CNN影像输入尺寸和分辨率对川西针叶林植被分类精度的影响
文献类型：期刊论文
| 作者 | 石伟博; 廖小罕; 王绍强; 岳焕印; 王东亮 |
| 刊名 | 遥感学报
 |
| 出版日期 | 2023-11-25 |
| 卷号 | 27期号:11页码:2640-2652 |
| 关键词 | 无人机RGB影像 卷积神经网络 川西亚高山针叶林 植被分类 输入尺寸 空间分辨率 |
| 文献子类 | 期刊 |
| 英文摘要 | 川西亚高山针叶林位于中国西南地区，受多云、多雨、多雾的影响，难以通过卫星影像进行植被分类的研究。为了解决这一难题，本研究选取川西亚高山针叶林的典型区域王朗自然保护区作为研究区，使用多旋翼无人机获取研究区域北部高分辨率RGB影像，结合卷积神经网络进行植被分类；为进一步挖掘卷积神经网络在无人机遥感影像上的潜力，选择语义分割方法 （U-Net）进行分类，并根据不同分辨率的无人机影像和不同尺寸下的样本集构建植被分类模型，建立森林指纹库。结果表明：（1）结合无人机可见光影像和CNN模型进行分类能够获得高精度分类结果。在空间分辨率为5 cm，尺寸为256×256像素的情况下达到最优，总体精度为93.21%,Kappa系数为0.90;(2)选择合适的尺寸大小能够提高模型的分类精度。在5 cm的空间分辨率下，尺寸为128×128像素的模型总体精度为82.30%,Kappa系数为0.76；尺寸为256×256像素的模型总体精度为93.21%,Kappa系数为0.90;(3)超高空间分辨率的升高对模型精度的提升是有限的。当空间分辨率从10 cm升到5 cm时，模型的总体精度提高了0.02,Kappa系数提高了0.03，模型的分类精度并没有明显提升。（4）对于区域内代表性不足的植被类型来说，受空间分辨率和尺寸大小的影响要远高于区域内优势树种，特别是空间分辨率的影响最大。在20 cm的空间分辨率下落叶灌木的生产者精度和用户精度均低于70%。综上，利用无人机高分辨率RGB影像结合CNN模型对川西亚高山针叶林的植被分类能够取得高精度分类结果，本研究可为该区域植被分类提供一种自动、准确的方法。 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/200638]  |
| 专题 | 资源与环境信息系统国家重点实验室_中文论文 |
| 通讯作者 | 廖小罕 |
| 作者单位 | 1.中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室 2.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室 3.中国地质大学(武汉)地理与信息工程学院区域生态过程与环境演变实验室 4.中国科学院大学资源与环境学院 5.中国科学院无人机应用与管控研究中心 6.中国民航局低空地理信息与航路重点实验室 |
| 推荐引用方式 GB/T 7714 | 石伟博,廖小罕,王绍强,等. CNN影像输入尺寸和分辨率对川西针叶林植被分类精度的影响[J]. 遥感学报,2023,27(11):2640-2652. |
| APA | 石伟博,廖小罕,王绍强,岳焕印,&王东亮.(2023).CNN影像输入尺寸和分辨率对川西针叶林植被分类精度的影响.遥感学报,27(11),2640-2652. |
| MLA | 石伟博,et al."CNN影像输入尺寸和分辨率对川西针叶林植被分类精度的影响".遥感学报 27.11(2023):2640-2652. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。