当前土地利用分类样本标签的时效性和样本内部特征对象复合性、分类间界限模糊性和土地利用类型的不平衡性使得国土资源调查遥感影像土地利用分类自动化难度大、精度低。因此,提出一种双层组合神经网络用于土地利用自动分类。首先,利用城市道路交通网络矢量数据裁切影像,生成并标记具有明确土地利用类别边界的标签样本,构建基于第三次全国国土调查土地利用标准的城市遥感影像数据集;然后,组合U-Net的跳跃连接和DenseASPP的密集空洞空间金字塔池化结构,对多尺度上下文信息和抽象空间信息进行聚合,消除类不平衡现象,提升自动分类精度。在自建数据集和ISPRS Vaihingen公开数据集上进行实验,将所提方法与U-Net、DenseASPP和Deeplabv3三种典型深度卷积神经网络方法进行比较。在两种数据集上,所提方法的分类总体准确率分别为75.90%和89.63%;F1值分别为74.68%和86.56%,平均交并比(mean intersection over union,mIoU)分别为72.21%和82.23%,其语义分类结果皆优于所比较的方法。总的来说,所提方法提升了土地利用机器学习分类精度。
