基于深度学习的无人机遥感影像地物分类OA

针对复杂地形下无人机遥感影像的城市地物分类难题,文章以U-Net模型为核心,以兰州市5个主要城区为研究区域,将土地利用类型划分为水体、林地、草地、道路、建筑物、耕地六类,通过外业实地核查与人工目视解译相结合的方式获取标签数据,采用规则格网法、滑动窗口法与随机裁剪法构建训练样本库。采用PyTorch框架训练模型,引入正则化技术,并与主流模型进行对比实验,以准确率、召回率、交并比和F1分数作为评价指标。结果表明,U-Net模型在所有评价指标上均取得最优结果,在自然地表特征提取与复杂边界保持方面表现优异。可视化分析显示,该方法生成的分类图边界清晰、与真实地物吻合度高,降低了地物间的混淆现象,但在道路类别识别上仍有提升空间。基于U-Net的深度学习模型能够有效解决复杂地形条件下无人机遥感影像的城市地物精细分类问题,为城市动态监测与规划提供了可靠的技术支持。