《表4 基于CNN,SVM与RF的分类精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多源遥感数据的CNN水稻提取研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

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。