第八届青年地学论坛

近年来，大量的高分辨率遥感影像被用到土地覆被分类研究中。由于高分辨率遥感影像光谱少，存在类间可分离性低、类内差异性大的特点，使得只依靠光谱特征的土地覆被分类中仍然存在小型地物分类的误分、边界不清晰以及网络模型的适用性有限等问题。本文提出一种NDVI与光谱特征融合利用的深度学习网络（Dense-Spectral-Location-NDVI network，DSLN）模型，设计与网络末端融合方式的NDVI融合模块，改善了上述问题。在DSLN中，首先从NDVI数据中提取空间位置信息，同时也提取遥感影像数据的空间信息，以增强边界信息。然后，将光谱特征输入编码结构中，提取高级特征；在解码结构中还原空间特征信息及空间信息；利用NDVI融合模块融合NDVI信息特征和还原的浅层特征，提高土地覆盖信息的可分离性。在GF-1数据集上的实验表明，DSLN网络模型OA平均值(mOA)、Kappa系数平均值(mKappa)分别达到0.7827，0.6704，具有良好的时相与空间分布适用性。通过对长江（安徽段）沿岸15km范围内区域的主要土地覆盖类型面积提取，验证了DSLN网络模型在长江（安徽段）沿岸15km范围内区域应用有效，能够为区域性的生态文明建设提供更加准确的土地覆被数据。

高分辨率遥感影像,土地覆盖分类,NDVI融合,DSLN网络