文献类型：期刊文章

作　　者：陈斌[1] 王宏志[1] 徐新良[2] 王首泰[1] 张亚庆[2]

CHEN Bin;WANG Hongzhi;XU Xinliang;WANG Shoutai;ZHANG Yaqing(Hubei Province Key Laboratory for Analysis and Simulation of Geographical Process,College of Urban and Environmenlal Sciences,Central China Normal University,Wuhan 430079,China;State Key Laboratory of Resources and Environmental Infomiation System,Institute of Geographic Sciences and Natural Resources Research,CAS,Beijing 100101,China)

机构地区：[1]华中师范大学城市与环境科学学院地理过程分析与模拟湖北省重点实验室,湖北武汉430079 [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,北京100101

出　　处：《测绘通报》

基　　金：中国科学院A类战略性先导科技专项(XDA20010302);华中师范大学研究生教育创新资助项目(2018CXZZ001)

年　　份：2019

期　　号：6

起止页码：29-33

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD_E2019_2020、JST、RCCSE、ZGKJHX、核心刊

摘　　要：提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题.研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物(不透水层、植被、水体和其他用地)的自动分类提取,并将分类结果与传统最大似然分类(ML)结果进行了对比分析.研究表明:基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.8342,明显优于传统ML方法总体分类精度83%和Kappa系数0.7550,而且有效抑制了地物在分类过程中出现的像元混分现象.

关 键 词：空间分辨率 深度学习  遥感分类 GoogleNet  

分 类 号：P237]