.png){kind=icon}
返回
A Deep Learning Method for Land Use Classification Based on Feature Augmentation
.png){kind=icon}
OA
AI
DOI：10.3390/rs17081398.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
通过卫星遥感进行土地利用监测可以提升生态系统资源管理能力。卫星数据源、带宽、计算速度、数据存储和成本等因素制约着该领域的发展与应用。本文提出了一种基于特征增强的新型深度学习分类方法（CNNs-FA），为区域低成本、高精度土地利用监测提供了稳健途径。研究中整合了22个光谱指数以增强植被、土壤和水体特征，用于卷积神经网络（CNNs）学习，有效区分耕地、林地、草地、建设用地、裸地、湿地和水体七种土地利用类型。结果表明，多光谱指数能够有效区分反射率相似的土地利用类型，在巴彦淖尔、鄂尔多斯和洪湖流域（HLB）分别实现了99.70%、94.81%和90.07%的总体精度，以及99.96%、98.62%和99.76%的Kappa系数。实地调查的98.18%总体精度表明，该分类方法在湿地和生态敏感区的精度特征显著，表现为显著的荒漠-草地镶嵌分布。
Keyword:
land use
feature augmentation
CNNs
remote sensing
spectral indices
期刊
IF:
4.1
论文数:
7.2K
被引数:
15.1W
机构
引用论文
An Explanation of the Differences in Grassland NDVI Change in the Eastern Route of the China-Mongolia-Russia Economic Corridor对中国—蒙古—俄罗斯经济走廊东段草地NDVI变化差异的解释.png)
REMOTE SENSINGOAAI
REMOTE SENSINGIF4.1
OAAI分享收藏Dense Semantic Labeling of Subdecimeter Resolution Images With Convolutional Neural Networks基于卷积神经网络的亚分米分辨率图像密集语义标注
OAAI
OAAI分享收藏Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images使用来自无人机多光谱图像的宽动态范围植被指数 (WDRVI) 监测甜菜生长指标
PREAI
分享收藏Spectral Characteristics and Identification of Degraded Alpine Meadow in Qinghai–Tibetan Plateau Based on Hyperspectral Data基于高光谱数据的青藏高原退化高寒草甸的光谱特征与识别OAAI
OAAI分享收藏
查看更多内容