《表5 基于光谱信息的CNN分类混淆矩阵结果》

  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CNN和农作物光谱纹理特征进行作物分布制图》

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

为了更直观地对比3种分类结果的细节信息与实际地物的吻合程度，选取局部图与对应区域的高分二号高分辨率真彩色遥感影像进行空间分布对比，见图7。通过目视可清晰辨认高分二号影像中水稻、玉米、建筑、道路等地物。图7中1号区域位置为地面调查样区之一，为独立的水稻种植地，周边为玉米，与高分影像中目视识别结果一致。基于CNN的两种结果均正确识别出该地块农作物类别，而SVM方法则误判为玉米，说明CNN方法提取的农作物特征不受周围地物的干扰，对种植区域较小的农作物仍能实现准确的识别。此外，从高分二号影像中还可以清晰辨认该区域的道路信息，如位置2，分类结果中仅基于光谱和纹理特征的CNN分类成功提取出道路，其它两种结果均将道路误判为农作物。由于道路较窄，容易与农作物组成混合像元，对应光谱特征与其他地物混淆，导致识别错误。而通过引入纹理信息，CNN能够捕捉道路在影像中反映出的灰度变化规律，强化其特征表达，进一步被准确识别。说明引入纹理信息后，基于CNN的分类结果在空间分布上具有更准确的细节刻画能力，可准确区分花生、道路等精细地物。