Land Cover Classification using Hyperspectral Imagery: A Deep Learning Approach
P Nithya · P Sudhakar
利用高光谱影像和深度学习模型对印度两地区进行土地覆盖分类，比较CNN、ResNet-18和VGG-1
使用2015-2022年230波段高光谱影像，超像素分割后，用CNN、ResNe
ResNet-18表现最佳，建成区分类准确率约95.09%，优于CNN和VGG-16。
可探索将ResNet-18等深度学习模型应用于高光谱影像的作物精细分类，或结合多时相数据提升农业监测精度。
研究比较了三种深度学习模型在高光谱影像土地分类中的表现，方法有参考价值，但时效性差，影响范围有限。
目标：本研究旨在利用高光谱影像对克里希纳吉里区和达尔马普里区进行准确的土地覆盖分类，并尝试确定深度学习模型在利用高光谱数据检测大型土地覆盖类别（如采石场、荒地、森林、建成区和农业用地）方面的有效性。方法：研究区域的土地覆盖模式分析使用了2015年至2022年间获取的高光谱图像（HSI），共包含230个光谱波段。共处理了3000幅高光谱图像，其中2000幅用于训练，1000幅用于测试。图像经过预处理后，采用超像素分割方法将其分割为超像素，并进行分类。使用三种深度学习模型作为分类模型，即卷积神经网络（CNN）、残差神经网络18（ResNet-18）和视觉几何组-16（VGG-16）。采用准确率、精确率、召回率和F值等标准指标来评估模型的性能和有效性。结果：结果表明，ResNet-18在利用高光谱图像确定土地覆盖类别方面优于其他模型。该模型在各种土地类型中表现出较高的分类水平，其中建成区的准确率约为95.09，表明其在特征提取和分类能力上优于CNN和VGG-16。新颖性：本研究的创新之处在于将高光谱图像处理与深度学习框架相结合，基于土地覆盖对区域进行分类。CNN、ResNet-18和VGG-16的相对分析证明了残差学习网络在提高高光谱遥感场景分类准确性方面的有效性。关键词：高光谱图像（HSI）、土地覆盖分类、深度学习、卷积神经网络（CNN）、ResNet-18、VGG-16、遥感、光谱-空间分析