基于深度学习的遥感影像城市建筑用地提取

使用遥感影像对建筑用地进行精确和高效的提取,是土地利用的重要信息来源。使用卷积神经网络的深度学习方法对研究区Landsat8遥感影像图进行分类训练与提取,与作为对照组的支持向量机方法进行比对分析。结果表明,基于深度学习的遥感影像城市建筑用地提取方法提取精度更高,尤其在道路提取精度上有着明显优势,说明将深度学习融入遥感影像建筑用地提取有着广阔前景。

基于机器学习的多源遥感影像融合土地利用分类研究

为了快速获取准确的城市土地利用信息,提高西南地区遥感影像城市土地利用分类信息提取的精度,探讨了当前快速发展的机器学习技术在该领域中的分类实验.选用昆明市主城区作为研究区域,以Landsat8与Sentinel-1A影像为原始数据,使用GS变换法对影像进行融合,使用卷积神经网络(Convolutional Neural Network,CNN)和BP神经网络(Back Propagation Network)2种分类算法对融合前后的遥感影像进行土地利用分类信息提取,对分类结果进行分析.研究结果表明:基于Landsat8和Sentinel-1A的融合影像数据的卷积神经网络分类算法具有最好的分类效果,其总体分类精度和Kappa系数分别为85.8091%,0.8124,认为基于多源遥感影像融合的卷积神经网络分类方法是获取准确的城市土地利用分类信息的一种可行的方法,可以为高原地区城市的土地利用分类提取研究参考.