41、利用深度学习进行LISS - III多光谱航天影像土地利用与土地覆盖分割

利用深度学习进行LISS - III多光谱航天影像土地利用与土地覆盖分割

1. 引言

近年来，土地资源的消耗成为了一个严重的问题。遥感是一种通过传感器远距离获取和理解数据的技术，无需与被观测对象进行直接通信。土地利用与土地覆盖分类旨在根据已识别的土地利用和覆盖类型的分布，将航天影像准确分类。这一领域在近年来受到广泛关注，因为它在城市发展、自然灾害监测以及土地利用与土地覆盖分析等方面有着广泛的应用。

遥感影像包含居民区、农业用地、未开垦土地、水体和其他开放区域。深度学习由Hinton等人提出，通过逐层初始化解决了深度神经网络的训练难题，并在视频和图像处理、数据分析等领域得到了有效应用。在深度学习机制中，机器通过增加网络层数从信息中自主学习。

本文将全卷积网络（FCN）应用于印度古吉拉特邦南部地区的土地利用与土地覆盖分类，并在实际数据上测试了分类器的效果。研究中确定了四类土地：水体、植被、未开垦土地和居民区。语义分割是指对图像进行像素级分类，为每个像素分配相应的类别。本研究采用深度神经网络处理这一任务，训练了一个带有跳跃连接的全卷积网络（FCN），它接收大小为256×256×3的输入图像，并输出形状为256×256×4的矩阵，即掩码的one - hot编码版本，该模型的总体准确率（OAA）达到了81%。

2. 文献综述

深度学习属于机器学习技术，其有序架构中的多个数据处理阶段通过无监督学习和模式分类来完成。许多研究在土地利用与土地覆盖分割方面取得了进展：
- Chen等人提出了一种结合深度学习和逻辑回归的高光谱图像分类混合框架。
- Zuo等人应用深度信念网络取得了成功。
- Liu等人和Piramanayag