史路路，鄭柯，唐娉，趙理君

(1.中國科學(xué)院遙感與數(shù)字地球研究所，北京 100101；2.中國科學(xué)院大學(xué)，北京 100049)

0 引言

遙感影像數(shù)據(jù)在全球資源變化監(jiān)測和土地覆蓋分類問題過程中發(fā)揮著積極作用，如何進一步提高遙感影像土地覆蓋分類精度具有十分重要的意義。傳統(tǒng)的基于像元的遙感影像監(jiān)督分類算法主要根據(jù)地物光譜[1-5]對圖像進行分類。但由于同譜異物現(xiàn)象和大量混合像元的存在，基于像元光譜特征的分類方法往往不能達到滿意的分類效果。另外研究人員還提出了基于紋理鄰域信息的方法來彌補僅依靠光譜特征進行分類的不足，黃昕等提出了像元形狀指數(shù)[6](PSI)，鄭淑丹等提出使用基于分形和灰度共生矩陣紋理特征[7]的分類方法。這些傳統(tǒng)分類方法雖然能夠很好地避免分類量大、時間長、精度受人為因素影響等缺點，但受到所設(shè)計特征語義表達能力的限制，分類精度仍無法令人十分滿意。

近年來，基于特征自學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks)在圖像分類識別問題上取得了大量成功應(yīng)用[8-13]。在2012年的ILSVRC(imagenet large scale visual recognition challenge)比賽上，Alex等[14]用AlexNet模型實現(xiàn)了top-5錯誤率為15.3% 的好成績。許多經(jīng)典的網(wǎng)絡(luò)模型結(jié)構(gòu)隨之涌現(xiàn)出來，如GoogLeNet[15]、ResNet[16]等。深度學(xué)習(xí)在遙感影像分類方面的應(yīng)用主要集中在基于圖片粒度的場景分類識別方面；Hu F[17]等通過從多個提前訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型中提取特征并送入到簡單的分類器中進行分類，在UC-Merced和WHU-RS數(shù)據(jù)集上的分類精度都達到了96.8% 以上。然而卷積神經(jīng)網(wǎng)絡(luò)在土地覆蓋分類中鮮有報道，主要原因在于UC-Merced等遙感場景圖像與ILSVRC分類圖像在圖像尺寸上具有相似性，模型的遷移較為簡單，但在土地覆蓋分類中訓(xùn)練樣本通常采集以樣本點為中心的鄰域參與訓(xùn)練，具有樣本數(shù)量少、樣本尺寸小、樣本類別少的特點，這些經(jīng)典的網(wǎng)絡(luò)模型在解決遙感圖像土地覆蓋分類問題中存在樣本形式與網(wǎng)絡(luò)輸入輸出要求不匹配等問題，導(dǎo)致模型無法直接應(yīng)用，因此必須重新設(shè)計適用于土地覆蓋分類小樣本尺寸特點的模型。L?ngkvist等[18]對比了多個自設(shè)計卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于高分辨率多光譜正射影像并結(jié)合DSM模型數(shù)據(jù)在城市地物類別像素分類實現(xiàn)了94.49% 的最好分類精度，但其在中低分辨率影像中的分類效果還有待驗證。張偉等[19]在GF-1號16 m分辨率影像上使用AlexNet模型作為特征提取器，使用提取的特征輸入SVM分類器使土地覆蓋分類實現(xiàn)了97.8%的分類精度，但是并沒有解決AlexNet模型輸入層尺寸過大和土地覆蓋分類基于鄰域窗口樣本尺寸過小的問題。另外，卷積神經(jīng)網(wǎng)絡(luò)本身是一個具有強大的特征學(xué)習(xí)能力的分類器，是可以直接將學(xué)到的特征通過SoftMax層實現(xiàn)分類結(jié)果輸出。

針對上述問題，本研究基于卷積神經(jīng)網(wǎng)絡(luò)強大的特征學(xué)習(xí)能力和特征表示能力以及土地覆蓋分類區(qū)別于ILSVRC圖像分類的特點，使用Caffe深度學(xué)習(xí)框架，在參考了AlexNet等ILSVRC成功模型網(wǎng)絡(luò)結(jié)構(gòu)特點的基礎(chǔ)上，設(shè)計了一個具有3個卷積層、2個全連接層和1個SoftMax層的卷積神經(jīng)網(wǎng)絡(luò)(land-cover convolutional neural network，LCNet)，實驗使用陸地衛(wèi)星中分辨率影像和快鳥高分辨率影像作為實驗數(shù)據(jù)，對比了不同樣本尺寸大小與不同分辨率影像對模型分類結(jié)果的影響，并與傳統(tǒng)的基于光譜特征和光譜加紋理特征的方法進行了對比分析，表現(xiàn)出了更強的土地覆蓋分類能力。

1 模型介紹

1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

AlexNet網(wǎng)絡(luò)模型是ILSVRC比賽中第一個真正的深度卷積神經(jīng)網(wǎng)絡(luò)，在圖像識別分類領(lǐng)域引起了巨大轟動。該模型以227像素×227像素圖像作為輸入，經(jīng)過卷積層(conv)，Relu激勵操作，池化層(pool)，規(guī)范化(norm)運算，dropout防止過擬合策略操作，經(jīng)過2個全連接層，最后送入1個SoftMax層進行結(jié)果分類。圖1是AlexNet模型結(jié)構(gòu)示意圖，它是由5個卷積層和2個全連接層構(gòu)成的7層深度卷積神經(jīng)網(wǎng)絡(luò)。

圖1 AlexNet模型結(jié)構(gòu)圖

1)卷積層(conv)。在卷積層，上一層的特征圖(feature map)被一個可學(xué)習(xí)的卷積核進行卷積，然后通過一個激活函數(shù)(activation function)，就可以得到輸出特征圖，每個輸出特征圖可以組合卷積多個特征圖的值：

(1)

(2)

2)修正線性單元ReLU (rectified linear unit)。在神經(jīng)網(wǎng)絡(luò)中需要引入一些非線性的因素，來更好地解決復(fù)雜的問題。激活函數(shù)恰好能夠幫助引入非線性因素，使得神經(jīng)網(wǎng)絡(luò)能夠更好地解決較為復(fù)雜的問題。修正線性單元恰是后期改進的激活函數(shù)。

f(x)=max(0,z)

(3)

式中：z為上一層的卷積操作計算結(jié)果，通過修正線性單元激活函數(shù)進行非線性映射，相比傳統(tǒng)sigmoid激活函數(shù)，ReLu激勵函數(shù)克服了sigmoid激勵函數(shù)的梯度飽和問題，在反向傳播計算過程中，緩解了梯度彌散的問題，并且ReLu計算速度快，加快了模型收斂的速度。

3)下采樣層(pool)。下采樣層將每個輸入特征圖通過下面公式操作進一步減少模型參數(shù)進而輸出下采樣過后的特征圖：

(4)

(5)

4)規(guī)范化(norm)。AlexNet模型采用的規(guī)范化操作被稱作局部響應(yīng)歸一化操作，本質(zhì)上是一個平滑操作，即

(6)

5)Dropout策略。Dropout策略是指在模型訓(xùn)練時以一定概率讓網(wǎng)絡(luò)某些隱含層節(jié)點的權(quán)重不工作，由于每次用輸入網(wǎng)絡(luò)的樣本進行權(quán)值更新時，隱含節(jié)點都是以一定概率隨機出現(xiàn)，這樣權(quán)值的更新不再依賴于有固定關(guān)系隱含節(jié)點的共同作用，這樣求得的參數(shù)能夠適應(yīng)不同情況下的網(wǎng)絡(luò)結(jié)構(gòu)，進而有效阻止了過擬合，提高了模型泛化能力。

6)SoftMax分類器。SoftMax函數(shù)經(jīng)常用在神經(jīng)網(wǎng)絡(luò)的輸出層，SoftMax解決的是多類分類問題，將神經(jīng)元的輸出變成概率的形式，由輸出概率大小決定其分類類別，SoftMax的公式如下：

(7)

(8)

式中：K為最后一層神經(jīng)元數(shù)，也就是最后的分類類別數(shù)；zj是第i個類別的預(yù)測結(jié)果。帶入SoftMax的結(jié)果其實就是先對每一個zj取指數(shù)變成非負，然后除以所有項之和進行歸一化，現(xiàn)在每個σi就可以解釋成輸入數(shù)據(jù)屬于類別i的概率。

1.2 LCNet模型結(jié)構(gòu)

由圖1可知AlexNet模型有5個卷積層，2個全連接層。AlexNet模型標準輸入圖像大小為227像素×227像素大小，AlexNet模型將輸入圖像經(jīng)過第一和第二卷積層的卷積池化操作使得圖像大小由227像素×227減小到了13像素×13像素大小，第三和第四卷積層主要做了卷積操作和特征圖層層數(shù)的增加，并經(jīng)過第五個卷積層的池化操作使得圖像大小減小到6像素×6像素大小，最后送入到2個全連接層和一個SoftMax層進行分類。土地覆蓋分類相比于ILSVRC大規(guī)模圖像庫1 000類的分類任務(wù)，土地覆蓋分類具有樣本少，分類類別數(shù)少的特點，并且土地覆蓋分類訓(xùn)練樣本通常采集以樣本點為中心的鄰域參與模型訓(xùn)練，鄰域大小遠遠小于224×224的模型輸入。AlexNet等在解決遙感影像像素級土地覆蓋分類問題中存在樣本形式與網(wǎng)絡(luò)輸入輸出要求不匹配等問題，模型輸入設(shè)計太小無法構(gòu)建具有一定深度的網(wǎng)絡(luò)結(jié)構(gòu)，樣本尺寸選擇過大會淹沒中心樣本點的信息。為此，本研究結(jié)合土地覆蓋分類特點和AlexNet等模型特點設(shè)計了一個具有3個卷積層、2個全連接層和一個SoftMax層的卷積神經(jīng)網(wǎng)絡(luò)模型LCNet。LCNet有效緩解了訓(xùn)練樣本尺寸太小和模型設(shè)計輸入尺寸太大之間的矛盾。LCNet模型輸入大小為27×27，經(jīng)過第一層的卷積池化操作使得圖像大小減小到13×13，第二層做卷積和特征圖層的提取，經(jīng)過第三層的卷積池化操作得到6像素×6像素大小圖像，最后送入2個全連接層和一個SoftMax層進行分類，具體模型結(jié)構(gòu)如圖2所示。模型訓(xùn)練時我們需要將采集不同尺寸的樣本數(shù)據(jù)上采樣到標準大小(27×27)作為模型的標準輸入，采樣方法使用最鄰近采樣法以盡可能保持遙感影像的光譜信息。模型分類階段針對待分類數(shù)據(jù)的每一個像素采集一定尺寸鄰域信息并和訓(xùn)練樣本做一樣的上采樣操作作為訓(xùn)練好模型的輸入判斷每一個像素的歸屬類別，本研究模型LCNet的設(shè)計和模型的訓(xùn)練均在Caffe深度學(xué)習(xí)框架上完成。

圖2 土地覆蓋分類模型結(jié)構(gòu)圖

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)概況

研究區(qū)域一實驗數(shù)據(jù)所選區(qū)域位于美國科羅拉多州的一幅陸地衛(wèi)星5數(shù)據(jù)，具體陸地衛(wèi)星5相機指標數(shù)據(jù)如表1所示。由于LCNet模型的輸入圖像為3波段圖像數(shù)據(jù)，本研究首先對原始影像數(shù)據(jù)進行PCA(principal component analysis)變換來提取前3個主要成分作為模型實驗數(shù)據(jù)，圖3是543波段假彩色合成影像，實驗區(qū)圖像大小為400像素×360像素大小，根據(jù)人工目視解譯和以往研究資料數(shù)據(jù)將影像中的地物類別分為林地、草地、耕地、沙地、裸地、山體地陰影6類。

表1 陸地衛(wèi)星5多光譜相機技術(shù)指標

研究區(qū)域二實驗數(shù)據(jù)所選區(qū)域位于北京市昌平區(qū)的一幅快鳥數(shù)據(jù)，影成像時間為2016年10月25日，具體快鳥相機指標數(shù)據(jù)如表2所示。本研究使用321波段作為實驗數(shù)據(jù)，圖4是321波段真彩色合成影像，實驗區(qū)圖像大小為450像素×350像素大小，根據(jù)人工目視解譯和實地考察將影像中的地物類別分為林地、草地、池塘、河流、道路、黑色居民樓、紅色居民樓、高亮地物等8類。

圖3 研究區(qū)域一示意圖

波段范圍/μm空間分辨率/m幅寬/km重訪時間/d0.45～0.522.440.52～0.662.4416.51～60.63～0.692.440.76～0.902.44

圖4 研究區(qū)域二示意圖

2.2 研究區(qū)一模型訓(xùn)練數(shù)據(jù)

根據(jù)目視解譯和以往研究資料從圖像中手工選取了林地，草地，耕地，沙地，裸地，山體地陰影等6類地物樣本，具體樣本數(shù)據(jù)的采集是以樣本點為中心采集樣本尺寸大小分為3×3、5×5、7×7、9×9等尺寸大小的樣本作為模型訓(xùn)練數(shù)據(jù)，具體每一類的類別數(shù)量如表3所示。在模型分類結(jié)果評價中以同樣方法分別采集各尺寸樣本1 193個樣本用于分類結(jié)果精度評價，其中林地214個、裸地190個、耕地206個、草地186個、山體陰影195個、沙地202個，使用驗證樣本對不同尺寸訓(xùn)練樣本得到的模型的分類結(jié)果通過計算混淆矩陣求取總體分類精度和Kappa系數(shù)進行精度評價對比分析。

表3 研究區(qū)一6類訓(xùn)練樣本采集數(shù)量

2.3 研究區(qū)二模型訓(xùn)練數(shù)據(jù)

由于研究區(qū)域二為視覺空間特征更好的高分辨率數(shù)據(jù)，本研究采集5×5、7×7、9×9等3類尺寸大小的樣本作為模型訓(xùn)練數(shù)據(jù)，具體每一類的類別數(shù)量如表4所示。在模型分類結(jié)果評價中以同樣方法分別采集各尺寸樣本2 012個樣本用于分類結(jié)果精度評價，其中林地244個、草地231個、池塘226個、河流257個、道路227個、黑色建筑物282個，紅色建筑物279個，高亮地物266個，使用驗證樣本對不同尺寸訓(xùn)練樣本得到模型的分類結(jié)果通過計算混淆矩陣求取總體分類精度和Kappa系數(shù)進行精度評價對比分析。

表4 研究區(qū)二8類訓(xùn)練樣本采集數(shù)量

3 模型訓(xùn)練與結(jié)果分析

3.1 模型訓(xùn)練

LCNet模型相比AlexNet模型由于層數(shù)和輸入圖像大小的變化使得模型參數(shù)大大減少，從而模型有了更快的訓(xùn)練速度。由于模型訓(xùn)練樣本數(shù)據(jù)數(shù)量少，本研究在訓(xùn)練模型時相比AlexNet模型降低了學(xué)習(xí)率以使LCNet模型訓(xùn)練能夠穩(wěn)定收斂。陸地衛(wèi)星數(shù)據(jù)和快鳥數(shù)據(jù)都在訓(xùn)練1 000次左右時迅速達到了近90%的精度，從圖6可以看出快鳥數(shù)據(jù)相比陸地衛(wèi)星數(shù)據(jù)訓(xùn)練過程更為穩(wěn)定。陸地衛(wèi)星數(shù)據(jù)最終5像素×5像素大小的模型輸入訓(xùn)練精度達到了97.76%的最好訓(xùn)練精度，快鳥數(shù)據(jù)最終7像素×7像素大小的模型輸入訓(xùn)練精度達到了98.13%的最好訓(xùn)練精度。LCNet模型陸地衛(wèi)星影像訓(xùn)練過程如圖5所示，快鳥影像訓(xùn)練過程如圖6所示。

3.2 不同尺寸樣本對分類結(jié)果影響分析

將陸地衛(wèi)星實驗區(qū)域的每個像素按照3×3、5×5、7×7、9×9鄰域大小進行采集分別輸入各自樣本大小訓(xùn)練好的模型當(dāng)中進行逐像素類別判斷，并對各自尺寸分類結(jié)果進行精度評價?？禅B數(shù)據(jù)實驗區(qū)按照5×5、7×7、9×9鄰域大小進行采集進行逐像素類別判斷。陸地衛(wèi)星影像分類結(jié)果精度對比如圖7和圖8所示，分類結(jié)果如圖9所示，快鳥影像分類結(jié)果如圖10所示。

從圖9分類結(jié)果精度對比圖可以看出隨著窗口尺寸的增大陸地衛(wèi)星影像的分類精度有所提高，分類精度在5×5時總體分類精度最高，隨著尺寸的增加結(jié)果影像的分類精度有所下降。從分類結(jié)果圖中可以看出圖像在3×3時鄰域信息較少，卷積神經(jīng)網(wǎng)絡(luò)不能很好綜合鄰域信息提取有效表達地物的特征，在最終圖像分類效果相對較差；但是隨著鄰域信息的增加，包含過多的冗余信息反而對結(jié)果造成影響，從9×9分類結(jié)果圖中可以看出圖像有較強的濾波效應(yīng)，圖像分類類別表現(xiàn)為圖像細節(jié)信息減少，類別邊緣平滑。圖像在5×5鄰域尺寸樣本細節(jié)信息相對9×9鄰域尺寸樣本表現(xiàn)較好；在快鳥影像分類結(jié)果中7×7樣本數(shù)據(jù)分類精度最高，在9×9分類結(jié)果圖中可以看出圖像有一定的濾波效應(yīng)。快鳥高分辨率影像相比陸地衛(wèi)星中分辨率影像視覺空間特征更好，濾波效應(yīng)減小，分類細節(jié)信息保存更好；不同尺寸對分類結(jié)果影響差距不大，模型在高分辨影像上對樣本尺寸選擇更為魯棒。

圖5 陸地衛(wèi)星影像不同尺寸樣本模型訓(xùn)練過程

圖6 快鳥影像不同尺寸樣本模型訓(xùn)練過程

圖7 陸地衛(wèi)星不同尺寸樣本模型總體分類精度

圖8 快鳥不同尺寸樣本模型總體分類精度

圖9 陸地衛(wèi)星影像各尺寸大小分類結(jié)果圖

圖10 快鳥影像各尺寸大小分類結(jié)果圖

3.3 方法對比分析

通過3.2節(jié)的實驗分析知道，針對陸地衛(wèi)星影像，無論在細節(jié)保留度還是總體分類精度上，5×5大小的樣本尺寸得到的分類結(jié)果都要好于其他樣本尺寸大小，為了分析本方法模型的有效性，文章針對陸地衛(wèi)星影像將使用5×5樣本尺寸大小作為本方法的標準輸入樣本大小，使用同一組訓(xùn)練樣本與驗證樣本和采用光譜特征的SVM分類器以及采用光譜加紋理特征的SVM分類器進行分類結(jié)果對比。針對快鳥影像使用7×7樣本尺寸大小與傳統(tǒng)方法做對比。紋理特征選用基于灰度共生矩陣，加上每個波段選擇2個紋理度量均值(mean)和非相似性(dissimilarity)，從而得到一個8維的紋理特征。將紋理特征和光譜特征作為SVM分類器的輸入特征進行分類。

從圖11分類結(jié)果中可以看出，利用光譜和光譜加紋理特征的分類器進行陸地衛(wèi)星中影像分類時，有較多的細碎小圖斑，如圖11(b)中紅色方框部分，需要做影像分類后處理去除，存在較多將裸地錯分為陰影和草地的情況，加入紋理信息特征后陰影誤分情況減少，碎斑誤分類情況有所改善，采用LCNet在TM影像分類結(jié)果中碎斑明顯較少，裸地部分誤分草地情況大大改善，同類地物分類結(jié)果更為連續(xù)一致，可以省去分類后處理的環(huán)節(jié)。由于陸地衛(wèi)星中分辨率影像視覺空間特征的限制，LCNet在中分辨率土地覆蓋分類中一定程度上損害了細節(jié)信息并且對輸入像素尺寸要求更為嚴格，快鳥高分辨率視覺空間特征更好，更有利于卷積神經(jīng)網(wǎng)絡(luò)利用空間信息，緩解了陸地衛(wèi)星中分辨率影像分類中的濾波效應(yīng)。相比傳統(tǒng)方法誤分情況大大改善，傳統(tǒng)方法存在將水誤分為林地和將高亮地物誤分為草地的情況，如圖12(b)和圖12(c)中黃色和紅色方框區(qū)域，LCNet在該區(qū)域表現(xiàn)更好。

定量精度評價中，陸地衛(wèi)星影像和快鳥影像3種分類方法總體分類精度和Kappa系數(shù)如圖13和圖14所示，從表5和表6中看出加入紋理特征后可以看出相對于表7和表8單一光譜特征kappa系數(shù)都有所提升，使用深度學(xué)習(xí)特征的總體分類精度和kappa系數(shù)都要高于其他2種傳統(tǒng)分類方法。并且從表9和表10混淆矩陣中可以看出LCNet相對于傳統(tǒng)分類方法誤分類情況較輕，加入紋理特征相對SVM誤分情況有所緩解，但依然有較大誤分，尤其對于草地和林地地物光譜差異較小的地物，單純?nèi)藶榈募y理構(gòu)造特征并沒有得到地物之間區(qū)分的本質(zhì)差異，卷積神經(jīng)網(wǎng)絡(luò)本身作為一個強特征提取器，能夠自動迭代尋找不同樣本之間的差異，從而使光譜差異很小的不同地物得以很好地區(qū)分。在陸地衛(wèi)星中分辨率影像中，分類結(jié)果連續(xù)一致性好，但本方法在去除細小碎斑的同時也少了很多細節(jié)信息，如圖11(d)中黃色方框區(qū)域。這可能是Relu非線性激勵函數(shù)和最大值池化層作用的結(jié)果，非線性函數(shù)使得一些神經(jīng)元可能永遠不被激活，從而參數(shù)得不到更新，使得高亮和低亮地物出現(xiàn)類似濾波效果的擴張或者縮水現(xiàn)象，同時淹沒了一部分細節(jié)信息。由于陸地衛(wèi)星中分辨率影像視覺空間特征的限制，LCNet在中分辨率土地覆蓋分類中相對于傳統(tǒng)方法分類精度提升有限并且對輸入像素尺寸要求更為嚴格，LCNet在高分辨率影像中細節(jié)信息保存更好，對樣本尺寸選擇更為魯棒，分類精度提升更大。

圖11 陸地衛(wèi)星不同分類方法分類結(jié)果圖

圖12 快鳥不同分類方法分類結(jié)果圖

圖13 陸地衛(wèi)星不同方法分類結(jié)果總體分類精度

圖14 快鳥不同方法分類結(jié)果總體分類精度

類別裸地耕地草地陰影沙地林地裸地92.631.461.083.082.480.00耕地2.1194.170.000.510.971.47草地4.212.9195.700.001.503.93陰影0.000.970.0095.380.001.13沙地0.000.000.540.0095.050.00林地1.050.492.681.030.0093.47

表6 光譜加紋理特征的快鳥分類結(jié)果混淆矩陣

表7 光譜特征的陸地衛(wèi)星影像分類結(jié)果混淆矩陣

表8 基于光譜特征的快鳥分類結(jié)果混淆矩陣

表9 土地覆蓋分類模型的陸地衛(wèi)星影像分類結(jié)果混淆矩陣

表10 土地覆蓋分類模型的快鳥分類結(jié)果混淆矩陣

4 結(jié)束語

針對卷積神經(jīng)網(wǎng)絡(luò)在土地覆蓋分類相關(guān)研究鮮有報道，缺少相應(yīng)的探索和分析，文章結(jié)合土地覆蓋分類的特點，參考AlexNet等ILSVRC成功模型結(jié)構(gòu)設(shè)計了LCNet模型在中高分辨率影像土地覆蓋分類做了初步的實驗驗證，對比分析了不同尺寸樣本和不同分辨率影像對分類結(jié)果的影像，并與傳統(tǒng)基于光譜和基于光譜加紋理特征的分類方法進行對比得出結(jié)論：

①使用卷積神經(jīng)網(wǎng)絡(luò)對中分辨率影像進行土地覆蓋分類時總體分類精度隨樣本尺寸先增加后減少，大的樣本尺寸對分類結(jié)果有較強的濾波效應(yīng)，同時說明卷積神經(jīng)網(wǎng)絡(luò)具有強大的特征學(xué)習(xí)能力，能在小尺寸上學(xué)得地物光譜差異，因此應(yīng)為模型分類選擇合適的樣本大小。

②使用卷積神經(jīng)網(wǎng)絡(luò)對高分辨率影像進行土地覆蓋分類時總體分類精度同樣隨樣本尺寸先增加后減少；高分辨率視覺空間特征更好，更有利于卷積神經(jīng)網(wǎng)絡(luò)利用空間信息，緩解了陸地衛(wèi)星分類中的濾波效應(yīng)，分類結(jié)果細節(jié)信息保存更好；LCNet在高分辨率影像中對樣本尺寸的選擇更為魯棒，相對中分辨率影像分類精度提升更大。

③本方法中卷積神經(jīng)網(wǎng)絡(luò)中使用了Relu非線性激勵函數(shù)以及最大值池化等操作在中分辨率影像中導(dǎo)致地物邊緣有擴張和縮小現(xiàn)象較為嚴重，這是導(dǎo)致細節(jié)信息減少的一個重要方面，為后續(xù)如何選擇激勵函數(shù)提出參考。

當(dāng)然，本方法還存在一些不足。比如，模型參數(shù)設(shè)置是否合理，模型結(jié)構(gòu)對于不同影像分辨率影像的影響，激勵函數(shù)選擇等。另一方面還需要更多參考借鑒近年來卷積神經(jīng)網(wǎng)絡(luò)發(fā)展的新模型新技術(shù)，進一步改進模型，探究更適用于土地覆蓋分類的模型結(jié)構(gòu)，為提高遙感影像土地覆蓋分類精度提供新的技術(shù)途徑。