基于深度学习和高分辨率遥感影像的露天矿地物分类方法

随着深度学习技术的发展,对高分辨率影像的分类已成为当前研究的热点,矿区地物分类更是矿区生态发展研究的重要问题.由于深度学习可以通过提取大量的历史影像数据规律及特征,对影像数据进行自动识别与分类,因此本文采用U-Net模型开展高分辨率露天矿区地物类型分类研究.采用高分二号遥感影像数据,勾画样本数据集提取样本数据特征,进行分类模型的训练,对矿区测试集进行测试,探讨深度学习在高分遥感影像上的自动识别能力.结果表明,U-Net模型对露天矿区地物识别的精确率(Precision)、召回率(Recall)、F1分数(F1-score)值分别达到0.86、0.82、0.84,均高于最大似然法、随机森林算法和支持向量机.基于深度学习中的U-Net模型可以对露天矿区地物类型进行有效的自动识别,为高分露天矿区遥感影像数据的地物分类提供技术支撑,有效实现了露天矿各地物自动识别与分类的能力.本文研究成果可以用于AI在露天矿区遥感分类方面的应用以及对矿区生态环境的监测与修复.