基于深度學習的濱海濕地高光譜影像與激光雷達數(shù)據(jù)聯(lián)合分類.pdf

1、遙感探測技術手段的日益豐富使得遙感數(shù)據(jù)類型越來越多，不同類型的遙感數(shù)據(jù)可以優(yōu)勢互補，獲得更全面的遙感信息，綜合利用多源數(shù)據(jù)進行遙感影像信息處理成為一個重要趨勢。本文聯(lián)合高光譜影像和激光雷達數(shù)據(jù)，采用深度學習卷積神經(jīng)網(wǎng)絡（CNN）模型對黃河口濱海濕地地物類型進行分類，提高了分類精度。
　　本文首先構建了基于高光譜影像和激光雷達數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡分類模型，并基于此模型開展了聯(lián)合高光譜影像的原始光譜特征、光譜導數(shù)特征、紋理特征和激光雷達

2、數(shù)據(jù)的強度特征、數(shù)字表面模型（DSM）和數(shù)字地形模型（DTM）的分類實驗，然后利用模糊隸屬度決策融合方法對上述分類結果進行了決策融合。實驗取得如下成果：
　　1.本文構建的CNN模型分類結果均優(yōu)于SVM算法和傳統(tǒng)的CNN模型。其中，利用CNN模型聯(lián)合原始光譜和雷達強度及DSM、DTM分類精度達到84.94％，比SVM高出3.61%；聯(lián)合原始光譜、光譜一階導數(shù)、二階導數(shù)、紋理和雷達強度、DSM、DTM的分類總體精度達到最高84.97

3、%，比SVM算法高出1.2%，比傳統(tǒng)的CNN模型高出1.37%。
　　2.聯(lián)合高光譜影像和激光雷達數(shù)據(jù)可以有效的提高分類精度。在只利用原始光譜的情況下，CNN的總體分類精度為82.93%，SVM算法的分類精度為80.62%；加入雷達強度和DSM、DTM特征后，CNN模型的分類精度達到84.94%，比只利用原始光譜高出2%；相應的，SVM算法的分類精度為81.33%，比只利用原始光譜高0.7%。
　　3.激光雷達數(shù)據(jù)的特征更有

4、利于本文提出的CNN模型的分類，光譜的一階導數(shù)和二階導數(shù)特征更有利于SVM算法的分類。從分類結果來看，加入雷達強度和DSM、DTM特征后，CNN模型的分類精度比只利用原始光譜高出2%；相應的，SVM算法的分類精度比只利用原始光譜高0.7%；聯(lián)合原始光譜和一階導數(shù)、二階導數(shù)分類，SVM的分類總體精度為83.23%，比僅利用原始光譜高2.61%；相應的，CNN的總體分類精度為84.18%，比僅利用原始光譜高出1.25%。
　　4.本文