關鍵詞：深度學習 globeland30 產品優化 google earth 

摘要：本文提出結合深度卷積神經網絡與在線高分遙感影像的分類方法,用于GlobeLand30地表覆蓋產品的質量優化。首先,通過對多源地表覆蓋產品的一致性分析,構建深度學習訓練所需的高分辨率遙感大樣本(224萬樣本量);其次,基于該大規模樣本集訓練適用于GlobeLand30優化的深度卷積神經網絡模型(GoogleNet Inception V3);最后,利用訓練好的神經網絡模型對在線高分影像進行分類,用以優化GlobeLand30產品的不可靠區域。經獨立測試樣本集驗證,經過訓練的神經網絡分類總體精度為87.7%,Kappa系數為0.86,相比原始GlobeLand30的精度(總體精度75.1%、Kappa系數0.71)有了明顯提升。在4個試驗區的GlobeLand 30產品優化實驗表明:該方法能夠有效優化GlobeLand30產品的分類精度。

遙感技術與應用雜志要求:

{1}來稿如獲得某種研究基金或課題資助，請在論文首頁左下角注明課題的名稱和編號。

{2}本刊堅決反對任何形式的論文署名“搭便車”現象，對多作者署名的文章將進行更為嚴格的審核。

{3}文題應以新穎獨特的邏輯文字組合準確地反映研究工作的內容實質和特點,文題要求簡潔而信息量豐富。

{4}來稿在正文之外，請提供題名、內容摘要  (300-500字)、關鍵詞  (3-5條)及其英譯

{5}文稿首頁頁腳處注明投稿日期和通信作者簡介（包括姓名、出生年、性別、職稱、學位、研究方向、E-mail）。

注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社