《表6 传统神经网络与卷积神经网络分类面积对比》
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。
图表编号 | XD0071807000 严禁用于非法目的 |
---|---|
绘制时间 | 2019.03.26 |
作者 | 李贤江、陈佑启、邹金秋、石淑芹、郭涛、蔡为民、陈浩 |
绘制单位 | 天津工业大学经济与管理学院、中国农业科学院农业资源与农业区划研究所、中国农业科学院农业资源与农业区划研究所、天津工业大学经济与管理学院、四川智图信息技术有限公司、天津工业大学经济与管理学院、天津市环境保护科学研究院 |
更多格式 | 高清、无水印(增值服务) |