中国香港中文大学黄波教授团队应用深度卷积神经网络实现了遥感影像分类从土地覆盖到土地利用的飞跃

点击左上方蓝色字体“慧天地”即可订阅

作者：黄波、赵贝、宋祎萌

近日，中国香港中文大学黄波教授团队在遥感领域顶级学术期刊《Remote Sensing of Environment》上发表了研究论文“Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery”（利用深度卷积神经网络与高分辨率多光谱遥感影像识别城市土地利用）。

城市土地利用分类是遥感领域的一项重要且极具挑战性的工作。虽然目前已经开发了很多卫星影像分类方法以获取城市土地利用/土地覆盖信息，但这些方法的精度和效率不足以满足实际应用（如城市规划和土地管理）的要求，而且目前的分类方法主要停留在土地覆盖（如水体、建筑、植被等）而非土地利用（如商业、居住、工业等）层次。近年来，深度学习技术，特别是深度卷积神经网络（DCNN）在图像分类领域中取得了惊人的效果。然而，传统的DCNN方法通常不应用于超过三个波段的多波段卫星影像，并且训练样本主要来自于自然影像。此外，这些方法将大图像均匀地分解成小的处理单元，从而截断连续的土地利用模式，并产生明显的具有“块状效应”的土地利用图。

为克服这些问题，黄波教授团队提出了一种半转移深度卷积神经网络（STDCNN）方法（图1）。STDCNN分为三个部分：一部分涉及具有深度结构的传输DCNN；另一部分用于分析多光谱图像；最后一部分将前两部分结合到分类层中。此外，研究团队设计了一种基于街区数据的骨架分解定位方法，该方法能自适应地将大图像分割成小的处理单元，以保持土地利用分布模式的完整性。

STDCNN分别使用worldview-3图像和worldview-2图像产生了中国香港与深圳的城市土地利用图。结果显示，中国香港土地利用分类的整体精度（OA）达到91.25%，Kappa系数达到0.903；深圳土地利用分类的整体精度达到80%，Kappa系数达到0.780。此外，结合以街区骨架为基础的分解方法，STDCNN所产生的土地利用地图相比此前的方法视觉效果更好（图2）。

图1、基于STDCNN的土地利用分类方法框架

图2、使用STDCNN与基础骨架分解方法得到的九龙/港岛、沙田、深圳土地利用分类图以及分别与原始高分辨率遥感影像的重叠效果

（点击文末“”阅读原文“可查看原文）

编辑/卜玺审核/盛兆阳 郭晓非