《表4 基于CNN,SVM与RF的分类精度》
基于多时相的Sentinel-2A与Landsat8数据,采用CNN,SVM和RF这3种分类方法的水稻提取结果如图3所示。通过与GF-1和Google Earth高分辨率遥感影像目视解译结果中水稻信息的对比与定性分析,基于CNN的分类结果中,水稻的分布与真实分布状况基本相符,特别在城市区域能获得水稻与其他植被较好的可分性,错分、漏分现象更少,表明该方法能够较好地提取异质性程度较高区域的水稻信息。相较而言,基于CNN的分类结果更接近研究区水稻分布状况。3种分类器的水稻提取精度如表4所示,CNN模型的OA和Kappa系数分别达到了92.11%和0.90,水稻的UA和PA均在90%以上,识别精度较高。相比之下,基于SVM与RF的分类结果欠佳,OA和Kappa系数分别为82.47%,0.76和83.77%,0.80。
图表编号 | XD00191241600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.12.01 |
作者 | 蔡耀通、刘书彤、林辉、张猛 |
绘制单位 | 中南林业科技大学林业遥感信息工程研究中心、林业遥感大数据与生态安全湖南省重点实验室、南方森林资源经营与监测国家林业局重点实验室、中南林业科技大学林学院、中南林业科技大学林学院、中南林业科技大学林业遥感信息工程研究中心、林业遥感大数据与生态安全湖南省重点实验室、南方森林资源经营与监测国家林业局重点实验室、中南林业科技大学林学院、中南林业科技大学林业遥感信息工程研究中心、林业遥感大数据与生态安全湖南省重点实验室、南方森林资源经营与监测国家林业局重点实验室、中南林业科技大学林学院 |
更多格式 | 高清、无水印(增值服务) |