文章摘要:为探讨深度学习方法在干旱区棉花分布识别中的适用性及优化流程,本文以渭干河-库车河三角绿洲典型作物棉花为研究对象,利用国产GF-2影像,结合野外调查数据,采用Unet深度学习方法,借助Unet网络多重卷积运算的特点充分挖掘棉花在遥感影像上的深层次特征,从而提高棉花的提取精度。结果表明,Unet模型提取研究区棉花、玉米、辣椒的识别效果优于面向对象和传统机器学习算法分类结果,总体精度为84.22%,Kappa系数为0.8047,相比面向对象方法以及传统机器学习算法SVM和RF的总体精度分别提高了7.94%、11.93%和11.73%,Kappa系数提高了10.13%、14.7%、14.6%。Unet模型分类结果中,棉花的制图精度和用户精度均高于其余三种方法,为94.95%、89.07%。利用Unet模型在GF-2高分辨率遥感影像上高精度提取干旱区棉花空间分布信息具有可行性和可靠性。

文章关键词:

项目基金: