基于残差U-Net的遥感影像土地覆盖类型自动分割

研究目的:土地覆盖的准确分割对于土地调查和规划具有重要意义。针对传统方法对于高分辨率遥感影像分割存在精度和效率较低等问题,提出了深度学习遥感影像分割方法。研究方法:以2 m高分辨率遥感影像为数据源,选用一种加入残差块的U-Net模型(ResU_Net),对目标区域进行基于深度学习的土地覆盖分割,并与SVM、PSPNet、U-Net分割方法进行对比。研究结果:ResU_Net能够更加准确地表达高分辨率遥感影像的地物信息,该方法总体分割精度达到85.50%,Kappa系数为0.7603,总体精度和Kappa系数均高于SVM、PSPNet和U-Net分割方法(总体精度:ResU_Net(85.50%)>U-Net(79.44%)>PSPNet(78.90%)>SVM(66.80%))。研究结论:ResU_Net模型对高分辨率遥感影像的土地覆盖分割效果更优。