基于深度学习的多时相GF-1影像林分类型分类研究

作     者：杨丹 李崇贵 张家政 YANG Dan;LI Chonggui;ZHANG Jiazheng

作者机构：西安科技大学 

出 版 物：《林业资源管理》 (Forest Resources Management)

年 卷 期：2022年第1期

页      面：142-149页

学科分类：09[农学] 0903[农学-农业资源与环境] 

基　　金：“十三五”国家重点研发计划项目(2017YFD0600400) 

主　　题：多时相GF-1影像 植被指数 纹理特征 VSURF U-Net SegNet DeepLab V3+ 

摘      要：为了探究深度学习方法基于多时相高分1号影像的森林植被分类效果。以黑龙江省孟家岗林场为研究区，以多时相GF-1影像和数字高程模型(DEM)为数据源，通过提取光谱特征、植被指数、纹理特征以及地形特征构建多特征数据集，并结合VSURF算法进行特征优选。同时，分别采用优化后的U-Net, SegNet, DeepLab V3+模型对森林林分类型进行分类，并与最大似然法、随机森林方法进行对比分析。结果表明：1)利用多时相影像分类精度明显优于单时相影像；2)基于VSURF算法从构建的97个特征中优选出16个特征变量，其中NDVI、RVI、均值、同质性、对比度、相关性以及DEM特征具有较高的贡献性均被保留，其余变量被消除，从而在一定程度上避免“维数灾难,提高模型效率；3)3种深度学习方法中U-Net模型的分类精度最高，总体精度为86.04%,Kappa系数为0.742,DeepLab V3+模型次之，SegNet模型精度最低。同时，深度学习方法的精度均优于随机森林和最大似然法。基于多时相GF-1影像构建最优特征组合，并结合深度学习方法对森林林分类型分类具有一定的参考价值。