基于双分支图卷积融合网络的水库区域地表覆盖遥感分类

• Published in: 中国农村水利水电 no. 7; pp. 124 - 138
• Main Authors: 张成才, 郭少华, 罗蔚然, 杨峰
• Format: Journal Article
• Language: Chinese
• Published: 郑州大学水利科学与工程学院,河南 郑州 450001%河南省出山店水库建设管理局,河南 信阳 464000 2023
• Subjects: land use classification; DenseNet; deep learning; 图神经网络; 深度学习; graph convolution network; remote sensing; 遥感; 地表覆盖; 稠密网络
• ISSN: 1007-2284
• DOI: 10.12396/znsd.221819

TV697%TP751; 准确的水库区域地表覆盖遥感分类,为水库生态环境保护、水库优化调度及水土保持等方面提供重要的基础数据.近年来,深度学习广泛应用于地表覆盖分类中,目前基于卷积神经网络的地表覆盖分类方法,通常是使用规则卷积核进行的局部空间运算,难以捕获像元间的长距离依赖关系.因此提出一种双分支图卷积融合网络(Dual Graph Convolutional Fusion Network,Dual-GCFN)进行地表覆盖遥感分类,网络分为两部分,其中上分支利用K近邻算法构建像元间的拓扑关系图,然后用图神经网络(Graph Neural Network,GNN)聚合邻域特征更新目标节点信息,实现光谱特征的聚合;下分支利用稠密网络(Dense Convolutional Network,DenseNet)对影像局部块进行卷积,提取遥感影像的空间信息和高阶语义信息;最后通过维度通道Add操作将光谱特征和空间特征将进行有效融合,经过全连接层后使用Softmax分类器实现地表覆盖分类.以河南省出山店水库区域为研究对象,使用研究区的Sentinel-2遥感影像数据和DEM数据进行实验,结果表明:提出的Dual-GCFN分类总体精度和Kappa系数分别为90.63%和0.87,与经典分类方法随机森林分类(Random Forest,RF)、单一的GNN或者DenseNet的分类结果相比总体精度分别提高了15.97%、10.86%、4.64%,Kappa系数分别提高了0.26、0.24、0.08,且在分类结果中大幅减少了地物的错分现象和分类图中的点状噪声.