《表6 传统神经网络与卷积神经网络分类面积对比》

  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

《卷积神经网络在高分辨率影像分类中的应用》

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

通过统计各地类的面积，我们从图6和表6可以看出，与研究区实际的土地利用现状调查变更数据相比，CNN和传统神经网络都有不同程度的错分和漏分现象，但整体上CNN的分类结果与土地利用现状数据更加接近。其中，林地的实际现状面积为556.51km2，CNN中林地的分类面积为427.12km2，传统神经网络中林地的分类面积为401.96km2，CNN林地的分类结果更加接近于土地利用现状数据；耕地现状面积为531.58km2，CNN分类的面积为829.19km2，传统神经网络分类的面积为850.96km2，CNN的误差小于传统神经网络；建设用地的现状面积为322.6km2，CNN分类的面积为240.67km2，传统神经网络分类的面积为229.02km2，由此可见在本次实验中，CNN对建设用地提取的较为精确；水域的现状面积为173km2，CNN分类的面积为75.33km2，传统神经网络的分类面积为93.23km2，在水域的提取过程中，传统神经网络相对而言处理的较好；未利用地的现状面积为5.73km2，CNN分类的面积为9.5km2，传统神经网络分类的面积为6.6km2，传统神经网络对未利用地的提取精度要好于CNN。