深度学习提取不透水面的自然环境影响因素研究

针对遥感影像提取不透水面通常会受到自然环境因素影响的问题，该文采用改进的U²-Net模型对北京市五区和南京市五区的Landsat 8 OLI影像进行季节性不透水面提取，探索深度学习提取不透水面时的自然环境影响因素及其影响机制。选择植被、水、裸土及地表温度作为影响因素，通过地理探测器研究以上因素对不透水面提取的影响机制。基于改进的U²-Net模型提取不透水面精度较高，其中北京市研究区域的提取精度为93.81%,南京市研究区域的提取精度为94.04%;4项自然环境因素对不透水面提取精度均有影响，单因素分析中地表温度影响最大，交互作用分析中地表温度与植被覆盖影响最大。研究结果表明：夏季不透水面提取精度最高，受自然因素及交互作用影响最小；提取不透水面建议采用夏季影像。本文探究了自然因素对不透水面提取的影响机制，为进一步不透水面遥感提取和动态差异分析提供有力支撑。