img

官方微信

遥感技术与应用, 2019, 34(4): 685-693 doi: 10.11873/j.issn.1004-0323.2019.4.0685

CNN 专栏

深度学习在GlobeLand30-2010产品分类精度优化中应用研究

刘天福,1, 陈学泓,1,2, 董琪1, 曹鑫1,2, 陈晋1,2

1. 地表过程与资源生态国家重点实验室 北京师范大学地理科学学部,北京 100875

2. 北京市陆表遥感数据产品工程技术研究中心 北京师范大学地理科学学部,北京 100875

Application of Deep Learning in GlobeLand30-2010 Product Refinement

Liu Tianfu,1, Chen Xuehong,1,2, Dong Qi1, Cao Xin1,2, Chen Jin1,2

1. State Key Laboratory of Earth Surface Processes and Resource Ecology, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

2. Beijing Engineering Research Center for Globe Land Remote Sensing Products, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

通讯作者: 陈学泓(1985-),男,福建泉州人,副教授,博士,主要从事遥感图像融合、土地覆盖监测方面的研究。E⁃mail: chenxuehong@bnu.edu.cn

收稿日期: 2018-10-19   修回日期: 2019-06-18   网络出版日期: 2019-09-19

基金资助: 国家自然科学基金项目.  41871224

Received: 2018-10-19   Revised: 2019-06-18   Online: 2019-09-19

作者简介 About authors

刘天福(1992-),男,江西赣州人,硕士研究生,主要从事遥感大数据制图与分析方面的研究E⁃mail:liutianfu@mail.bnu.edu.cn , E-mail:liutianfu@mail.bnu.edu.cn

摘要

本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法,用于GlobeLand30地表覆盖产品的质量优化。首先,通过对多源地表覆盖产品的一致性分析,构建深度学习训练所需的高分辨率遥感大样本(224万样本量);其次,基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型(GoogleNet Inception V3);最后,利用训练好的神经网络模型对在线高分影像进行分类,用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证,经过训练的神经网络分类总体精度为87.7%,Kappa系数为0.86,相比原始GlobeLand30的精度(总体精度75.1%、Kappa系数0.71)有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明:该方法能够有效优化GlobeLand30产品的分类精度。

关键词: 深度学习 ; GlobeLand30 ; 产品优化 ; Google Earth

Abstract

GlobeLand30, as one of the best Globe Land Cover (GLC) product at 30 m resolution, was developed by China based on the integration of pixel- and object-based methods with knowledge (POK-based approach), which combines multiple levels of classification techniques to achieve high-accuracy land cover mapping. In particular, a knowledge-based verification process was employed to refine and grantee the product quality of Globeland30 by manual interpretation of online high-resolution images. However, the manual intervention suffers from large labor consumptions and the subjectivity influence. Considering the great achievements of deep learning in image recognition and classification, classifying online high-resolution remote sensing images with Deep Convolutional Neural Network (DCNN) may improve the efficiency and performance of the refinement procedure for GlobeLand30. However, the training of DCNN relies on a large number of training samples; and the existing remote sensing sample sets cannot satisfy the training requirements in terms of sample size and category system. Therefore, a method for generating large sample set of high-resolution remote sensing imagery based on multi-source GLC was proposed; and a large sample set with 2.24 million samples is automatically generated by this method. The DCNN model (GoogleNet Inception V3) was trained from scratch with the proposed large sample set and then used to refine Globeland30 product. Verification with an independent test sample set shows that the proposed trained DCNN model can achieve higher classification accuracy (Overall accuracy: 87.7%, Kappa: 0.856) than that of original GlobeLand30 product (Overall Accuracy: 75.1%, Kappa: 0.71). Finally, four test areas were selected for evaluating the performance of proposed refinement procedure. The results show that the GoogleNet (InceptionV3) model trained by the proposed large sample set can effectively refine the product quality of GlobeLand30.

Keywords: Deep Learning ; GlobeLand30 ; Product Refinement ; Google Earth

PDF (8047KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘天福, 陈学泓, 董琪, 曹鑫, 陈晋. 深度学习在GlobeLand30-2010产品分类精度优化中应用研究. 遥感技术与应用[J], 2019, 34(4): 685-693 doi:10.11873/j.issn.1004-0323.2019.4.0685

Liu Tianfu, Chen Xuehong, Dong Qi, Cao Xin, Chen Jin. Application of Deep Learning in GlobeLand30-2010 Product Refinement. Remote Sensing Technology and Application[J], 2019, 34(4): 685-693 doi:10.11873/j.issn.1004-0323.2019.4.0685

1 引 言

地表覆盖的格局和变化受人类活动与自然地理过程共同作用驱动,同时也反过来影响碳、水、能量循环等一系列地表过程[1]。准确获取全球地表覆盖的空间分布和动态变化,对于政府部门拟定适应全球环境气候变化、土地资源管理等政策起着至关重要的作用,遥感是大范围的地表覆盖信息获取的主要手段[2]。在现有全球地表覆盖(Global Land Cover, GLC)产品中,GlobeLand 30产品是空间分辨率最高(30 m)的全要素地表覆盖产品,包括2000年和2010年两期数据,已在诸多研究领域得到应用[3]。GlobeLand30的研发以Landsat影像为主要数据源,运用基于“像元—对象—知识”(Pixel-Object-Knowledge, POK)的分类方法,充分考虑遥感数据的光谱、时相、纹理信息和多种分类技术,并结合多源地理知识,高质量地完成全球地表覆盖制图[2,4]。其中,知识化检核过程是保障地表覆盖制图质量的重要手段[5]。知识化检核过程主要包括异常发现与人工修正,其中在线高分辨率影像(Google Earth、Bing Map、天地图等)是作业人员进行人工修正的主要参考资源。知识化检核过程虽然有效保障了全球制图的准确性,但也耗费大量人力,同时分类质量也难免受作业员的主观经验所影响。因此,GlobeLand 30产品在不同区域仍存在不同程度的错分和漏分[6]。例如,在部分城市区域的分类仅为人造地表,其内部草地、林地、水体等细节地物没有得到表达,而这些土地利用类型对于城市景观生态研究或城市规划设计尤为重要[7]。因此,尽管GlobeLand30产品取得了长足的进展,但进一步优化其分类精度仍具有重要意义[4,8]

在GLC产品分类精度优化的研究中,基于多源数据融合的地表覆盖数据重建方法因其能结合多源数据的优势对GLC产品中特定区域或者特定类型能够较好的提高其分类精度而被广泛使用[9]。俞乐等[10]利用MODIS数据和高精度的城市夜间灯光数据对FROM-GLC产品中城市区域进行优化,使其产品总体分类精度从63.69%提升至65.51%。黄昕等[7]利用Landsat数据和空间分辨率高且分类精度高的区域土地利用数据对GlobeLand 30中中国、美国的几个城市区域的分类精度进行了评估和优化,将研究区内人造地表类型的分类精度从78.9%提升至92%。上述研究中使用的高精度局部区域土地利用或专题地图数据在小范围、单一类型的研究中较易获取,但对于大范围、全类型的全球制图而言,因数据稀缺、获取难度大,无法大规模应用。此外,众包数据也是GLC产品优化的一个重要思路[11],例如Fritz等[12]提出根据现有众包数据包括在线地图影像和矢量数据(Google Earth, Bing Maps, Geotagged)制作一个让大众参与的GLC优化平台Geo-WiKi,志愿者可利用该平台通过对在线数据的目视解译对GLC数据产品进行优化。但是众包数据很可能源于非专业人员的贡献,正确性难以保证。

深度学习(Deep Learning)近年来在图像分类中取得了瞩目成果,为GlobeLand 30产品分类精度的优化提供了新的思路[13,14,15]。一方面,Google Earth等免费在线地图为土地覆盖解译提供大量的高分影像资源;另一方面,日趋成熟的深度卷积神经网络(Deep Convolutional Neural Network, DCNN)为高分影像分类提供了高效的自动化手段。然而,DCNN的训练往往依赖于大规模的训练样本,当前主流的DCNN模型多由ImageNet大规模训练样本集训练得到[13,16]。由于ImageNet中的样本以生活照片为主,与遥感图像在影像内容、通道数等方面存在较大差异;因此,已有研究中制作了多个遥感深度学习的样本集[17,18,19]。胡静文等[17]制作了WHU-RS样本集,样本共有5000张图像,包含20个类别。韩军伟等[18]制作的NWPU-RESISC45是在常用样本集中数据总量最大的,共有31500张图像,而Zhou等[19]制作的PatternNet是每类样本数据量最大的,每类有800张。但是,相比于ImageNet百万级样本而言,这些样本集仍然规模偏小。这是因为,ImageNet包含的生活照片样本可由普通人标记,而遥感图像因其专业性往往需要专业人员标记类型,这为大规模样本的建立带来了巨大的成本。由于遥感样本集通常规模较小,所以现有遥感样本集在深度学习中的应用主要是针对网络层数较少或者基于迁移/微调的DCNN模型;不适用于网络层数较多或需要从零开始训练的DCNN模型,因为其样本量小易导致过拟合等问题[20,21]。此外,由于地表覆盖分类体系间存在一些差异,使得现有多个遥感样本集的分类体系也各有差异,与GlobeLand 30分类体系也不一致,因此,训练适用于GlobeLand 30优化的神经网络仍然需要专门的大规模样本集。

以2010年中国区域的GlobeLand 30产品(GlobeLand30-2010)为例,探索深度学习在其产品分类精度优化中的应用。首先针对现有高分辨率遥感样本集数据量小、与GlobeLand 30分类体系不一致、制作过程人工投入大等问题,提出一种基于Google Earth API结合现有GLC产品自动化生成大规模高分辨率遥感样本集的方法;其次,基于生成的大规模训练样本训练得到适用于GlobeLand 30优化的深度卷积神经网络,并对GlobeLand 30分类不可靠区域进行重分类,完成优化GlobeLand 30的分类结果。

2 研究方法

GlobeLand 30产品分类精度优化过程如图1所示。其中分类可靠区域是指在统一分类体系下,GlobeLand 30-2010产品与其他GLC产品分类全部一致的区域,认定该区域是正确分类的区域,无需进行优化处理。进一步,基于二次开发的Google Earth截图程序获取该地理位置的高分辨影像,用于制作高分辨率影像样本集;利用制作的样本集训练DCNN模型(Inception V3),使其适用于GlobeLand 30-2010产品分类。分类不可靠区域指在统一分类体系下,GlobeLand 30产品与其他GLC产品分类不一致的区域,认定该分类是可靠性较低,是GlobeLand 30-2010产品需要进行优化的区域。针对分类不可靠的待优化区域,利用训练获得的DCNN模型对其进行重分类。

图1

图1   GlobeLand30-2010产品分类精度优化流程图

Fig.1   Flowchart for Globeland30-2010 product accuracy refinement


2.1 大规模样本集生成

针对现有遥感深度学习样本集数据量较小的问题,提出了一种基于Google Earth API结合现有GLC数据自动化生成高分辨率遥感样本的方法,并将该方法用于生成一套覆盖中国大部分区域的高分辨率遥感图像大样本数据集。°

表1可知,GlobeLand30产品与其他现有常用GLC产品在获取时间、分类体系、空间分辨率等方面存在较大差异。因此基于本文研究内容,对现有GLC产品进行筛选。筛选规则包括:①空间分辨率不低于500 m;②产品覆盖时间在2008年至2012年之间。假设地表覆盖在2010年前后两年变化较小,基于筛选规则,挑选了MCD12Q1-2010、GLCNMO-2008、CCI-LC-2010和GlobCover-2009共4个GLC产品,这些产品与GlobeLand30-2010产品在分类体系、分辨率等方面仍存在差异。针对分类体系差异,分析四个挑选的GLC数据集的地物类型分类定义,并参考Tsendbazar等[22]的研究,将4个GLC数据的分类体系全部转换至GlobeLand30中的分类体系中,转换规则见表2所示。

表1   现有部分全球地表覆盖数据集

Table 1  Existing part of the public global land cover

GLC数据集

空间分辨率

/m

获取时间分类体系
IGBP DISCover1 0001992.4~1993.3IGBP
UMD1 0001992.4~1993.3IGBP
GLC20001 0002000LCCS
MCD12Q15002001~2013IGBP
GLCNMO5002003、2008、2013LCCS
CCI-LC3001992~2015LCCS
GlobCover 20093002009LCCS
GlobeLand30302000、201010类

新窗口打开| 下载CSV


表2   统一分类体系规则

Table 2  Uniform rules of the classification system

地物类别MCDGLCNMOCCI-LCGlobCoverGlobeLand30
1森林

1~5、

8、9

1~6

50~100、

160、170

40~110、

160、170

20
2灌木地6、7712013040
3草地108、9110、130、140120、14030
4耕地12、1411、12、1310~4011~3010
5湿地111518018050
6人造地表131819019080
7冰川和积雪1519220220100
8裸地1610、16、17150、200150、20090
9水体02021021060

新窗口打开| 下载CSV


针对GLC数据空间分辨率的差异,本文采用图2所示的流程进行跨尺度匹配。首先,考虑到4个粗分辨率GLC数据(MCD12Q1-2010、GLCNMO-2008、CCI-LC-2010、GlobCover-2009)的分辨率比较接近(300~500 m),直接通过最近邻方法重采样至300 m,再根据逻辑判断获取4个GLC产品的分类全部一致的区域,记为粗分GLC联合数据。由于GlobeLand30的分辨率比粗分GLC联合数据分辨率高了一个数量级,不应采用直接重采样的方式进行匹配。首先,以粗分GLC联合数据的一个像元取GlobeLand 30-2010产品中对应位置10×10大小的窗口,并取该窗口中的众数;若众数代表的分类类型与相应像元的粗分GLC联合数据不一致,则认定Globeland 30-2010产品中该10×10窗全部为不可靠区域;若窗口众数代表的分类类型与联合数据一致,则将窗口中分为该类型的像元作为可靠区域。基于可靠区域,进一步挑选适用于深度学习的训练样本。考虑到用于识别的高分影像需要包括一定的纹理信息,同时由于Globeland 30本身的最小制图单元为3×3窗口,在生成训练样本时,挑选一致区域的90 m×90 m的子窗口作为截取的高分影像作为训练样本的候选区域。若子窗口内与GLC联合数据类型一致的像元超过7个,则被选为最终的训练样本。最后,中国区域分类可靠区域与不可靠区域如图3所示。

图2

图2   GLC联合数据与GlobeLand30匹配过程

Fig.2   Matching process between GLC union data and GlobeLand30


图3

图3   分类可靠和不可靠区域

Fig.3   Reliable/Unreliable classification regions


本文基于Visual Studio 2012利用Google Earth API研发了一套Google Earth截图程序。该程序只需提供目标位置坐标点对和类型标签,即可获取相应的Google Earth图像、图像摄影时间和数据源。但在获取的样本集中,存在一些低分辨率或摄影时间距离2010年较远的样本图像。针对以上的样本,需要对样本图像的数据源和摄影时间进行筛选。样本图像数据源有4种,分别为NASA、Landsat、CNES/Airbus和DigitalGlobe影像;其中CNES/Airbus和DigitalGlobe的数据源为高分辨率图像。筛选出数据源为CNES/Airbus或DigitalGlobe,摄影时间在2007年至2013年之间的高分辨率样本图像。

在GlobeLand 30产品分类类型中,湿地类型,由于其各方定义存在较大差异导致GlobeLand30和其它GLC产品几乎不存在一致性区域;苔原类型在中国区域不存在,因此,样本制作过程不考虑湿地和苔原类型。灌木类型因与草地类型混淆程度较大,多个GLC产品完全一致的区域几乎没有,本文将灌木和草地合并为灌草地类型。最终,获得的高分辨率遥感大样本集共有7个土地覆盖类型,分别是人造地表、耕地、裸地、灌草地、森林、多年冰雪、水体。本文针对每个类型获取8万张高分辨率遥感样本影像,样本集总量为56万;进一步利用数据角度旋转(90°、180°、270°)的增广方法将样本集扩充到224万张,单类样本量为32万张,该样本量远远大于已有的高分辨率遥感样本数据集。获取的样本示例如图4所示。完整的样本集数据可从以下网址获取(https://pan.baidu.com/s/1rZaRq2DaK5hyLA-zdRxtSw)。

图4

图4   本文获取的高分辨率遥感样本示例集

Fig.4   Example of large sample set obtained in this paper


2.2 深度学习模型

与传统的神经网络(如BP神经网络)相比较,DCNN的网络更宽层数更深,通常包括百万级的参数,因此需要更大的样本集进行训练。目前,常见的DCNN模型包括AlexNet、VGG 16、GoogleNet等。其中,GoogLeNet架构中的Inception V3在减少网络参数提高效率的同时分类效果较好[23,24,25];同时也被证明适用于遥感影像分类时的迁移学习[21],因此本文选择该模型用于训练。考虑到构建的样本规模足够大,采用从零训练(Train from Scratch)策略而不必担心过拟合风险,相比基于小样本的微调式迁移学习,大样本下的从零训练能够避免样本差异导致的优化偏差[26,27,28]。深度学习训练过程涉及参数众多,计算量大,常规的CPU计算周期较长。为了提高模型训练的效率,采用了TensorFlow深度学习框架,硬件配置了两个NVIDIA GeForce TitanXp 12G显卡和两个NVIDIA GeForce GTX 1080Ti 11G显卡,软件架构在Windows 10操作系统上。

2.3 不可靠区域的优化

针对上文获取的不可靠区域,获取以其地理坐标为中心,覆盖范围为90 m×90 m(3×3的30 m像元)的高分辨率影像,使得窗口包含更丰富的纹理信息。然后,利用经上文训练后的Inception V3模型对不可靠区域高分辨率影像进行重分类,获取分类结果中概率最大的地物类型赋予该3×3像元范围的中心像元。对GlobeLand 30中所有不可靠区域点重复上述过程,获得其分类优化后的结果。中概率最大的地物类型赋予该3×3像元范围的中心像元。对GlobeLand 30中所有不可靠区域点重复上述过程,获得其分类优化后的结果。

3 实验与分析

3.1 模型的训练结果及分析

训练过程中,模型的学习率初始值为0.01,且每经94%的迭代期时学习率逐步设定为0.000 1。模型训练过程中,80%的样本用于训练,20%用于验证,当模型的损失函数趋于平稳,训练精度、验证精度也趋于平稳且两个精度十分接近时,模型训练完成,本文研究过程中模型训练10万步左右,趋于平稳,如图5所示。

图5

图5   训练过程训练精度、验证精度和总体损失函数

Fig.5   Result of total loss, training accuracy and validation accuracy


为了验证训练好的DCNN模型的分类性能,本文在中国区域人工随机选取700张(每类100张)90 m×90 m高分辨率影像作为测试样本集,并通过目视解译获取相应的分类真值。每张覆盖90 m×90 m范围的高分辨率的测试样本集。表3表4分别表示DCNN分类结果与GlobeLand 30分类结果的混淆矩阵。其中,DCNN模型的分类总体精度(Overall Accuracy, OA)达到87.7%,Kappa系数达到0.86,相比于GlobeLand30的分类精度(OA: 75.1%, Kappa: 0.71)有了明显提升。如表4所示,除草地类型外,其他地物类型的分类精度较高,其中人造地表、裸地、水体的精度大于90%。在草地类型中,因为冬季枯死和稀疏草地图像与裸地图像较难区分,草地分类效果相对较差。

表3   GlobeLand30-2010分类结果混淆矩阵

Table 3  The confusion matrix of GlobeLand30-2010 classification result

样本个数地面真实值
人造地表裸地耕地森林灌草地冰川和永久积雪水体总和错分误差/%
分类人造地表93115121011317.6
裸地0600024929536.8
耕地47771133010526.6
森林0117412309118.6
灌草地1252949609246.7
冰川和永久积雪05012750839.6
水体2154839812119.0
总和100100100100100100100700
漏分误差/%740232651252
总体精度75.1%,Kappa系数0.71

新窗口打开| 下载CSV


表4   DCNN模型分类结果混淆矩阵

Table 4  The confusion matrix of DCNN model classification result

样本个数地面真实值
人造地表裸地耕地森林灌草地冰川和永久积雪水体总和错分误差/%
分类人造地表91110011943.2
裸地19412205212524.8
耕地4188500610415.3
森林301875019710.3
灌草地036374028815.9
冰川和多年积雪01000920931.1
水体113312889911.1
总和100100100100100100100700
漏分误差/%96121326812
总体分类精度87.7%,Kappa系数0.86

新窗口打开| 下载CSV


3.2 GlobeLand30-2010产品分类精度优化结果验证

选取4景异质性较强的典型景观下的高分影像验证本文训练的DCNN对GlobeLand30的优化结果,包括林草过渡带景观、干旱区农田景观、城市景观以及乡村景观(图6)。其优化结果前后如图7所示。图7(a)表示林草过渡带景观,由于其在物候特征与光谱特征具有较大相似度,导致GlobeLand30在该区域全部误分成草地,优化后的结果能够较好的将林地和草地分开。图7(b)表示干旱区农田景观,由于其土壤含水量少,农田作物分布稀疏,与裸地存在较大的相似性,导致GlobeLand30在该区域误分成裸地和人造地表,优化后的结果能够较好的将干旱区农田和裸地分开。图7(c)表示城市景观,由于城市内部草地、林地面积较小,GlobeLand30将该区域全部分成人造地表,优化后的结果能够将城市内部林地、耕地、草地等地物较好的提取。图7(d)表示乡村景观,其在中国南方地区分布较为散落,因其面积小,导致GlobeLand30存在漏分,优化后的结果能够将散落的乡村较好的提取。总体来说,经过本文训练的DCNN优化后的结果相比于原始GlobeLand30分类结果,在异质区域的分类质量上有较大提高。

图6

图6   4个试验区的空间分布

Fig.6   The spatial distribution of four test area


图7

图7   不同试验区优化结果

Fig.7   The refinements of different test areas

a,b,c,d分别对应图6的4个试验区


4 结 语

本文对深度学习在GlobeLand 30分类精度优化中的应用进行了探索,提出一种基于Google Earth API自动化生成高分辨率遥感图像大样本数据集的方法,并研发了相应程序。该方法将已有的地表覆盖知识转为样本数据集的标签,充分应用了已有专家知识,大大降低了深度学习所需大样本标签的获取成本。同时,基于Google Earth API能够快速自动的获取免费Google Earth高分辨率影像,弥补GlobeLand 30研制数据源Landsat影像空间信息不足的缺点。实验结果表明针对GlobeLand 30存在分类精度不足和细节缺失等问题,利用深度学习技术并基于现有的GLC数据集生成样本集,能够有效优化GlobeLand30产品的分类结果,提升分类精度。

本研究在以下方面可能还有进一步改进空间:①现有全球地表覆盖数据的分类精度各不相同,本文仅采用了简单的匹配方法,在后续研究中应考虑地表覆盖数据的分类精度和分辨率对联合和匹配过程的影响,对不同GLC产品进行定权叠加,进一步提高GLC联合产品的可靠程度;②获取的大样本数据集在类型数量上较小,样本类型仅考虑了一级地物类型,因此进一步扩充高分辨率遥感图像大样本数据集的类型数据,向二级地物类型扩展是具有重要的意义;③尽管采用了高空间分辨率影像,但是分类制图仍然在30 m分辨率上进行,利用高分影像生成相应高分辨率的分类结果应当是下一步研究方向。

参考文献

TurnerB L, LambinE F, ReenbergA.

The Emergence of Land Change Science for Global Environmental Change and Sustainability

[J]. Proceedings of the National Academy of Sciences, 2007, 104(52): 20666-20671.

[本文引用: 1]

ChenJ, ChenJ, LiaoA, et al.

Global Land Cover Mapping at 30 m Resolution: A POK-based Operational Approach

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7-27.

[本文引用: 2]

MaX, TongX, LiuS, et al.

Optimized Sample Selection in SVM Classification by Combining with DMSP-OLS, Landsat NDVI and GlobeLand 30 Products for Extracting Urban Built-up Areas

[J]. Remote Sensing, 2017, 9(3): 236.doi: 10.3390/rs9030236.

[本文引用: 1]

ChenJun, ChenJin, LiaoAnping, et al.

Concepts and Key Techniques for 30 m Global Land Cover Mapping

[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(6):551-557.

[本文引用: 2]

陈军, 陈晋, 廖安平, .

全球30 m地表覆盖遥感制图的总体技术

[J]. 测绘学报, 2014, 43(6): 551-557.

[本文引用: 2]

ZhangWeiwei, ChenJun, LiaoAnping, et al.

Geospatial Knowledge-based Verification and Improvement of Globeland30

[J]. Science China Earth Sciences, 2016, 46(9): 1149-1161.

[本文引用: 1]

张委伟, 陈军, 廖安平, .

顾及多元知识的 GlobeLand30检核优化模型

[J]. 中国科学:地球科学, 2016, 46(9): 1149-1161.

[本文引用: 1]

YangY, XiaoP, FengX, et al.

Accuracy Assessment of Seven Global Land Cover Datasets over China

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 125: 156-173.

[本文引用: 1]

HuangX, LiQ, LiuH, et al.

Assessing and Improving the Accuracy of GlobeLand 30 Data for Urban Area Delineation by Combining Multisource Remote Sensing Data

[J]. IEEE Geoscience and Remote Sensing Letters, 2016, 13(12): 1860-1864.

[本文引用: 2]

FonteC, MinghiniM, PatriarcaJ, et al.

Generating Up-to-Date and Detailed Land Use and Land Cover Maps Using Open Street Map and GlobeLand30

[J]. ISPRS International Journal of Geo-Information, 2017, 6(4): 125-147.

[本文引用: 1]

ChenDi, WuWenbin, LuMiao, et al.

Progresses in Land Cover Data Reconstruction Method based on Multi-source Data Fusion

[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016, 37(9): 62-70.

[本文引用: 1]

陈迪, 吴文斌, 陆苗, .

基于多源数据融合的地表覆盖数据重建研究进展综述

[J]. 中国农业资源与区划, 2016 (9): 62-70.

[本文引用: 1]

YuLe, WangJie, LiXuecao, et al.

A Multi-resolution Global Land Cover Dataset through Multi-source Data Aggregation

[J]. Science China Earth Sciences, 2014, 44(8): 1646-1660.

[本文引用: 1]

俞乐, 王杰, 李雪草, .

基于多源数据集成的多分辨率全球地表覆盖制图

[J]. 中国科学: 地球科学, 2014, 44(8): 1646-1660.

[本文引用: 1]

SeeL, SchepaschenkoD, LesivM, et al.

Building a Hybrid Land Cover Map with Crowdsourcing and Geographically Weighted Regression

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 48-56.

[本文引用: 1]

FritzS, McCallumI, SchillC, et al.

Geo-Wiki. Org: The Use of Crowdsourcing to Improve Global Land Cover

[J]. Remote Sensing, 2009, 1(3): 345-354.

[本文引用: 1]

LeCunY, BengioY, HintonG.

Deep Learning

[J]. Nature, 2015, 521(7553): 436.

[本文引用: 2]

HeHaiqing, PangYan, ChenXiaoyong.

Remote Sensing Image Scene Oriented Convolutional Neural Network Recursive Recognition Model

[J]. Remote Sensing Technology and Application,2017,32(6):1078-1082.

[本文引用: 1]

何海清, 庞燕, 陈晓勇.

面向遥感影像场景的深度卷积神经网络递归识别模型

[J]. 遥感技术与应用, 2017, 32(6): 1078-1082.

[本文引用: 1]

TianDeyu, ZhangYaonan, ZhaoGuohui, et al.

Convolutional Neural Network for Remote Sensing Plant Cover Extracting

[J]. Remote Sensing Technology and Application,2018,33(1):151-157.

[本文引用: 1]

田德宇, 张耀南, 赵国辉, .

基于卷积神经网络的遥感沙漠绿地提取方法

[J]. 遥感技术与应用, 2018, 33(1): 151-157.

[本文引用: 1]

SchmidhuberJ.

Deep Learning in Neural Networks: An Overview

[J]. Neural Networks, 2015, 61: 85-117.

[本文引用: 1]

HuJ, JiangT, TongX, et al.

A Benchmark for Scene Classification of High Spatial Resolution Remote Sensing Imagery

[C]//2015 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). IEEE, 2015: 5003-5006.

[本文引用: 2]

ChengG, HanJ, LuX.

Remote Sensing Image Scene Classification: Benchmark and State of the Art

[J]. Proceedings of the IEEE, 2017, 105(10): 1865-1883.

[本文引用: 2]

ZhouW, NewsamS, LiC, et al.

PatternNet: A Benchmark Dataset for Performance Evaluation of Remote Sensing Image Retrieval

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145: 197-209.

[本文引用: 2]

NogueiraK, PenattiO A B, dos SantosJ A.

Towards Better Exploiting Convolutional Neural Networks for Remote Sensing Scene Classification

[J]. Pattern Recognition, 2017, 61: 539-556.

[本文引用: 1]

HuF, XiaG S, HuJ, et al.

Transferring Deep Convolutional Neural Networks for the Scene Classification of High-resolution Remote Sensing Imagery

[J]. Remote Sensing, 2015, 7(11): 14680-14707.

[本文引用: 2]

TsendbazarN E, de BruinS, HeroldM.

Integrating Global Land Cover Datasets for Deriving User-specific Maps

[J]. International Journal of Digital Earth, 2017, 10(3): 219-237.

[本文引用: 1]

CanzianiA, PaszkeA, CulurcielloE.

An Analysis of Deep Neural Network Models for Practical Applications

[J]. arXiv Preprint arXiv:1605.07678, 2016.

[本文引用: 1]

ZhangH, ZhangL, LiP.

Fabric Pattern Classification based on Depth Convolution Neural Network

[J]. Basic Sciences Journal of Textile Universities, 2017 (2): 361-265,267.

[本文引用: 1]

SzegedyC, VanhouckeV, IoffeS, et al.

Rethinking the Inception Architecture for Computer Vision

[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016: 2818-2826.

[本文引用: 1]

ShenZ, LiuZ, LiJ, et al.

Dsod: Learning Deeply Supervised Object Detectors from Scratch

[C]//Proceedings of the IEEE International Conference on Computer Vision. 2017: 1919-1927.

[本文引用: 1]

SongX, HerranzL, JiangS.

Depth CNNs for RGB-D Scene Recognition: Learning from Scratch Better than Transferring from RGB-CNNs

[C]//Thirty-First AAAI Conference on Artificial Intelligence. 2017.

[本文引用: 1]

YiD, LeiZ, LiaoS, et al.

Learning Face Representation from Scratch

[J]. arXiv Preprint arXiv:1411.7923, 2014.

[本文引用: 1]

/