共查询到10条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
蔡淑颖何少柏韩凝杜华强 《园林》2020,(11):28-37
城市森林结构复杂、分布破碎,采用高分遥感数据,通过深度学习等智能机器学习算法精准监测提取城市森林信息,是城市森林资源智能监测管理的关键性基础环节。本文以杭州市余杭区部分城区WorldView-3高分卫星遥感影像为数据源,采用改进的U-net深度学习神经网络,并结合面向对象多尺度分割方法,研究城市森林智能精准提取。首先,通过大量的训练数据获得最佳模型参数;其次,使用U-net网络进行语义分割得到分类结果图;最后,结合面向对象最优分割修正深度学习城市森林提取结果,从而最终得到城市森林提取结果。研究表明,(1)基于改进的U-net深度学习神经网络得到的城市森林总体分类精度达90.50%,Kappa系数为0.886;(2)经面向对象分割对U-net深度学习神经网络结果中的"椒盐现象"及边界地物错分现象进行修正后,分类总精度提高到93.83%,Kappa系数提高到0.9295。因此,U-net网络模型结合面向对象方法可以有效地改善遥感目标识别及地物分类的效果,保证城市碎片化植被提取与植被区域边界的准确性,从而提高城市森林植被提取精度。 相似文献
5.
基于面向对象的高分辨率遥感影像建筑物提取研究 总被引:1,自引:0,他引:1
遥感影像上的建筑物是一种非常重要的地物.利用高分辨率遥感影像上建筑物的光谱、空间特征及上下文特征等,并通过贝叶斯理论计算对象的归属概率属性,提出了一种面向对象的高分辨率影像建筑物提取方法.实验证明该方法有较好的提取效果. 相似文献
6.
基于高分辨率遥感影像的农村居民点内部用地信息提取研究 总被引:3,自引:0,他引:3
近年来,随着农村地区土地利用规划工作的细致深入,对快速获取农村居民点内部用地信息提出了更高的要求。目前,国内外的研究主要集中在对于房屋或道路的提取上,且大多以面向像元的分类方法为主,其结果并不能反映农村居民地内部的整体用地情况且分类精度有待进一步提高。为此,本文提出了一种方法:首先利用大比例尺土地利用现状图提取农村居民点外边界;接着建立起农村居民地遥感分类体系;然后,采用面向对象的分类技术,辅以各种地学知识建立起提取农村居民点内部用地信息的有效模型;最后以武汉市黄陂区的桃园吉地区为研究区域进行了实例研究,验证此方法的有效性。 相似文献
7.
《Planning》2019,(9)
针对当前遥感影像特定目标识别效果较差的现状,基于深度学习网络对高分二号遥感影像特定目标进行准确识别。首先通过引入部分噪声增强样本数据建立样本库并在TensorFlow框架下配置Faster R-CNN网络学习目标特征建立可用于高分二号遥感影像特定目标识别的卷积网络。而后为判别深度学习网络的识别效果,选取遥感影像目标识别效果较好的约束能量最小化(constrained energy minimization,CEM)算法与之比较。最后在待识别遥感影像内生成房屋的包围框并标注识别房屋的置信度,得到总体房屋识别的置信度为95.61%以上。实验中CEM法房屋目标识别率为76.4%,而深度学习法可达到90.9%,深度学习法目标识别率比CEM法高14.5%。实验结果表明Faster R-CNN适用于高分二号遥感影像的特定目标识别,相较于CEM法识别率有明显提升。 相似文献
8.
9.
10.
突发事件造成的不良后果影响严重,必须通过日常的管理遏制发生和扩散.就目前科技发展的水平,应用遥感影像建立三维城市应急资源管理系统,能有效降低突发事件带来的损失,提高各个城市应急资源管理效率,确保减少突发公共事件的发生、保障灾后人民群众的生命财产安全和社会稳定,促进经济社会的安全、协调、可持续发展. 相似文献