《表2 U-Net+模型分类结果混淆矩阵与评价精度》
注:加粗字体为各列预测正确的数量。
将U-Net+模型预测的测试影像分类图进行混淆矩阵计算,结果如表2所示。共有1 888 818个像元参与混淆矩阵计算,1 751 518个像元分类正确,kappa系数为0.89,总体分类精度为92.73%,相比U-Net模型提高了1.06%。在分类结果中,常绿树的分类精度最高(F1=93.65%),草地(F1=92.55%)和落叶树(F1=86.55%)次之,主要在于常绿树与落叶、草地的光谱、纹理等特征差异明显,能较好区分。草地面积在研究区中整体占比较小,主要错分为其他用地和落叶树。总体来看,基于U-Net+卷积神经网络模型的遥感分类方法较好地完成了高分影像的城市绿地分类任务,3种绿地类型边界划分清晰,分类精度较高,通过深层网络学习除光谱特征以外的更多深层语义特征,能够有效降低分类过程中产生的“椒盐噪声”,在一定程度上减少地物像元混分现象,对分布零散且破碎的落叶树也能较完整地提取出来,证明该方法能够实现高分辨率遥感影像城市绿地分类的自动化分类提取。
图表编号 | XD00216449300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.16 |
作者 | 徐知宇、周艺、王世新、王丽涛、王振庆 |
绘制单位 | 中国科学院空天信息创新研究院、中国科学院大学、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院、中国科学院空天信息创新研究院、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |