Page 193 - 测绘新技术的理论与实践研究

第五章 多源遥感数据获取技术研究

据，也就是生成模型逐渐学会了图像数据到标签数据的映射，判别模型已很难辨

别生成数据还是真实数据。
（三）自动提取的优缺点
基于深度学习的自动提取算法的优点在于：自动化程度高，适应性好；整体

精度较高，与半自动提取方法精度相当，而且整体轮廓更为规整。特别是对于较
为杂乱或者破碎的地物目标，半自动方法效果很差或者失效，而基于深度学习的
方法则取得明显优势，可以提取出大部分或者主要地物，减少了人工采集工作量。

但是，通过研究及其实验，我们也发现基于深度学习方法存在的问题：样片
需求量大，而且严重影响提取效果；深度神经网络目前还是黑盒，很多现象难以
解释，必须通过大量实验才能验证方法的适应性；网络及其参数调整较为麻烦，
训练过程存在不稳定性。样片是阻碍深度学习方法应用的主要困难，深度神经网

络是基于大数据的自我学习，样片的数据量应该是数以万计甚至百万计。这部分
实验的样片数据明显不足，导致依然存在较多的提取错误。由于样片数量的问题，
基于全卷积神经网络（FCN）的实验目前还无法开展。

深度学习的方法在基于大数据的特征提取及分类方面展现了无可比拟的优
势。深度学习不需要指定特征类别，避免了图像分割难以选择有效特征的问题，
因此可以更好地解决特征提取的有效性、维度问题和机器学习中需要标记大量数

据的问题，从而提高地物要素提取算法的适应性和自动化程度。我们相信，随着
训练数据的增加和网络的优化，还可以进一步提高精度。这一切证明了基于深度
学习的方法在地物要素提取的能力和巨大的潜力。

第三节 地形变化检测处理

数字高程模型（Digital Elevation Model，DEM）是区域地表面海拔高程的数
字化表达。在一定范围内通过规则格网或三角网描述地面高程信息的数据集，用

于反映区域地貌形态的空间分布。在工程建设上，可用于如土方量计算、通视分
析等；在防洪减灾方面，DEM 是进行水文分析如汇水区分析、水系网络分析、
降雨分析、蓄洪计算、淹没分析等的基础；坡度、坡向及坡度变化率等地貌特性

也可在 DEM 的基础上派生。由于 DEM 描述的是地面高程信息，它在测绘、水文、
气象、地貌、地质、土壤、工程建设、通信、军事等国民经济和国防建设领域有

181