最新发表：深度学习在GlobeLand30-2010产品优化中的应用研究

+ 查看更多

   

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（BNU-GLC7, 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，本文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基于本文测试样本的精度（总体精度75.1%、kappa系数0.71）有了明显提升。在四个试验区的GlobeLand30产品优化实验表明，本文提出的方法能够有效优化GlobeLand30产品的分类精度。

该论文发表于最新一期《遥感技术与应用》上。　　

REF: 

刘天福，陈学泓，董琪，曹鑫，陈晋. 深度学习在GlobeLand30-2010 产品分类精度优化中应用研究［J］. 遥感技术与应用，2019，34（4）：685-693.