基于深度学习的高分辨率遥感影像土地利用分类与建筑物提取方法研究

摘要

高分辨率遥感影像的精准解译是资源调查、城市规划等领域的核心需求,其中土地利用分类与建筑物提取是两类关键应用任务。传统解译方法依赖人工判读或浅层机器学习,存在效率低、精度不足、复杂场景适应性弱等问题。本研究聚焦这两类任务,构建了“数据增强—特征提取—模型优化—精度验证”的深度学习解译路径,通过对比实验验证了卷积神经网络(CNN)、Transformer及CNN-Transformer混合模型的解译性能。结果表明,CNN-Transformer混合模型在土地利用分类中总体精度达92.7%(Kappa系数0.91),在建筑物提取中F1值达0.89(IoU 0.86),为高分辨率遥感影像的精细化分类与目标提取提供了有效技术方案。

关键词

深度学习 / 高分辨率遥感影像 / 土地利用分类 / 建筑物提取 / 影像解译