计算机应用

作者：许长青, 陈振杰, 侯仁福

单位：1. 南京大学 地理与海洋科学学院, 南京 210046;2. 安徽省第一测绘院, 合肥 230031

关键词：土地利用和土地覆盖分类,Landsat 8 OLI,不精准先验知识,样本自动选取,样本特征,深度学习

基金：国家重点研发计划项目（2017YFB0504205）；国家自然科学基金资助项目（41571378）。

遥感影像解译是获得土地利用和土地覆盖（LULC）信息最为重要的途径之一，而自动化分类是提高LULC信息获取效率的关键。实际场景中包含大量不精准的先验知识，提取并融合其中的可用知识能进一步提高影像分类方法的精度、自动化率和规模应用能力。基于上述情况，提出了一种融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法。该方法可自动规避先验知识中的不精准单元，在图斑约束空间内实现了分类样本的自动化区域选择和特征提取，并获得了高置信度知识，然后利用这些分类样本训练深度残差网络，从而实现大区域影像的精确分类。以常州市新北区为例进行实验，选用该区域2009年土地利用现状数据作为先验数据，2014年Landsat 8 OLI影像作为待分类影像。实验结果表明，所提方法可融合不精准先验知识，对大面积连片LULC信息分类精确，主要地类图斑界限准确，全图分类图斑精度达到了88.7%，Kappa系数为0.842。该方法能配合深度学习方法实现高精度Landsat 8 OLI遥感影像分类。

来源：2020年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2020年第12期