針對(duì)喀斯特地區(qū)受山區(qū)復(fù)雜地形的影響巖溶山峰在太陽輻射下存在陰坡和陽坡,高分辨率遙感圖像中喀斯特森林植被的光譜特征較復(fù)雜,"同物異譜"和"異物同譜"現(xiàn)象嚴(yán)重,導(dǎo)致傳統(tǒng)的機(jī)器學(xué)習(xí)算法提取森林植被精度不高的問題,根據(jù)實(shí)踐經(jīng)驗(yàn)將多源多特征融合構(gòu)成提取喀斯特森林信息特征,改進(jìn)標(biāo)準(zhǔn)的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）,將支持向量機(jī)（support vector machine,SVM）與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合（CNN-SVM）應(yīng)用于遙感分類,并與CNN、隨機(jī)森林（random forest,RF）、支持向量機(jī)等方法進(jìn)行比較。結(jié)果表明,CNN-SVM、CNN兩種深度學(xué)習(xí)方法的提取喀斯特森林信息精度均明顯高于RF和SVM等淺層模型方法。CNN-SVM綜合了CNN提取遙感高階特征的能力和SVM的分類性能,分類精度在90%以上,高于標(biāo)準(zhǔn)的CNN。深度學(xué)習(xí)CNN可有效地區(qū)分農(nóng)作物,提高喀斯特森林植被信息的提取精度。 

【文章來源】：科學(xué)技術(shù)與工程. 2020,20(17)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)框架

高分辨率遙感圖像數(shù)據(jù)A和B

不同紋理特征窗口大小的林地分類精度


本文編號(hào)：3077401