CNN影像输入尺寸和分辨率对川西针叶林植被分类精度的影响

川西亚高山针叶林位于中国西南地区,受多云、多雨、多雾的影响,难以通过卫星影像进行植被分类的研究。为了解决这一难题,本研究选取川西亚高山针叶林的典型区域王朗自然保护区作为研究区,使用多旋翼无人机获取研究区域北部高分辨率RGB影像,结合卷积神经网络进行植被分类;为进一步挖掘卷积神经网络在无人机遥感影像上的潜力,选择语义分割方法 （U-Net）进行分类,并根据不同分辨率的无人机影像和不同尺寸下的样本集构建植被分类模型,建立森林指纹库。结果表明：（1）结合无人机可见光影像和CNN模型进行分类能够获得高精度分类结果。在空间分辨率为5 cm,尺寸为256×256像素的情况下达到最优,总体精度为93.21%,Kappa系数为0.90;(2)选择合适的尺寸大小能够提高模型的分类精度。在5 cm的空间分辨率下,尺寸为128×128像素的模型总体精度为82.30%,Kappa系数为0.76;尺寸为256×256像素的模型总体精度为93.21%,Kappa系数为0.90;(3)超高空间分辨率的升高对模型精度的提升是有限的。当空间分辨率从10 cm升到5 cm时,模型的总体精度提高了0.02,Kappa系数提...     

植被符号抽稀方法研究与应用

植被符号抽稀是大比例尺地形图缩编的一项内容。人工重新配置植被符号的时间成本大、符号分布不均匀;而已知软件处理效果尚不理想,后期修改工作量大。通过分析人工与软件抽稀植被符号的实例,结合现行规范,提出了一种植被符号抽稀的新方法:基于植被图斑边界,利用品字图案填充的方式实现植被符号抽稀。建立植被图斑边界或通过计算重构植被图斑是抽稀方法的基础环节。