%A 刘天福,陈学泓,董琪,曹鑫,陈晋 %T 深度学习在GlobeLand30-2010产品分类精度优化中应用研究 %0 Journal Article %D 2019 %J 遥感技术与应用 %R 10.11873/j.issn.1004-0323.2019.4.0685 %P 685-693 %V 34 %N 4 %U {http://www.rsta.ac.cn/CN/abstract/article_3096.shtml} %8 2019-08-20 %X

本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法,用于GlobeLand30地表覆盖产品的质量优化。首先,通过对多源地表覆盖产品的一致性分析,构建深度学习训练所需的高分辨率遥感大样本(224万样本量);其次,基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型(GoogleNet Inception V3);最后,利用训练好的神经网络模型对在线高分影像进行分类,用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证,经过训练的神经网络分类总体精度为87.7%,Kappa系数为0.86,相比原始GlobeLand30的精度(总体精度75.1%、Kappa系数0.71)有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明:该方法能够有效优化GlobeLand30产品的分类精度。