遥感图像处理笔记之【Land use/Land cover classification with Deep Learning】

合集 - 遥感图像(15)

1.遥感图像处理笔记之【Land use/Land cover classification with Deep Learning】2024-01-24

2.遥感图像处理笔记之【Deep learning for Geospatial data applications — Multi-label Classification】2024-01-243.遥感图像处理笔记之【Multi-label Land Cover Classification with Deep Learning】2024-01-244.遥感图像处理笔记之【FastAI Multi-label image classification】2024-01-245.遥感图像处理笔记之【U-Net for Semantic Segmentation on Unbalanced Aerial Imagery】2024-01-246.遥感图像处理笔记之【Сrор field boundary detection: approaches and main challenges】2024-01-247.遥感图像处理笔记之【Automatic Flood Detection from Satellite Images Using Deep Learning】2024-01-248.遥感图像处理笔记之【Machine Learning CS-433 - Class Project 2 - Road Segmentation - EPFL】2024-01-029.遥感图像处理笔记之【多模态遥感图像综述】2024-01-1510.遥感图像处理笔记之【图像融合综述】2024-01-1611.【Trento】遥感图像数据集提供下载2024-01-1812.遥感图像处理笔记之【论文：一种图像融合新方法】2024-01-2613.【Pavia】遥感图像数据集下载地址和读取数据集代码2024-03-2814.特征融合与特征交互的区别2024-04-1815.遥感图像Trento原始数据集下载2024-11-01

收起

遥感图像处理学习（1）

---

前言

遥感图像处理方向的学习者可以参考或者复刻

本文初编辑于2023年12月14日CSDN平台
2024年1月24日搬运至本人博客园平台

---

文章标题：Land use/Land cover classification with Deep Learning

文章地址：https://towardsdatascience.com/land-use-land-cover-classification-with-deep-learning-9a5041095ddb

文章所涉及的代码：https://github.com/shakasom/Deep-Learning-for-Satellite-Imagery/blob/master/LULC_Final.ipynb

---

这篇文章将CNN（Resnet50）应用于Sentinel 2数据集中，用于处理遥感图像中的分类问题

Sentinel-2是欧洲空间局哥白尼计划中的一项地球观测任务，使用多架卫星组成的卫星星座，拍摄地球表面的中分辨率影像，用于森林监测、水质监测、土地覆盖变化侦测、天然灾害管理等遥感分析。

Sentinel 2包括13个波段的多光谱影像拍摄，光谱范围涵盖可见光、近红外线（NIR）与短波红外线。

本文章依次使用了5种不同的波长图像数据进行训练：分别是全13波段图像、RGB波段图像、高分辨率图像、特殊波段图像（有关农业、植被、水和土地的图像）和RGB波段图像+特殊波段图像组合。
实验结果表明使用特殊波段图像得到的模型准确度最高。

文章提到，使用更多波段的图像数据并不能使模型的效果变好，文章提出假说：训练时并入了低分辨率的图像。
然而只用高分辨率的图像得到的模型准确度最低，文章没有对此做出猜测。