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