新机器学习与深度学习在遥感图像分类中的应用.pdf

1、新机器学习与深度学习在遥感图像分类中的应用马宇龙易智瑞信息技术有限公司遥感事业部机器学习发展贝叶斯分类器1950Rosenblatt感知器1958ThomasKNN19671984CART1984CoxLogistic回归1958LeCunCNN1989反向传播算法1986RumelhartSVM1995Vapnik1986ID31993C4.5Breiman随机森林2001获取样本训练模型图像分类机器学习与深度学习核心3步骤AIAI机器机器学习学习深度深度学习学习获取样本应该怎么画样本？传统监督分类（感兴趣区域的统计信息作为样本）深度学习机器学习打点即可So easy!机器学习样本PK样本质

2、量大于数量需要绘制背景类推荐点状样本全：样本子区全面覆盖多种地物多：绘制样本尽可能多，推荐覆盖子区域80%以上目标精：样本轮廓尽可能精确，不要多余地物监督分类 随机森林 支持向量机 朴素贝叶斯 线性支持向量机 K近邻 极度随机树非监督分类 BIRCH Mini Batch K-Means异常探测 孤立森林 局部异常因子训练模型ENVI 全新机器学习工具包分类不同地区、不同时相的数据 可批处理 可分布式并行处理 可分享训练后的分类器保存和恢复分类器ENVI 全新机器学习工具包数据准备 点状、线状、面状样本选择机器学习算法 随机森林 支持向量机 朴素贝叶斯 训练分类器图像分类ENVI 全新机器学习

3、工具包以 4景 SuperView-1 数据为例（2米）ENVI 全新机器学习工具包 分类结果训练模型机器学习工具机器学习监督分类机器学习非监督分类机器学习异常检测深度学习特点就是模型可复用，机器学习也有训练模型！训练模型机器学习模型可复用？深度学习善于提取空间特征，也因此具备对象检测能力图像分类分别有哪些适用场景？机器学习深度学习图像分类深度学习应用场景像素分类对象检测变化监测建筑物厂房城中村空地绿地蔬菜大棚风力发电风车光伏发电板水体硬质地表汽车道路深度学习图像分类工具典型应用机器学习PK深度学习机器学习深度学习Sentinel-2A/B(哨兵2B)机构：欧空局发射时间：2015/2017基

4、本参数：分辨率：10/20/60 米 13个波段：可见光、近红外、短波红外 标准宽幅：290 x290千米 重返周期：10天 双星：5天Landsat8运行时间：2013年2月Landsat9运行时间：2021年9月基本参数：9个多光谱波段（OLI陆地成像仪）：30米 2个热红外波段（TIRS）：100米 全色波段：15米分辨率 成像宽幅：185x185千米 重返周期：16天 双星：8天Landsat 8/9机构：欧空局运行时间：2014/2016基本参数：C波段全极化SAR 分辨率：5/20/40 米 标准宽幅：80/250/400千米 重返周期：12天 双星：6天Sentinel-1A/B

5、(哨兵1A/B)ENVI时序立方体哨兵数据自动构建NDVI指数的时序分析ENVI时序立方体不同的颜色代表一年中植被的健康状况。红色、蓝色或绿色等强烈的颜色表示收获时序立方体与机器学习强强联合提取单双季水稻鄱阳湖区年内不同熟制水稻物候历示意图，图中A为早稻，B为晚稻，C为单季稻（此处指中稻）水稻熟制图片引自：李鹏，姜鲁光，封志明，等.鄱阳湖区粮食供给功能的空间格局分析J.自然资源学报.2011,26(2):190-200.不同类型水稻NDVI时序特征分析双季稻双季稻NDVI时序曲线时序曲线单季稻单季稻NDVI时序曲线时序曲线一季早稻一季早稻NDVI时序曲线时序曲线在ENVI ROI工具面板，绘制

6、点状样本：单季稻 双季稻 一季早稻 其他类别绘制样本样本情况统计分类类别分类类别详细地类详细地类样本点数样本点数双季稻双季稻双季稻261单季稻单季稻单季稻166一季早稻一季早稻一季早稻241其他类别其他类别其他农作物229建筑40林地94水体76浅滩7滩涂6在Toolbox工具箱，选择Machine LearningClassificationSupercisedRandom Foreast Classification随机森林分类工具。Input Raster：选择构建的时序立方体。Input ROIs：选择绘制好的ROI 类别。Background Labels：在“背景标签”字段中，指定