基于多源遥感时序特征和卷积神经网络的露天矿区土地利用分类

doi:10.6046/zrzyyg.2024080

基于多源遥感时序特征和卷积神经网络的露天矿区土地利用分类

刘昊^,¹^,², 杜守航^,¹^,², 邢江河², 李军², 高天琳², 尹程弘²

1.自然资源要素耦合过程与效应重点实验室,北京 100055

2.中国矿业大学(北京)地球科学与测绘工程学院,北京 100083

Land use classification of open-pit mining areas based on multi-source remote sensing time series features and convolutional neural networks

LIU Hao^,¹^,², DU Shouhang^,¹^,², XING Jianghe², LI Jun², GAO Tianlin², YIN Chenghong²

1. Key Laboratory of Coupling Process and Effect of Natural Resources Elements, Beijing 100055, China

2. College of Geosciences and Surveying Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China

通讯作者: 杜守航(1990-),男,硕士生导师,副教授,主要从事自然资源监测与生态环境评价、深度学习遥感智能解译方面的研究。Email:dush@cumtb.edu.cn。

责任编辑: 陈昊旻

收稿日期: 2024-02-27 修回日期: 2024-10-16

基金资助:

自然资源要素耦合过程与效应重点实验室开放课题“多源数据融合的矿区精细用地分类与生态环境质量评价”(2022KFKTC001)

Received: 2024-02-27 Revised: 2024-10-16

作者简介 About authors

刘昊(2001-),男,硕士研究生,主要从事遥感智能解译方面的研究。Email: liuhao07515@163.com。

摘要

矿区资源开发会导致土地利用格局发生变化,造成生态环境破坏。因此,进行土地利用分类对矿区生态修复和管理至关重要。目前,遥感影像广泛应用于土地利用分类,但单一数据源在矿区分类中存在局限,常规机器学习算法亦难以有效应对该任务。为提高分类精度,该文以内蒙古自治区鄂尔多斯市东胜区东部区域为研究区,利用卷积神经网络融合多源遥感数据实现矿区土地利用分类。首先,利用Sentinel-1/2、珞珈一号和美国国家航空航天局(National Aeronautics and Spoce Administration,NASA)数字高程模型(digital elevation model,DEM)数据构建多源遥感时序特征集合; 其次,联合Relief-F与随机森林(random forest,RF)算法实现特征优选; 最后,基于ResNet50卷积神经网络模型挖掘特征中的地物信息,以实现矿区的用地分类。结果表明: 文章提出的方法土地利用分类的总体精度(overall accuracy,OA)为95.36%,Kappa系数为0.942 1,高于RF等常规方法,Relief-F与RF综合特征优选可以提高多种分类器的分类精度。该研究为矿区土地利用分类提供了方法参考和借鉴。

关键词： 矿区土地利用; 多源遥感特征; Relief-F; 随机森林; 特征优选; ResNet50

Abstract

Resource development in mining areas alters land use patterns and causes ecological damage. This renders land use identification crucial to ecological restoration and management in mining areas. Although remote sensing imagery is widely used for land use classification, the use of a single data source has limitations in the classification for mining areas. Additionally, it is difficult for conventional machine learning algorithms to effectively perform the classification. To improve classification accuracy, this study investigated the eastern part of Dongsheng District, Ordos City as an example to conduct land use classification for mining areas using a convolutional neural network (CNN) combined with multi-source remote sensing data. First, a multi-source remote sensing time series feature set was developed using data from Sentinel-1/2, Luojia-1 01, and the NASA digital elevation model (DEM). Next, optimal features were selected using the Relief-F algorithm combined with a random forest algorithm. Finally, information on surface features was extracted using the ResNet50 CNN model. This facilitated land use classification in the mining area. The results show that the proposed method achieved an overall land use classification accuracy of 95.36% and a Kappa coefficient of 0.942 1, outperforming conventional methods such as the random forest approach. Furthermore, selecting optimal features using Relief-F combined with the random forest approach enhanced the classification accuracy of various classifiers. This study offers a methodological reference for land use classification of mining areas.

Keywords： mining area land use; multi-source remote sensing features; Relief-F; random forest; feature selection; ResNet50

PDF (4807KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

刘昊, 杜守航, 邢江河, 李军, 高天琳, 尹程弘. 基于多源遥感时序特征和卷积神经网络的露天矿区土地利用分类[J]. 自然资源遥感, 2025, 37(4): 99-107 doi:10.6046/zrzyyg.2024080

LIU Hao, DU Shouhang, XING Jianghe, LI Jun, GAO Tianlin, YIN Chenghong. Land use classification of open-pit mining areas based on multi-source remote sensing time series features and convolutional neural networks[J]. Remote Sensing for Land & Resources, 2025, 37(4): 99-107 doi:10.6046/zrzyyg.2024080

0 引言

矿业是我国经济建设和发展的重要支柱,矿区开采在促进周围区域经济增长的同时,也对周边的生态环境产生重大影响^[1]。矿区的开采过程使地表景观和土地利用发生改变^[2],对矿区土地利用进行准确分类,不仅可以监测矿区用地变化,还可对开采后的修复治理与土地复垦情况进行评价,对矿区周围城市规划建设和可持续发展具有深远的意义^[3]。

Landsat和Sentinel系列光学卫星所获取的多光谱遥感影像是土地利用分类的重要数据。其中,Landsat卫星数据有长时间序列的历史影像且可免费获取,自20世纪70年代开始广泛应用于土地利用分类^[4]。Lavanya等^[5]使用Landsat7多光谱数据,采用面向对象方法对印度河畔地区进行长时序土地利用识别,总体精度(overall accuracy,OA)为80%,验证了Landsat数据用于长时序土地利用监测的可行性。Sentinel-2多光谱影像可以很好体现不同地物的光谱特性,Lobo等^[6]使用Sentinel-2影像绘制了巴西亚马孙13个地区内的矿区地图,并进一步评估每个地区的采矿属性; 王德军等^[7]利用Sentinel-2数据构建时序特征集,结合随机森林(random forest,RF)算法实现了农耕区典型地物的分类。但在地物类型复杂的矿区,仅靠Landsat或Sentinel-2多光谱数据难以对土地利用进行准确分类,需融合其他维度的遥感数据体现更多的地物类型信息,并且现有研究使用的一般是RF等常规机器学习算法,不能充分挖掘多源特征与地物类别之间的联系,分类精度有限。

当前,深度学习为土地利用分类开辟了一条新的途径,它可以自动学习构建地物类别与多维度特征之间的关系^[8],已越来越多地应用于土地利用相关的研究中^[9-11]。例如,Arrechea-Castillo等^[12]利用Sentinel-2影像,基于LeNet框架的卷积神经网络实现土地利用分类,所提出的方法在验证数据中的总体准确率达到96.51%,Kappa系数达0.962; Zhou等^[13]针对矿区精细用地提出EG-UNet模型,该模型相对于最新主流的算法在公开的高分图像数据集上综合性能表现更好,为基于深度学习的矿区土地覆盖精细分类研究提供参考。然而,现有的深度学习方法往往仅依靠单一的遥感数据实现用地分类,无法满足多源数据融合的用地分类需求。

针对目前存在的问题,本文引入反应地物后向散射特性的Sentinel-1 合成孔径雷达(synthetic aperture Radar,SAR)数据作为补充,与Sentinel-2 多光谱数据相结合以提高土地利用分类的整体精度; 此外,本文还增加美国国家航空航天局(National Aeronautics and Spoce Administration,NASA)数字高程模型(digital elevation model,DEM)数据有效补充地形相关信息,增加珞珈一号夜光影像提取城市区域的特征,通过多源遥感数据联合描述地矿区用地类型的信息。为了降低特征集合的冗余性,联合Relief-F与RF法进行特征优选,提高特征集的可靠性,并基于深度学习的高效性,构建残差网络50(residual network 50,ResNet 50)模型充分挖掘多源特征与矿区用地类别之间的关系。同时,与RF、支持向量机(support vector machine,SVM)、人工神经网络(artificial neural network,ANN)、K近邻算法(K-nearest neighbors,KNN)和贝叶斯模型对比土地利用分类精度,探究特征优选方法对不同分类器的效果,实现对研究区域的用地分类。

1 研究区概况及数据源

1.1 研究区概况

东胜区隶属于内蒙古自治区鄂尔多斯市,总面积2 160 km²,常住总人口57.63万人,不仅是鄂尔多斯的交通和经济中心,也是矿区的主要分布区域之一,已探明的矿种有30多种,储量最多的是煤矿。本文的研究区域如图1所示,位于东胜区的东部,地理坐标为110°1'7″~110°7'35″E,39°47'41″~39°54'31″N,总面积为115 km²。不仅是东胜区露天矿的集中区域,也拥有大范围的城市区域和修复治理区,该范围的地物类型复杂且典型,在该研究区域的土地利用进行分类对矿区的修复治理和城市可持续发展方面具有重要意义。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区概况与遥感影像图

Fig.1 Location and remotely-sensed image of the study area

1.2 数据源及其预处理

1.2.1 数据源

谷歌地球引擎(Google Earth Engine,GEE)能提供大量的全球尺度的遥感数据,具有强大的数据处理能力,已成为遥感土地利用分类的常用数据源和数据处理平台^[14]。研究使用GEE平台中2022年的Sentinel-2多光谱成像仪(multi-spectral instrument,MSI)和Sentinel -1 SAR数据作为光谱、纹理、缨帽和极化特征的数据源。其中Sentinel-2 MSI利用分辨率为10 m和20 m的10个波段,研究区由Sentinel-2 B4(R),B3(G)和B2(B)波段合成的真彩色影像如图1所示。SAR数据可全天候提供高质量地表回波影像^[15],结合Sentinel-1 SAR的VV和VH极化数据提升土地利用分类精度^[16]。NASA可提供30 m分辨率的高质量DEM,作为地形特征的数据源。另外使用130 m分辨率的珞珈一号夜光数据(night time light,NTL)作为经济特征的数据源,辅助提取城市建筑区域。

1.2.2 预处理

数据预处理均在GEE平台进行,研究表明时序影像数据的使用能够有效提高土地利用分类精度^[17],对此,研究合成了Sentinel-2的时序影像。首先,筛选了GEE中2022年1月、4月、7月和10月根据云量过滤后的影像,通过Sentinel-2的QA60波段进行去云处理; 其次,利用GEE平台的中值算法进行季节影像的合成,填补经过去云处理后的影像空洞,最终获得了4个季节质量较好的影像。对于Sentinel-1,采用极化处理函数将数据分成了VV与VH 2种分量; 其次,使用与生产Sentinel-2的时序影像相同的中值合成算法计算4个季节的时序SAR影像; 再次,将经过系统几何校正的珞珈一号NTL,通过GEE平台进行辐射亮度的转换; 最后,将Sentinel-1/2,NASA DEM和珞珈一号的数据均重采样至10 m分辨率,对齐至相同的格网,并利用研究区范围进行裁切,得到所需要的4个数据源的预处理后数据。

1.2.3 分类体系

本研究根据鄂尔多斯东胜区东部土地利用实际情况,将研究区分为林草地、水域、建设用地、裸露土地、矿区和修复治理区6类。利用高分辨率的Google Earth影像作为参考,6种类别共选择了样本点2 870个,其中每种类别的示例影像与所选择的样本个数如图2和表1所示,其中70%用作训练ResNet50模型,30%用作精度验证。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 分类体系影像示意图

Fig.2 Schematic diagram of the classification system

表1 分类方案、样本点及图像特征

Tab.1 Classification scheme, sample points and image feature

类别	定义	样本点/个
林草地	林地、草地等植被区域	600
水域	自然陆地水域、水利设施、积水塘	200
建设用地	城乡居民点及交通用地	670
裸露土地	地表覆盖为土壤或岩石的区域	200
矿区	矿坑及开采矿物堆积区域	600
修复治理区	停止开采后,进行生态修复的区域	600

新窗口打开| 下载CSV

2 研究方法

本文的研究方法如图3所示,主要包括4个步骤:

1)对多源数据预处理,并计算光谱、纹理、缨帽、极化、地形和经济6种特征,构建特征集合; 2)联合Relief-F与随机森林算法的特征重要性评价结果,进行组合特征优选; 3)基于ResNet50模型实现矿区用地分类; 4)对分类结果进行精度评定,探究不同特征优选方法和不同分类器在矿区土地利用分类中的差异。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 方法流程

Fig.3 Flowchart of the method

2.1 构建特征集合

构建的多源特征集合包含光谱、纹理、缨帽、极化、地形和经济6个部分。由Sentinel-2数据计算得到了光谱、纹理和缨帽特征。其中光谱特征共17种,包括来自Sentinel-2的地面分辨率10 m的B2,B3,B4和B8波段,分辨率为20 m的B5,B6,B7,B8A,B11和B12波段,以及计算的归一化植被指数(normalized difference vegetation index,NDVI)、增强植被指数(enhanced vegetation index,EVI)^[18]、归一化差值水体指数(normalized difference water index,NDWI)^[19]、陆地地表水指数(land surface water index,LSWI)^[20]、归一化差值建筑指数(normalized difference built-up index,NDBI) ^[21]、比值居民地指数(ratio residential index,RRI)^[22]和归一化岩石指数(normalized difference rock index,NDRI)^[23],各种指数的表达式分别为:

(1)NDVI=

\frac{ρ_{N I R} - ρ_{r e d}}{ρ_{N I R} + ρ_{r e d}}

(2)EVI=

\frac{2.5 (ρ_{N I R} - ρ_{r e d})}{ρ_{N I R} + 6 ρ_{r e d} - 7.5 ρ_{b l u e} + 1}

(3)NDWI=

\frac{ρ_{g r e e n} - ρ_{N I R}}{ρ_{g r e e n} + ρ_{N I R}}

(4)LSWI=

\frac{ρ_{N I R} - ρ_{s w i r 1}}{ρ_{N I R} + ρ_{s w i r 1}}

(5)NDBI=

\frac{ρ_{s w i r 1} - ρ_{N I R}}{ρ_{s w i r 1} + ρ_{N I R}}

(6)RRI=

\frac{ρ_{b l u e}}{ρ_{N I R}}

(7)NDRI=

\frac{ρ_{s w i r 2} - ρ_{N I R}}{ρ_{s w i r 2} + ρ_{N I R}}

式中: ρ_red,ρ_green,ρ_blue,ρ_NIR,ρ_swir1和ρ_swir2分别为Sentinel-2 MSI传感器的红色、绿色、蓝色、近红外、短波红外1和短波红外2波段的表面反射率。

东胜区包含大面积的山区,以及恢复为沙棘等作物的修复治理区,虽然都为植被覆盖的区域,但具有不同的纹理特征。研究基于GEE平台计算灰度共生矩阵,并选取最常用且具有代表性的角二阶矩(Asm)、熵(Ent)、对比度(Contrast)、逆差矩(Idm)和相关性(Corr)来体现各种地物的纹理特性,得到纹理特征共5种。缨帽变换可以消除多光谱图像的相对光谱响应相关性,研究基于缨帽变换得到主要特征分量亮度指数(Brightness)、绿度指数(Greenness)和湿度指数(Wetness)共3种。由Sentinel-1数据极化处理之后得到VV和VH极化,构成极化特征共2种。此时得到的光谱、纹理、缨帽和极化特征合计27种,根据2022年的时序数据计算了4个季节的相应特征,合计108维。

研究区海拔较高,地形差异大,加入地形数据可以有效提高土地利用分类的精度,研究利用NASA DEM数据的高程信息,计算了高程(Elevation)、坡度(Slope)和坡向(Aspect)3种地形特征变量参与分类。作为鄂尔多斯的市区,研究区还拥有大范围的建筑用地,且由于矿区开采的需要,矿坑周围也存在着许多建筑,研究使用珞珈一号的NTL构成经济特征,提高对建筑用地的分类精度。至此6类特征合计112维,所包含的特征如表2所示。

表2 特征来源、类别和分辨率

Tab.2 Source, category and resolution of features

编码	数据源	类别	特征	分辨率/m
1-17	Sentinel-2	光谱	blue; green; red; NIR; red edge 1-4; SWIR1-2; NDVI; EVI; NDWI; LSWI; NDBI; RRI; NDRI	10/20
18-20	Sentinel-2	缨帽	Brightness; Greenness; Wetness	10
21-25	Sentinel-2	纹理	Asm; Ent; Contrast; Idm; Corr	10
26-27	Sentinel-1	极化	VV; VH;	10
28-30	NASA DEM	地形	Elevation; Slope; Aspect	30
31	珞珈一号	经济	NTL	130

新窗口打开| 下载CSV

2.2 特征选择

过高维度的数据量带来的信息冗余会导致分类精度的降低,故需要进行特征优选处理。特征选择的方法按照评价标准可以分为过滤式、封装式和嵌入式3种,其中Relief-F是过滤式的算法之一,在土地利用分类应用背景下的特征优选研究中表现突出^[24]。Relief-F是Relief算法的拓展,算法中权重高的特征能使不同类别的样本更加分散,同类的样本更加靠近^[25],定义权重的表达式为:

(8)W'(A)=W(A)-

\overset{k}{\sum_{j = 1}} \frac{d i f f (A, X, H_{j})}{m k}

\frac{\sum_{C \neq c l a s s (X)} (\frac{p (C)}{1 - p (c l a s s (X)}) \overset{k}{\sum_{j = 1}} d i f f (A, X, M_{j} (C))}{m k}

式中: W(A)为迭代的特征A的权重; W'(A)为迭代后的特征A的权重; H_j为样本X的同类别第j个最近邻样本; m为样本个数; k为最近邻样本个数; diff(A,X₁,X₂)为样本X₁和样本X₂在特征A上的差; M_j(C)为类别C中第j个最近邻样本; p(C)为该类别的比例; class(X)为样本X的类别; $\sum_{C \neq c l a s s (X)}$ ()为除了样本X的类别以外所有类别C的求和。

RF是一种嵌入式的算法,可以看作由许多的决策树构成。算法的原理是: 首先对于构成RF的每一个决策树选择相应的数据来计算误差,记为err_OOB1; 其次,对数据中所有样本引入随机噪声干扰,再次计算误差,记为err_OOB2。当引入随机噪声后,数据误差err_OOB2上升,表明该特征对样本的预测结果有很大影响,进而被认为具有较高的重要性,其计算公式为:

(9)

W_{x_{i}}

\frac{1}{k} \overset{n}{\sum_{i = 1}}

MSE_OOB,

式中: MSE_OOB为err_OOB2与err_OOB1的差; k为树的数量。

特征选择是为了减少冗余特征,降低模型学习任务的难度,减小过拟合的风险。Relief-F方法独立于分类学习算法,它不依赖某种分类器,仅利用特征本身内在特性给出评价。而RF将特征选择嵌入到模型的构建过程中,不仅具有封装式与机器学习算法相结合的优点,也具有过滤式计算效率高的优点。2种方法的原理不同,本研究为了减少单一特征选择算法的局限性和偏差,避免因为算法的不适应性或参数的不合理而导致特征选择错误,将Relief-F与RF算法相结合,组合2种特征选择算法筛选高重要性特征,作为本研究特征选择的结果。

2.3 ResNet50模型

近年来,深度学习技术被广泛应用到挖掘高维度遥感数据的信息^[26]。网络深度一定程度上决定了卷积神经网络图像分类的性能,但随着卷积层数的提升会产生梯度消失和网络退化的问题,为此He等^[27]提出了ResNet,通过引入大量的残差模块,解决训练过程中的梯度弥散问题,增强了模型的特征学习能力。ResNet50在模型精度和计算效率间实现了良好平衡^[28-29],且已经在许多土地利用分类场景中得到了应用^[29-30],因此本研究选取ResNet50作为矿区土地利用的分类器。

本文构建的ResNet50网络结构图如图4所示,共包含16个Bottleneck,每个Bottleneck由3个卷积层组成,总计49个卷积层和1个全连接层。有2种基本的Bottleneck,第一种是Conv Block,输入输出的维度不一样,不能连续串联; 第二种是Identity Block,输入输出的维度相同,可以连续串联。对于模型的输入x来说,直接学习拟合得到输出结果H(x)难度较大,因此通过在Bottleneck中跳跃传递x,将要拟合的H(x)变为残差函数F(x)=H(x)-x,进而处理因网络层数过多而导致的梯度消失和性能退化等棘手的难题。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 ResNet50网络结构

Fig.4 ResNet50 network architecture

2.4 精度评定与后处理

研究选取OA和Kappa系数作为评价指标,OA为被正确分类的像元占总像元数的比例,直观的反映分类精度。Kappa系数反映了分类结果与真实情况的一致程度,同时考虑了分类过程中各个样本不平衡,体现了随机分类的影响。采用这2个指标对ResNet50的分类结果进行精度评定,并与RF,SVM,ANN,KNN和贝叶斯机器学习模型的分类结果对比,验证模型的有效性。

3 结果分析

3.1 矿区土地利用分类结果

本文方法和对比方法的精度如表3所示。研究表明,ResNet50模型对研究区域进行土地利用分类具有明显优势,对比RF,OA提升了1.36%,Kappa系数提升0.015 7。此外,为了进一步研究不同算法在分类效果的差异,对比了6种方法的分类结果如图5所示。基于ResNet50的卷积神经网络对比精度较高的RF与KNN,有效减弱了斑点噪声的影响,分类效果更佳,说明ResNet50相较于传统机器学习在土地利用分类上的优势; 对比精度较低的ANN,SVM等,能够有效区分林草地与修复治理区,结果更适合评价矿区的土地修复情况。研究表明,基于ResNet50卷积神经网络模型能够更好地识别矿区地物的差别,深入学习分析多维特征,适合用于矿区土地利用分类。

表3 ResNet50的有效性

Tab.3 Effectiveness of ResNet50

指标	OA/%	Kappa系数
ResNet50	95.36	0.942 1
RF	94.08	0.926 4
ANN	86.64	0.833 6
KNN	92.92	0.912 2
SVM	91.52	0.894 8
贝叶斯	77.35	0.721 9

新窗口打开| 下载CSV

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 ResNet50与其他方法的分类结果

Fig.5 Classification results of ResNet50 and other methods

3.2 特征优选结果分析

基于RF与Relief-F 2种方法的特征重要性情况如图6所示。2种方法都体现了明显的季节特性,在光谱、缨帽等特征中,同一类特征中秋季和夏季所获取的特征具有明显优势,重要性普遍高于春季和冬季的特征,推测是由于夏季和秋季植被覆盖度高,地物的类型更加丰富,更有利于模型学习地物类别。在6类特征中,纹理特征在2种方法下都表现为较低的重要性,相对于其他特征在矿区用地分类中发挥的作用更小。更为明显的,Elevation与秋季的NDVI,EVI,NDWI和RRI特征都表现为远高于其他指数的重要性,是不可缺少的重要特征。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 2种方法特征重要性

Fig.6 Feature importance of two methods

整体趋势上2种特征选择方法体现了许多相同的特性,但中等重要性的特征2种方法有许多差异。本研究综合2种方法的结果,选取2种方法重要性前76种,联合形成了包含90种特征的特征优选结果,具体如表4所示。联合2种方法的综合特征优选土地分类结果与采用相同特征数量下单独应用某一种方法的精度结果对比如表5所示,综合特征优选具有优势,对比利用Relief-F,OA提升0.26%,对比利用RF,OA提升0.39%。与未优选的原始特征相比,OA提升了1.16%,Kappa系数提高0.014 5。

表4 特征优选结果

Tab.4 Feature selection results

类型	优选特征
经济	NTL
地形	Elevation,Slope
纹理	春季: Contrast; 秋季: Contrast; 冬季: Contrast
缨帽	春季: Brightness,Greenness,Wetness
	夏季: Brightness,Greenness,Wetness
	秋季: Brightness,Greenness,Wetness
	冬季: Brightness,Greenness,Wetness
极化	春季: VV,VH; 夏季: VV,VH
极化	秋季: VV,VH; 冬季: VV,VH
光谱	春季: B2,B3,B4,B8,B5,B6,B7,B8A,B11,B12,NDVI,EVI,NDBI,NDWI,LSWI,NDRI,RRI
	夏季: B2,B3,B4,B8,B5,B6,B7,B8A,B11,B12,NDVI,NDBI,NDWI,LSWI,NDRI,RRI
	秋季: B2,B3,B4,B8,B5,B6,B7,B8A,B11,B12,NDVI,EVI,NDBI,NDWI,LSWI,NDRI,RRI
	冬季: B4,B8,B5,B6,B7,B8A,B11,B12,NDVI,NDBI,NDWI,LSWI,NDRI,RRI

新窗口打开| 下载CSV

表5 综合特征优选的有效性

Tab.5 Effectiveness of comprehensive feature selection

特征	OA/%	Kappa系数
所有特征	94.20	0.927 6
RF	94.97	0.937 1
Relief-F	95.10	0.939 0
综合优选	95.36	0.942 1

新窗口打开| 下载CSV

特征优选的有效性如图7所示,该特征优选方法不仅对ResNet50模型有效,对于RF,SVM,KNN和ANN,经过特征优选以后分类的精度均有提升,说明了特征优选对于本研究模式下的矿区用地分类的重要性。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 特征优选对不同模型的效果

Fig.7 Effect of feature selection on different models

4 讨论与结论

1)ResNet50卷积神经网络模型对实验区域分类的OA为95.36%,Kappa系数为0.942 1,分类精度均高于对比方法,分类结果较为准确,且减弱了斑点噪声的影响,适合用于矿区土地利用分类。

2)综合特征优选方法对比未优选的原始特征,分类OA提高1.16%, Kappa系数提高0.014 5,能够对原始特征进行有效筛选。

3)综合特征优选方法,不仅对于本研究的ResNet50有效,对RF,ANN,KNN,SVM这 4种常见的分类器应用综合特征优选都可以有效提高分类精度。

基于ResNet50的卷积神经网络可以实现矿区土地利用的高精度分类,但由于原始ResNet50使用了7×7的卷积核,训练过程中产生的参数量过多,一定程度上降低了模型的训练效率。验证本文方法在其他地区上的适用性,改进优化ResNet网络结构将是下一步的研究内容。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Qian

T N

, Bagan

, Kinoshita

et al.

Spatial-temporal analyses of surface coal mining dominated land degradation in Holingol,Inner Mongolia

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(5):1675-1687.