劉宇承，羅芳，杜清運(yùn)，黃文麗，石儀瑋

1. 自然資源部城市國(guó)土資源監(jiān)測(cè)與仿真重點(diǎn)實(shí)驗(yàn)室，深圳 518034；

2. 深圳市規(guī)劃和自然資源調(diào)查測(cè)繪中心，深圳 518034；

3. 武漢大學(xué) 資源與環(huán)境科學(xué)學(xué)院，武漢 430079

1 引 言

明確土地利用類型是城市進(jìn)行土地生產(chǎn)利用與規(guī)劃管理的前提，有利于城市進(jìn)行合理的土地配置，維護(hù)生態(tài)環(huán)境與自然資源，促進(jìn)經(jīng)濟(jì)發(fā)展，保障人民健康生活（張?jiān)鱿榈龋?016）。遙感技術(shù)是獲取空間地理信息的重要方式，海量的高分辨率和多時(shí)相遙感數(shù)據(jù)，為土地利用監(jiān)管提供了充足的信息來源。

遙感影像解譯是遙感應(yīng)用的基礎(chǔ)任務(wù)。早期解譯主要依靠人工目視和基于統(tǒng)計(jì)聚類思想的計(jì)算機(jī)輔助分類；其后，發(fā)展出了基于超平面分割思想的支持向量機(jī)（support vector machine，SVM）、基于樹狀結(jié)構(gòu)的決策樹、基于集成多分類器思想的隨機(jī)森林（random forest，RF），以及從高分辨率獲取更多幾何與紋理特征的面向?qū)ο蠓诸惙椒ǎ荒壳?，主流的遙感影像解譯方法以深度學(xué)習(xí)模型為代表（張繼賢等，2021）?？傮w而言，解譯單元經(jīng)歷了像素、對(duì)象和場(chǎng)景等語義單元的發(fā)展階段，解譯方法從人工和簡(jiǎn)單分類器逐漸發(fā)展成基于集成學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)的方法（周培誠(chéng)等，2021）。

圍繞土地覆蓋/土地利用分類方法，學(xué)者們展開了許多研究。季順平等（2020）利用全空洞卷積神經(jīng)網(wǎng)絡(luò)，基于高分辨率影像對(duì)武漢市進(jìn)行了城市土地覆蓋類型分類。王協(xié)等（2020）設(shè)計(jì)了多尺度特征學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并與全卷積神經(jīng)網(wǎng)絡(luò)（fully convolutional network，F(xiàn)CN）和支持向量機(jī)的分類結(jié)果進(jìn)行了比較。王俊強(qiáng)等（2021）結(jié)合改進(jìn)的金字塔場(chǎng)景解析網(wǎng)絡(luò)和全連接條件隨機(jī)場(chǎng)提升了遙感影像分割精度。任向宇等（2021）研究了多端元混合像素分解與面向?qū)ο蠓诸惤Y(jié)合的分類方法。許澤宇等（2022）、邵振峰等（2022）分別對(duì)DeepLab模型和U-Net 模型兩種主流語義分割進(jìn)行了智能優(yōu)化改進(jìn)。徐進(jìn)勇等（2022）提出了對(duì)中國(guó)土地資源多尺度遙感智能解譯分類體系。

在區(qū)域?qū)嶋H生產(chǎn)中，還需考慮不同方法精度、效率與可操作性。當(dāng)前將第三次全國(guó)國(guó)土調(diào)查（簡(jiǎn)稱國(guó)土“三調(diào)”）成果和0.2 m 超高分辨率影像用于解譯土地利用類型的研究還較少。本文結(jié)合這兩類數(shù)據(jù)，參考土地利用分類國(guó)家標(biāo)準(zhǔn)，構(gòu)建面向深圳市土地分類樣本庫；實(shí)驗(yàn)比較了傳統(tǒng)機(jī)器學(xué)習(xí)模型和深度學(xué)習(xí)模型中分類效果最好的模型、比較了在數(shù)據(jù)量較少或充足的不同情況下適用的分類方法，以及分類單位為像素或?qū)ο髸r(shí)分類結(jié)果的差異；最終得出在深圳市寶安區(qū)大范圍實(shí)際生產(chǎn)場(chǎng)景中，應(yīng)用效果較好的土地利用智能分類方法。

2 研究區(qū)域與數(shù)據(jù)源

2.1 研究區(qū)概況

廣東省深圳市是沿海城市，經(jīng)濟(jì)發(fā)展迅速，城市化程度高，地處亞熱帶季風(fēng)氣候區(qū)，自然資源類型多樣，有著“花園城市”之稱。寶安區(qū)（113° 90′E，22° 57′ N），位于深圳市西北部沿海地區(qū)，土地面積397 km2，占全市的19.9%。寶安區(qū)屬低山丘陵濱海區(qū)，地貌類型多樣全年溫暖濕潤(rùn)，平均氣溫為22℃，年降水量為1926 mm。

2.2 實(shí)驗(yàn)數(shù)據(jù)

本文以2019 年深圳市寶安區(qū)超高分辨率RGB三通道光學(xué)航空遙感影像（0.2 m）、國(guó)土“三調(diào)”地理信息系統(tǒng)矢量成果為數(shù)據(jù)源。

首先結(jié)合國(guó)家標(biāo)準(zhǔn)《土地利用現(xiàn)狀分類》（GB/T 21010—2017）和《第三次全國(guó)國(guó)土調(diào)查技術(shù)規(guī)程》（TD/T 1055—2019）確定分類體系。在國(guó)土“三調(diào)”數(shù)據(jù)基礎(chǔ)上人工修正部分標(biāo)簽，構(gòu)建寶安區(qū)地表自然資源豐富區(qū)域的樣本庫。每張圖片尺寸為1024像素×1024 像素，標(biāo)簽包含林地、建設(shè)用地、水域、草地、濕地、耕地、園地及無數(shù)據(jù)的背景類8 個(gè)類別。樣本庫主要有三部分：①大容量樣本a，含訓(xùn)練樣本2499 張、驗(yàn)證樣本92 張、測(cè)試樣本894 張；②小容量樣本b，在大容量樣本a 中選取部分影像，含訓(xùn)練樣本44 張、測(cè)試樣本15 張，用于比較傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型；③人工選取樣本c，含各類別樣本數(shù)較均衡的12 張，用于測(cè)試各模型最終分類效果。樣本位置分布與示例，如圖1 所示。

圖1 樣本分布Fig.1 Overview of the data sample

3 城市土地利用分類方法

3.1 傳統(tǒng)機(jī)器學(xué)習(xí)分類

早期遙感影像解譯，以像素為最小分類單元。同類地物在不同波段中的光譜亮度、空間紋理結(jié)構(gòu)和其他相關(guān)信息，會(huì)在特征空間中構(gòu)成集群。通過選取特征和樣本，再訓(xùn)練分類器，可將像素預(yù)測(cè)為所屬的地物類別。隨著遙感技術(shù)發(fā)展，高空間分辨率遙感影像成像波段普遍較少，光譜信息減少的同時(shí)，空間細(xì)節(jié)信息大幅增多。面向?qū)ο蠓诸惙椒ㄒ杂跋穹指詈蟮膶?duì)象為最小分類單元，其提取幾何和紋理特征的能力更強(qiáng)。

3.1.1 特征選擇

傳統(tǒng)機(jī)器學(xué)習(xí)分類器對(duì)輸入特征有強(qiáng)依賴性?；谙袼胤诸悤r(shí)常用光譜特征，如各波段光譜值、歸一化植被指數(shù)（normalized difference vegetation index，NDVI）和歸一化水體指數(shù)（normalized difference water index，NDWI）等，影像紋理特征，即經(jīng)局部二值模式（local binary pattern，LBP）、Gabor 濾波等方法提取，并通過多項(xiàng)式的方式交互光譜和紋理特征；利用面向?qū)ο笏枷敕诸悤r(shí)，進(jìn)一步選擇以對(duì)象為最小分類單元的特征，如對(duì)象位置、與鄰域?qū)ο箨P(guān)系、長(zhǎng)度等形狀因子，灰度共生矩陣等紋理特征，使目標(biāo)地物分類更準(zhǔn)確。

3.1.2 分類器

1）K 近鄰

K 近鄰（k-nearest neighbour，KNN）是Cover和Hart（1967）提出的分類算法。K值選取較為重要，以樣本在特征空間中最鄰近K個(gè)樣本類別判斷該樣本類別。KNN 算法原理成熟且易于理解，模型訓(xùn)練時(shí)間快，需要調(diào)整的參數(shù)少，本文選為基線模型進(jìn)行參考。

2）支持向量機(jī)

支持向量機(jī)是Cortes 和Vapnik（1995）提出的經(jīng)典機(jī)器學(xué)習(xí)模型。其通過在特征空間中建立間隔最大的超平面進(jìn)行二分類，使用核方法進(jìn)行非線性分類，并構(gòu)建多個(gè)二分類模型來執(zhí)行多分類任務(wù)。

3）隨機(jī)森林

Breiman（2001）在決策樹算法的基礎(chǔ)上，結(jié)合Bagging 集成學(xué)習(xí)與隨機(jī)子空間方法，提出了隨機(jī)森林。決策樹依照最優(yōu)分裂特征不斷遞歸迭代，將數(shù)據(jù)集分為不同特征的部分。隨機(jī)森林模型則集成多個(gè)互不關(guān)聯(lián)決策樹，預(yù)測(cè)時(shí)每棵決策樹分別判斷，最終通過統(tǒng)計(jì)所有樹的判斷投票產(chǎn)生結(jié)果。

4）梯度提升決策樹

梯度提升決策樹（gradient boosting decision tree，GBDT）采用Boosting 集成學(xué)習(xí)方法，依據(jù)錯(cuò)誤率來取樣，通常比隨機(jī)森林有更高準(zhǔn)確度（Friedman，2001）。本文采用的GBDT 模型，集成決策樹類型回歸樹，在預(yù)測(cè)分類時(shí)，通過累加所有結(jié)果，將概率最高的類作為預(yù)測(cè)結(jié)果。

3.2 深度學(xué)習(xí)分類

在當(dāng)今大數(shù)據(jù)和高算力背景下，深度學(xué)習(xí)相較傳統(tǒng)機(jī)器學(xué)習(xí)方法，能從海量數(shù)據(jù)中學(xué)習(xí)更多特征，在遙感影像分類任務(wù)中有顯著優(yōu)勢(shì)。其應(yīng)用于遙感影像分類主要分為對(duì)切片的對(duì)象識(shí)別、基于對(duì)象的分類和端對(duì)端的語義分割（周培誠(chéng)等，2021）。

3.2.1 語義分割

語義分割是在像素級(jí)別上的分類，如全卷積神經(jīng)網(wǎng)絡(luò)將卷積神經(jīng)網(wǎng)絡(luò)中全連接層替換為卷積層，實(shí)現(xiàn)端到端像素級(jí)分類（Long 等，2015）。常用語義分割模型有U-Net（Ronneberger 等，2015）、DeepLab（Chen 等，2018a）、DeepLabV3（Chen 等，2017）和DeepLabV3+模型（Chen 等，2018b）等。

本文選取DeepLabV3+、Resnet50-unet 和U-Net三種深度學(xué)習(xí)語義分割模型進(jìn)行測(cè)試。在大容量樣本集a 上進(jìn)行測(cè)試，損失函數(shù)選擇焦點(diǎn)損失，其中，超參數(shù)γ表示難分類樣本的權(quán)重。采用總體精度（overall accuracy，OA）和語義分割常用評(píng)價(jià)指標(biāo)平均交并比（mean intersection over union，MIoU）進(jìn)行精度評(píng)價(jià)，結(jié)果如表1 所示。使用焦點(diǎn)損（γ=5）的DeepLabV3+模型在深圳市寶安區(qū)樣本庫中的分類效果最佳（總體精度0.83，平均交并比0.61），因此，本文將其作為深度學(xué)習(xí)方法的代表。

表1 深度學(xué)習(xí)語義分割模型分類結(jié)果Tab.1 Classification results of deep learning semantic segmentation model

3.2.2 DeepLabV3+模型

DeepLabV3+網(wǎng)絡(luò)結(jié)構(gòu)，如圖2 所示，其整體使用編碼器解碼器結(jié)構(gòu)。首先，通過編碼器卷積和下采樣方式，減少特征圖尺寸，獲取更多低級(jí)特征和更高級(jí)語義信息；通過解碼器融合，提取特征并上采樣恢復(fù)到輸入影像空間維度進(jìn)行預(yù)測(cè)。其次，影像輸入模型中，通過帶有空洞卷積的深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network，DCNN）分別輸出高級(jí)特征和低級(jí)特征。高級(jí)特征在空間金字塔池化后連接，經(jīng)過1×1 卷積融合后進(jìn)行4 倍上采樣，再與經(jīng)過1×1 卷積進(jìn)行降維的低級(jí)特征連接。最后，采用3×3 卷積進(jìn)一步融合特征，4 倍上采樣還原成原始空間大小進(jìn)行語義分割。

圖2 DeepLabV3+網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.2 Structure of DeepLabV3+

DeepLabV3+ 模型中， DCNN 是改進(jìn)的Xception。與DeepLabV3 的模型骨干網(wǎng)絡(luò)ResNet（He 等，2016）相比，改進(jìn)的Xception 使用了深度可分離卷積，通過逐個(gè)通道卷積和逐點(diǎn)卷積方式，減少計(jì)算量的同時(shí)提升了網(wǎng)格分割效果。

4 實(shí)驗(yàn)與分析

基于前述構(gòu)建的寶安區(qū)樣本庫，本研究設(shè)計(jì)了三組實(shí)驗(yàn)，如表2 所示：①在對(duì)大容量樣本a 隨機(jī)抽樣的情況下，KNN、SVM、RF 與GBDT 四種傳統(tǒng)機(jī)器學(xué)習(xí)模型的比較；②在小容量樣本b 下，傳統(tǒng)機(jī)器學(xué)習(xí)模型GBDT 和深度學(xué)習(xí)模型DeepLabV3+的比較；③在大容量樣本a 下，傳統(tǒng)機(jī)器學(xué)習(xí)模型RF 與深度學(xué)習(xí)模型DeepLabV3+的比較。三組實(shí)驗(yàn)采用OA、Kappa 系數(shù)、F1 分?jǐn)?shù)（F1-score）和MIoU進(jìn)行精度評(píng)價(jià)。

表2 實(shí)驗(yàn)使用的數(shù)據(jù)集與模型Tab.2 Data sets and models selected for the experiments

基于Scikit Learn與LightGBM庫構(gòu)建傳統(tǒng)機(jī)器學(xué)習(xí)模型，在像素分類時(shí)選擇的特征為RGB 值、LBP、Gabor 濾波提取的紋理特征。

面向?qū)ο蠓诸愂褂胑Cognition 實(shí)現(xiàn)。以尺度參數(shù)為100，形狀因子為0.3，緊致度因子為0.5 進(jìn)行多尺度分割，在RF 分類器中輸入特征包含RGB 三波段均值、亮度值、對(duì)象長(zhǎng)寬比、灰度共生矩陣0°、45°、90°和135°方向的均值與對(duì)比度、對(duì)象密度指數(shù)。基于TensorFlow 構(gòu)建DeepLabV3+模型，損失函數(shù)設(shè)為焦點(diǎn)損失（γ=5），初始學(xué)習(xí)率設(shè)為0.00005。操作系統(tǒng)為Ubuntu 20.04.3 LTS，GPU 硬件配置為NVIDIA 3090 Ti，通過CUDA 進(jìn)行加速。

4.1 傳統(tǒng)機(jī)器學(xué)習(xí)模型比較

以像素作為最小分類單元進(jìn)行比較，使用大容量樣本a 中的訓(xùn)練樣本，對(duì)每張1024 像素×1024 像素尺寸的影像隨機(jī)抽取1000 個(gè)點(diǎn)，按6∶4 隨機(jī)分成訓(xùn)練集與測(cè)試集。

由表3 知，RF 模型相較KNN、SVM 與GBDT模型，有更高的OA（0.64）、Kappa 系數(shù)（0.49）、F1 分?jǐn)?shù)（0.67）和MIoU（0.37）。由于訓(xùn)練樣本林地和建設(shè)用地兩類數(shù)目較多，分類器存在過擬合現(xiàn)象，即傾向?qū)y(cè)試樣本分成該兩類別。SVM 模型的過擬合現(xiàn)象尤為明顯，分類結(jié)果較低。

表3 傳統(tǒng)機(jī)器學(xué)習(xí)模型的分類結(jié)果Tab.3 Classification results of the traditional machine learning model

4.2 少樣本的傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型比較

比較傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型時(shí)，以相同訓(xùn)練集作為前提。深度學(xué)習(xí)模型訓(xùn)練需以整張影像方式進(jìn)行輸入，單張影像尺寸較大。傳統(tǒng)機(jī)器學(xué)習(xí)模型，過大數(shù)據(jù)量會(huì)導(dǎo)致模型難擬合。經(jīng)測(cè)試得到，滿足模型擬合且訓(xùn)練數(shù)據(jù)量最多的傳統(tǒng)機(jī)器學(xué)習(xí)模型為GBDT。在小容量樣本b 下，本文選擇對(duì)GBDT 模型與DeepLabV3+模型進(jìn)行比較。

由表4 知，DeepLabV3+模型的OA（0.68）、Kappa 系數(shù)（0.55）、F1 分?jǐn)?shù)（0.62）和MIoU（0.34）均優(yōu)于GBDT 模型；但由于訓(xùn)練樣本量不足，難以發(fā)揮出深度學(xué)習(xí)復(fù)雜的模型的優(yōu)勢(shì)，其解譯結(jié)果存在意義不明的問題，如圖3（Ⅰ）、（Ⅲ）所示，有大面積的錯(cuò)誤。GBDT 模型的優(yōu)勢(shì)在于訓(xùn)練對(duì)硬件條件的要求低，所需人工標(biāo)注數(shù)據(jù)也較少，且訓(xùn)練和預(yù)測(cè)時(shí)間耗時(shí)均較短；同時(shí)，解譯結(jié)果邊界清晰，可解釋性強(qiáng)，但“椒鹽噪聲”問題嚴(yán)重，如圖3 所示。

表4 GBDT 與DeepLabV3+模型的分類結(jié)果Tab.4 Classification results of GBDT and DeepLabV3+

圖3 GBDT 與DeepLabV3+分類結(jié)果示例Fig.3 Classification samples of GBDT and DeepLabV3+

4.3 充足樣本的傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)模型比較

深度學(xué)習(xí)相較于傳統(tǒng)機(jī)器學(xué)習(xí)方法，能從更多數(shù)據(jù)中學(xué)習(xí)特征，在大容量樣本a 上訓(xùn)練后，能充分發(fā)揮出DeepLabV3+模型的優(yōu)勢(shì)。作為比對(duì)，選擇隨機(jī)森林作為基于像素分類的傳統(tǒng)機(jī)器學(xué)習(xí)分類器。此外，面向?qū)ο蠓诸愒诟叻直媛视跋駪?yīng)用中能獲取更多的空間細(xì)節(jié)特征，也作為一種分類方式進(jìn)行比較，在多尺度分割的影像上，對(duì)中心區(qū)域周圍八鄰域1024 像素×1024 像素的影像進(jìn)行對(duì)象級(jí)的標(biāo)注后，也輸入隨機(jī)森林分類器中。

在各類別像素?cái)?shù)目較為均衡的測(cè)試集（c.測(cè)試樣本）上的分類結(jié)果，如表5 所示，DeepLabV3+分類方法有最高的OA（0.86）、Kappa 系數(shù)（0.83）、F1 分?jǐn)?shù)（0.85）和MIoU（0.63），如圖4 所示，除濕地外，各類別準(zhǔn)確度都較高。隨機(jī)森林（基于像素）分類精度最低，其主要原因包括：分類任務(wù)相對(duì)復(fù)雜，超高分影像空間分辨率高（0.2 m）但光譜分辨率低；寶安區(qū)樣本庫中仍存在類別不均衡現(xiàn)象，導(dǎo)致RF（基于像素）模型出現(xiàn)過擬合。另外，RF（面向?qū)ο螅┑姆椒ㄒ杂跋穹指詈髮?duì)象為最小分類單元，獲取了高分辨率影像中較多空間特征，其分類結(jié)果優(yōu)于RF（基于像素）的分類方法。

表5 RF（基于像素）、RF（面向?qū)ο螅┡cDeepLabV3+模型的分類結(jié)果Tab.5 Classification results of RF (pixel-based), RF(object-oriented) and DeepLabV3+

圖4 RF（基于像素）、RF（面向?qū)ο螅┡cDeepLabV3+模型的混淆矩陣Fig.4 Confusion matrices of RF (pixel-based), RF (object-oriented), and DeepLabV3+

局部解譯結(jié)果示例，如圖5 所示。RF（基于像素）分類方法解譯結(jié)果錯(cuò)誤最多，預(yù)測(cè)多為水域、林地和建設(shè)用地，難以細(xì)分出其他類別，且“椒鹽噪聲”問題嚴(yán)重。RF（面向?qū)ο螅┓诸惙椒ɑ窘鉀Q了“椒鹽噪聲”問題，解譯結(jié)果整體性較強(qiáng)，但存在特征相近的類別難以區(qū)分的問題，如園地類型預(yù)測(cè)為林地和草地（圖5（Ⅱ）），以及耕地與濕地類別解譯錯(cuò)誤較多（圖5（Ⅲ）~（Ⅴ））。DeepLabV3+分類方法的結(jié)果整體準(zhǔn)確較好，解譯結(jié)果與真實(shí)標(biāo)簽基本相同，輪廓清晰，內(nèi)部較為完整，如圖5（Ⅰ）、（Ⅱ）、（Ⅳ）、（Ⅴ）所示。

圖5 RF（基于像素）、RF（面向?qū)ο螅┡cDeepLabV3+分類結(jié)果示例Fig.5 Classification samples of RF (pixel-based), RF (object-oriented), and DeepLabV3+

最后，本文以DeepLabV3+模型作為土地利用遙感分類方法，應(yīng)用在寶安區(qū)整體區(qū)域得到寶安區(qū)土地利用分類圖，如圖6 所示。結(jié)果表明，深圳市寶安區(qū)的北部與東部林地、草地、水域、耕地與園地等自然資源較為豐富，西部沿海建設(shè)用地面積廣且集中，城市化水平較高，符合國(guó)土“三調(diào)”情況。對(duì)比分析結(jié)果表明，對(duì)于超高分辨率遙感影像多類別土地利用分類，在具備深度學(xué)習(xí)模型訓(xùn)練環(huán)境和充足數(shù)據(jù)量情況下，DeepLabV3+模型分類精度遠(yuǎn)高于傳統(tǒng)機(jī)器學(xué)習(xí)模型，解譯結(jié)果與實(shí)際情況相近，且能應(yīng)用于大范圍區(qū)域。

圖6 基于DeepLabV3+模型的寶安區(qū)分類Fig.6 Classification map of Bao’an District based on DeepLabV3+

5 結(jié) 論

本文參考超高分辨率航拍影像和經(jīng)人工修正的國(guó)土“三調(diào)”數(shù)據(jù)，構(gòu)建面向深圳市寶安區(qū)的土地利用分類樣本庫，針對(duì)城市自然資源和土地現(xiàn)代化監(jiān)管精度與效率需求，比較了有代表性的傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)分類方法，得到以下主要結(jié)論。

(1) 傳統(tǒng)機(jī)器學(xué)習(xí)方法難以適用于大范圍超高分辨率航拍影像土地利用類型分類?；谙裨姆诸惤Y(jié)果存在較嚴(yán)重的“椒鹽噪聲”問題。面向?qū)ο蠓诸惙椒?，將影像分割后?duì)象作為最小分類單元，有效解決了“椒鹽噪聲”問題，可較好地區(qū)分超高分影像中不同土地利用類型，但在大范圍應(yīng)用時(shí)仍存在效率較低的問題。

(2) 樣本量和算力對(duì)分類方法選取起重要作用。訓(xùn)練樣本容量較小時(shí)，傳統(tǒng)機(jī)器學(xué)習(xí)分類結(jié)果可解釋性較強(qiáng)，比深度學(xué)習(xí)方法算力要求低。較充足樣本量情況下，傳統(tǒng)機(jī)器學(xué)習(xí)方法僅用RGB 影像難以區(qū)分多種土地利用類型；以DeepLabV3+為代表的深度學(xué)習(xí)方法，能兼顧大范圍區(qū)域土地利用類型數(shù)據(jù)生產(chǎn)的精度和效率要求。

本文還存在一些不足。一是使用的遙感影像雖然空間分辨率較高（0.2 m）但只含RGB 波段影響了分類精度，后續(xù)研究將以數(shù)據(jù)融合方式加入對(duì)于植被信息更為敏感的紅外波段特征，以提升分類精度。二是本文實(shí)驗(yàn)比較不同方法分類結(jié)果時(shí)，以保證采用相同的訓(xùn)練集和測(cè)試集為前提，但模型結(jié)構(gòu)不同導(dǎo)致訓(xùn)練方式存在一定差別，為了提升結(jié)果可比性以支撐結(jié)論，實(shí)驗(yàn)設(shè)計(jì)仍需進(jìn)一步優(yōu)化。