准确度ThepadeExtraTree应用于训练集以训练DCNN模型的数据增强参数数据增强参数值随机旋转范围40°宽移范围0.2高度移位范围0.2剪切范围0.2（逆时针）缩放范围0.2水平翻转是垂直翻转是最接近的填充模式ML算法是一个DecisionTree的集合，它适合整个训练数据集上的每个DecisionTree 。 此 外 ， ExtraTree 通 过 随 机 选 择 切 割 点 来 分 割 其DecisionTree节点，这在树生成中引入了更多的随机性，从而增强了其与其他ML分类器的分类能力。表13通过比较所提出的方法与其他现有LUI方法在测试准确度、F1分数、召回率和精确度方面的性能，提供了关于所提出的方法的稳健性的隔音效果。表4对于UCM数据集的70-30分割，所有21个类的微调DCNN的LUI结果百分比序列号微调DCNN测试精度精度召回F1得分1.VGG1697.4697.6797.4697.462.VGG1996.5196.6296.5196.503.MobileNet96.9897.0796.9896.954.InceptionV397.6297.6997.6297.635.Xception95.7195.7895.7195.696.DenseNet12196.8396.9096.8396.83表5对于UCM数据集的80-20分割，所有21个类的微调DCNN的LUI结果百分比序列号微调DCNN测试精度精度召回F1得分1.VGG1697.1497.3997.1497.132.VGG1996.6797.2296.6796.683.MobileNet96.9097.0596.9096.914.InceptionV398.3398.5398.3398.365.Xception97.1497.3497.1497.136.DenseNet12195.7195.8895.7195.73S.D. Thepade和M.R. 丁多尔卡尔工程科学与技术，国际期刊27（2022）101014表67在UCM数据集的70-30和80-20分割中，微调DCNN的平均LUI结果序列号微调DCNN测试精度精度召回F1得分1.VGG1697.3097.5397.3097.302.VGG1996.5996.9296.5996.593.MobileNet96.9497.0696.9496.934.InceptionV397.9898.1197.9898.005.Xception96.4396.5696.4396.146.DenseNet12196.2796.3996.2796.28表7针对Thepade的SBTC 10元特征获得的70-30分割UCM数据集的所有21个类的LUI结果序列号分类器测试精度精度召回F1得分1randomForest62.0062.9862.0361.572SVM46.1045.4946.1443.493DecisionTree45.1545.3545.1644.944朴素贝叶斯27.3423.7627.3623.055KNN57.0757.7357.1055.866ExtraTree66.4566.7066.4965.837自动提升分类54.5355.9954.5654.81表8针对Thepade的SBTC 10元特征获得的UCM数据集的80-20分割的所有21个类的LUI结果序列号分类器测试精度精度召回F1得分1randomForest67.5469.0967.5967.012SVM50.1250.1250.1848.403DecisionTree47.2647.4947.3146.814朴素贝叶斯27.4524.0027.4923.765KNN61.8163.9961.8560.796ExtraTree71.1271.2871.1870.447自动提升分类57.7658.6857.7957.54表9Thepade的SBTC 10元特征在70-30和80-20分割的UCM数据集上获得的平均百分比LUI结果序列号分类器测试精度精度召回F1得分1randomForest64.7766.0464.8164.292SVM48.1147.8148.1645.953DecisionTree46.2146.4246.2445.884朴素贝叶斯27.4023.8827.4323.415KNN59.4460.8659.4858.336ExtraTree68.7968.9969.1568.147自动提升分类56.1557.3456.1856.18表10通过结合InceptionV 3和Thepade的SBTC 10元特征获得的UCM数据集70-30分割的所有21个类的LUI结果序列号分类器测试精度精度召回F1得分1randomForest97.3097.3497.3097.292SVM36.1933.7536.1932.953DecisionTree90.6390.9090.6390.604朴素贝叶斯90.0091.4690.0090.275KNN61.5962.9261.5960.496ExtraTree97.9497.9697.9497.947分类器92.3892.6692.3892.39表11通过结合InceptionV 3和Thepade的SBTC 10元特征获得的UCM数据集80-20分割的所有21个类的LUI结果序列号分类器测试精度精度召回F1得分1randomForest98.0998.2298.0998.092SVM37.9535.5437.9534.813DecisionTree91.6592.0591.6591.684朴素贝叶斯92.6094.4892.6092.665KNN66.5968.4266.5965.656ExtraTree98.3398.4298.3398.327自动提升分类93.3293.7093.3293.37S.D. Thepade和M.R. 丁多尔卡尔工程科学与技术，国际期刊27（2022）101014表128通过将InceptionV 3和Thepade的SBTC 10元特征组合在70-30和80-20分割的UCM数据集上获得的平均百分比LUI结果序列号分类器测试精度精度召回F1得分1randomForest97.7097.7897.7097.692SVM37.0734.6537.0733.883DecisionTree91.1491.4691.1491.144朴素贝叶斯91.3092.9791.3091.475KNN64.0965.6764.0963.076ExtraTree98.1498.1998.1498.137分类器92.8593.1892.8592.88表13比较所提出的方法与现代技术的LUI的基础上百分比测试的准确性，F1分数，召回率和精度。方法数据集分割准确度百分比（%）精密度（%）召回率（%）F1-评分（%）CNN + ELM[1]70-95.62–––CNN + DA[2]训练：1600，测试：500。82.2988.0891.0289.53ResNet-50[3]70-96.67–––谷歌网络[4]测试）5倍97.10–––VGG16 + XGBoost[5]80-95.57–––SSF + AlexNet[6]80-92.43–––RCG + SVM[7]80-93.81–––建议的方法（微调inceptionV 3 + Thepade70-97.9497.9697.9497.94ary）80-98.3398.4298.3398.32两次拆分98.1498.1998.1498.136. 结论土地利用的确定是遥感领域的一个重要课题，在几乎所有领域都有着无数的应用。目前的信试图对LUI的6个微调DCNN（VGG16，VGG19，MobileNet，Xception，InceptionV3和DenseNet121）进行经验评估。实验结果证实了Finetuned InceptionV3的强大LUI能力，在两个数据集分割上提供了97.98%的平均测试准确度此外，微调的InceptionV 3与Thepade的SBTC 10-ary和Extra- Tree分类器的融合所提出的方法肯定了深度学习的鲁棒性和Thepade因此，在未来，所提出的方法可以探索不同的土地利用数据集与不同的数据集分裂。此外，可以结合预训练的DCNN模型来探索使用其他颜色特征提取方法来代替Thepade的SBTC，竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] M.卡斯特卢乔湾波吉角Sansone和L. Verdoliva。2015.基于卷积神经网络的遥感影像土地利用分类期刊：CoRR，卷：abs/1508.00092。http://arxiv.org/abs/1508.00092[2] J.Chen，C. Wang， Z. Ma，J. Chen，D.他，S. Ackland，基于使用注意力引导稀疏滤波 器 预 训 练 的 卷 积 神 经 网 络 的 遥 感 场 景 分 类 ， 遥 感 。 10 （ 2018 ） 290 ，https://doi.org/10.3390/rs 10020290。[3] F. Chollet 2016. Xception：使用依赖可分离卷积的深度学习。arXiv 1610.02357。https://arxiv.org/abs/1610.02357[4] E.弗洛雷斯湾Zortea，J. Scharcanski. 2019.极高空间分辨率图像土地利用场景分类的深层特征字典。模式识别，第89卷，第32-44页，ISSN 0031-3203。https://doi.org/10.1016/j.patcog.2018.12.019[5] A. G. 霍华德，M 。Zhu ，B. Chen ，中国粘蝇D. Kalenichenko，W. Wang ，T.Weyand，M. Andreetto和H.Adam. 2017年。MobileNets：高效卷积神经网络移动视觉应用网络。arXiv 1704.04861。https://arxiv.org/ abs/1704.04861[6] G. Huang ， Z. 黄 氏 Z. Liu ， K. Q. 温 伯 格 2017. 密 集 连 接 的 卷 积 网 络 。 CoRR.abs/1608.06993。http://arxiv.org/abs/1608.06993[7] S. Jiang， H. Zhao，W. Wu和Q. Tan.一种新的遥感图像场景分类框架。2018. Int.Arch.Photogramm.遥感空间信息科学，XLII-3，657-663.https://doi.org/10.5194/isprs-archives-XLII-3-657- 2018[8] K. Simonyan和A. 塞瑟曼2014.用于大规模图像识 别的深度卷积网络。 arXiv1409.1556。https://arxiv.org/abs/www.example.com[9] R.斯蒂瓦克塔基斯湾Tsagkatakis，P. Tsakalides，使用数据增强进行多标签土地覆盖 场 景 分 类 的 深 度 学 习 ， IEEE Geosci 。 雷 姆 Sens. Lett. 16 （ 7 ） （ 2019 ）1031https://doi.org/10.1109/LGRS.885910.1109/[10] C. Szegedy V. Vanhoucke，S. Ioffe，J. Shlens和Z.沃伊纳2015.重新思考计算机视觉的Inception架构。arXiv 1512.00567。https：//arxiv. org/abs/1512.00567[11] C.谭，F.孙，T.孔，W。Zhang C.，中国古猿科Yang和C.刘某2018.关于深度迁移学习的综述。CoRR. abs/1808.01974。http://arxiv.org/abs/1808.01974[12] S.D. Thepade，P.R. Chaudhari，土地利用识别与融合的thepade SBTC和Sauvola阈值功能的航空影像使用集成的机器学习算法，应用。人工智能。35（2）（2021）154https://doi.org/10.1080/08839514.2020.1842627[13] S.D. Thepade，P.R.乔达里河利用集成方法融合pade排序n元块截断编码和bernsen阈值法从航空影像中识别土地利用 J. Eng. Adv. Technol. （IJEAT），9（3）（2020）ISSN：2249[14] S.- H. 王 俊， 孙 俊， P. 菲 利普 斯 ， G. 赵 玉D. Zhang ， Polarimetric syntheticaperture radar image segmentation by convolutional neural network usinggraphical processing units，J. Real-Time Image Proc. 15（3）（2018）631https://doi.org/10.1007/s11554-017-0717-0.[15] M. Wang，X. Zhang，X. Niu，F. Wang，X.张，基于ResNet的高分辨率遥感影像 场 景 分 类 ， J.地 理 可 视 化 空 间 分 析 3 （ 2019 ） 16 ，https://doi.org/10.1007/s41651-019-0039-9。[16] Q.翁Z. Mao，J. Lin，W.郭，基于深度卷积特征的极端学习分类器的土地利用分类，IEEEGeosci。雷姆Sens.Lett.14（5）（2017年5月）704https://doi.org/10.1109/LGRS.2017.2672643[17] Y. Yang ， S. Newsam ， in ： Bag-of-visual-words and spatial extensions forland- use classification，Association for Computing Machinery，New York，NY，USA，2010，pp.270https://doi.org/10.1145/1869790.1869829[18] J. Zhao，W. Fan和X. Zhai，使用自行车共享数据识别土地使用特征：深度学习方法，J.Transp。Geogr.82（2020）102562，ISSN0966-6923。https://doi.org/10.1016/j.jtrangeo.2019.102562[19] Y. 张丽Wu，采用自适应混沌粒子群优化的前向神经网络进行作物分类Sensors，vol. 11，no. 5，pp. 4721-4743. https://doi.org/10.3390/s110504721[20] https://www.kaggle.com/（最后登入日期：2021年2月17日[21] https://keras.io/访问日期：2021年2月17日）