基于卷积神经网络高光谱影像土地利用分类方法研究

土地覆盖/土地利用变化信息是全球环境变化发展的最重要信息来源之一。本文以高分五号高光谱影像为数据源，采用主成分分析（Principal Component Analysis,PCA）方法进行特征提取，并选用前六个主成分作为分类数据，利用基于卷积神经网络（Convolutional Neural Networks, CNN）的分类方法进行分类，并以支持向量机（Support Vector Machine, SVM）和RF(Random Forest,RF)分类方法进行对比。结果表明，基于CNN的分类方法获得的总体分类精度最高，达到87.67%,Kappa系数为0.84，总体精度相较于基于SVM和RF分类方法的总体精度分别提高了9.00%和8.00%；基于SVM和RF的分类方法的分类结果“椒盐”噪声明显，基于CNN的分类方法可以很好地改善这种情况；基于SVM和RF的分类结果对草地、林地以及其他用地等的分类精度较低，错分比率较高，而基于CNN的分类方法可以有效地改善这种情况。