school
Macau Periodical Index (澳門期刊論文索引)
- Author
- 李承;崔瀚文;田小林
- Title
- 基於卷積神經網絡的澳門濕地遙感圖像分割研究
- Journal Name
- 澳門科技大學學報
- Pub. Info
- 2024年12月, 第18卷第4期, 第123-143頁
- Link
- https://www.mustjournal.com/CN/10.58664/mustjournal.2024.12.007
- Keyword
- 深度學習;遙感圖像分割;GF-2;澳門濕地;卷積神經網絡
- Abstract
- 濕地,作為地球上重要的自然生態系統之一,具有多重重要功能,其價值不容小覷。濕地對於生物多樣性的保護至關重要,在一定程度上促進生態系統的多樣性和穩定性,因此研究濕地遙感圖像分類,濕地遙感信息提取等領域的研究變得尤為關鍵。利用遙感技術,特別是高空間分辨率的衛星影像,可以更全面地解濕地的分佈、變化和特徵。澳門濕地以其豐富的生物多樣性和獨特的景觀而聞名,是遷徙鳥類的重要棲息地,也為遊客提供休閒的理想場所。本研究的研究區為澳門,其與在澳門濕地遙感圖像分割領域的過往研究相比,獨特之處在於本文不僅使用深度學習卷積神經網路(CNN)模型,還使用支持向量機(SVM)、隨機森林(RF),進行多模型對比,且對各個模型的結果進行全面性能評估(多項參數指標)和目視解譯驗證,更加有效地證明本研究實驗方法的有效性和可靠性。本研究的難點則是遇到原始影像路環島海域雲霧天氣的干擾,以及對於海平面 6m 作爲濱海濕地與其他類 別的分界綫難以明確等問題。結果顯示 CNN 模型和 RF 模型在澳門濕地提取的指標 較好,CNN 和 RF 模型的總體精度(OA)分別達0.9325,0.9941,CNN 與 RF 模型的 Kappa 係數分別為 0.8988,0.9889。這表明在澳門濕地提取方面的高度準確性 和可信度。本研究還對三個模型的分割結果圖像進行目視解譯分析,CNN 模型的圖 像分割結果要好於對照組 RF 模型的圖像分割結果,進一步驗證 CNN 模型的有效性 和可行性。 段落標題: 1. 引言 2. 數據與方法 2.1. 數據集 2.2. 方法 2.2.1. 數據預處理 2.2.2. 實驗模型 3. 結果與討論 4. 結語 附表: 1. 三種模型的評價指標 附圖: 1. 澳門濕地三種類型的解釋標誌 2. SVM 模型結構圖 3. RF 模型結構圖 4. CNN 模型結 5. RF 模型混淆 6. SVM 模型混淆矩陣 7. CNN 模型混淆矩陣 8. 澳門濕地圖像分割結果