深度学习分类只有正样本_基于深度学习的土地分类及土地覆盖制图

时至今日，有大量学者围绕土地分类做过大量的研究，但目前土地分类研究存在还存在一些问题题：

1) 数据集--基于像素的单日期多光谱遥感图像，对于多时间的相关性研究较少，主要是利用MODIS时间序列等空间分辨率较低的图像；

2) 技术--如随机森林(RFs)、神经网络(NNs)和支持向量机(SVMs)---精度低。

有学者针对上述问题综合利用遥感图像中的多光谱、多时空信息，考虑相邻像素间的遗传空间和序列相互依赖性，提出了一种新的基于patch的递归神经网络(PB-RNN)模型，处理了在多时间数据序列中出现的被云/阴影污染的像素。

基于patch的递归神经网络(PB-RNN)模型结构

• 案例

数据准备

选取佛罗里达大沼泽地(多样的生态类型使得大沼泽地成为测试PB-RNN的可靠性和理想场所23幅landsat8系列图像，其中任意两幅连续图像之间的时间间隔为16天。2014年2月10日获得该系列的第一幅图像，2015年1月28日获得最后一幅图像。我们从整个图像中提取一个大小相当于771平方公里(864* 991像素)的子集作为研究点。

为了对单个图像进行分类，使用2014年3月30日采集的图像，云层/阴影覆盖率小于2%，对于多幅图像的分类，选取2014年2月10日、2014年3月14日、2014年3月30日、2015年1月2