林业科学

作者：郭颖,李增元,陈尔学*,张旭,赵磊,陈艳,王雅慧

单位：中国林业科学研究院资源信息研究所 北京 100091

关键词：森林类型,深度学习,全卷积神经网络,GF-2,双支FCN-8s

基金：国家重点研发计划"林业资源培育及高效利用技术创新人工林资源监测关键技术研究"(2017YFD0600900);中央级公益性科研院所基本科研业务费专项"森林类型遥感分类的双支uNet优化组合模型研究"(CAFYBB2019SY027)

目的: 对全卷积神经网络模型进行双支化改进，探索高空间分辨率遥感影像森林类型深度学习分类新方法，为提高森林资源遥感调查精度提供技术支撑。方法: 双支FCN-8s包含2个FCN-8s子模型，一个子模型基于R、G、B三波段特征，采用微调方式构建；另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类，得到每个像元的类别。以旺业甸林场为研究区，采用GF-2卫星遥感影像提取标准化植被指数（NDVI），构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集，对双支FCN-8s优化方法的有效性进行定量评价。结果: 1）双支FCN-8s方法的总体分类精度为85.89%，Kappa系数为0.84；相比传统FCN-8s，双支FCN-8s方法可提高大部分森林类型的分类精度，尤其对油松、红松、白桦等类别改善效果明显。2）相对于传统基于特征优选的SVM模型而言，双支FCN-8s方法的总体分类精度由75%上升至85.89%，精度提升大于10%，各类别的分类效果均有改善。3）使用微调策略以及加入NDVI特征后，模型可有效改善油松、山杨及白桦等树种的分类效果。结论: 双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。

来源：2020年第3期

《林业科学》期刊编辑部

查看林业科学杂志2020年第3期