深度学习方法在光伏用地遥感检测中的应用

发布时间：2022-08-12 20:05

　　针对传统方法提取新增光伏用地精度低的问题,该文提出了一种基于集成学习的U-Net双网络变化信息融合的深度学习方法用于新增光伏用地的提取。首先对U-Net网络进行改进得到性能较好的两个变化检测网络模型,然后分别训练两个网络模型用于在高分辨率卫星影像上检测新增光伏用地,将训练好的两个网络模型的分类图融合再经过后处理得到最终的变化检测结果。通过实验表明:该方法明显优于传统变化检测方法,也提高了单网络模型变化检测结果的精度。 

【文章页数】：9 页

【文章目录】：
0 引言
1 集成学习的U-Net双网络信息融合
    1.1 样本集制作
    1.2 基础网络选取和设计
    1.3 图像拼接
    1.4 集成学习
    1.5 分类后处理
    1.6 精度评定
2 实验及结果分析
    2.1 实验一
    2.2 实验二
    2.3 实验三
    2.4 实验结果分析
3 结束语


【参考文献】：
期刊论文
[1]遥感影像建筑物提取的卷积神经元网络与开源数据集方法[J]. 季顺平,魏世清.  测绘学报. 2019(04)
[2]基于生成对抗网络的地面新增建筑检测[J]. 王玉龙,蒲军,赵江华,黎建辉.  计算机应用. 2019(05)
[3]基于FlowS-Unet的遥感图像建筑物变化检测[J]. 顾炼,许诗起,竺乐庆.  自动化学报. 2020(06)
[4]多时相遥感影像变化检测方法综述[J]. 眭海刚,冯文卿,李文卓,孙开敏,徐川.  武汉大学学报(信息科学版). 2018(12)
[5]基于U-Net的高分辨率遥感图像语义分割方法[J]. 苏健民,杨岚心,景维鹏.  计算机工程与应用. 2019(07)
[6]多共性特征联合的Landsat 8 OLI遥感影像光伏电站提取[J]. 王胜利,张连蓬,朱寿红,吉莉,柴琪,沈扬,张蕊.  测绘通报. 2018(11)
[7]基于U型卷积神经网络的航空影像建筑物检测[J]. 伍广明,陈奇,Ryosuke SHIBASAKI,郭直灵,邵肖伟,许永伟.  测绘学报. 2018(06)
[8]基于对象影像分析方法支持下的多源遥感影像光伏电场提取[J]. 李彦甫,刘勇.  测绘与空间地理信息. 2016(03)



本文编号：3676509