排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
从遥感影像中准确识别水体信息对水资源管理和洪涝灾害监测有重要意义。目前,传统遥感水体识别方法仍存在着不足,难以满足实际应用中的精度要求。近年来,卷积神经网络CNN (Convolutional Neural Network)的快速发展,为高分辨率遥感水体识别提供了新的思路。本文基于高分一号卫星数据,利用DenseNet、ResNet、VGG、HRNet等CNN模型和传统的归一化差异水体指数（NDWI）进行洪泽湖地区不同季节的水体识别,并采用精确度（P）、召回率（R）、F1分数和误判率（MRate）等指标来评价各种方法的水体识别能力。在DenseNet经典结构中加入了上采样过程和跳层连接结构,以解决梯度爆炸和梯度消失问题;采用OSTU方法确定NDWI的最优阈值,以降低水体识别的不确定性。得出主要结论如下：（1）所有CNN网络模型的水体识别效果都显著优于传统NDWI方法;例如,NDWI识别的精确度仅为0.779,而所有CNN网络模型的识别精确度均高于0.922。（2）改进后的DenseNet模型有效缓解了梯度爆炸与梯度消失的问题,其水体识别结果在识别精确度P(0.960)和误判率（0.04... 相似文献
1