地形校正对U-Net深度神经网络分类器分类精度的影响

在国土资源监测、森林资源调查等多个领域中，基于遥感影像的分类技术受到了广泛应用。在利用传统分类器对地表覆盖分类提取中，地形效应是制约分类精度提升的一种因素，其影响可通过适当的校正模型减弱，且已证明地形校正能够对分类精度的提升起到积极作用。相比于传统分类器，基于深度学习理论的深度神经网络分类器具有深层特征学习和表达的优势，在图像分类领域兴起并逐渐用于土地覆盖分类且取得了不错的精度提升。本文初步探究了地形校正在利用深度神经网络分类器U-Net进行地表覆盖分类时对分类精度的影响情况。以Landsat 8 OLI 30 m影像为数据源，结合GDEM_V2 30 m地形数据，在GlobeLand 30和全国30 m森林分类结果的基础上，利用U-Net深度神经网络分类器实现了山区地表覆盖分类提取，并就不同训练样本获取方式及不同精细程度分类体系下地形校正前后的分类精度做了对比分析。分类结果表明：（1）规则网格裁切和坡向辅助裁切这两种训练样本获取方式下，地形校正后的分类精度较校正前不变或有极小幅度的降低，降低范围在0.9%—1.39%；（2）在对更精细的森林类型分类中，地形校正后的分类精度较校正前下降了1.66%。本文初步探究得到：在规则网格裁切和坡向辅助裁切这两种训练样本获取方式及不同精细程度的分类体系下，地形校正均未能提高U-Net深度神经网络分类器的分类精度。