應用卷積神經網路在集水區土地利用的多分類影像的分析研究

Peng Hsin-Wei; Wan Shiuan; Yu-Hsin Cheng

doi:10.29417/JCSWC.202306_54(2).0007

山西大学，您好！

感谢采购，人社期刊库｜人社论文库，期间：2025/01/01~2025/12/31

感谢试用，科学期刊库｜科学论文库，期间：2024/10/20~2025/01/20

浏览高级检索

关闭
检索检索高级检索出版物检索
浏览期刊主题浏览核心期刊浏览期刊拼音浏览

关闭

查询符号(半角)	查询符号意义说明
空格	表示为「AND」两个查询词之交集
双引号 ( " " )	片语以双引号标示开始及结束，而且只寻找出现顺序相同的字词，例： " image process "
?	表示一个字母切截，输入两个?表两个字母，依此类推，例：输入「Appl?」，查得结果应为appl e , appl y … ( 常用于英文字查询 )
*	表示不限字母切截，由0~n. 例：输入「appl*」，查得结果应为appl e , appl es , appl y , appl ied , appl ication … ( 常用于英文字查询 )
AND、OR、NOT	布尔逻辑组合关键字，用来扩大或缩小查询范围的技巧。 (1) AND ：缩小查询范围 (2) OR ：扩大查询范围(3) NOT：排除不相关的范围

DOI 是数位物件识别码（ D igital O bject I dentifier ）的简称，
为物件在网路上的唯一识别码，可用于永久连结并引用目标物件。

使用DOI作为永久连结

每个DOI号前面加上「 http://dx.doi.org/ 」便成为永久网址。
如以DOI号为 10.5297/ser.1201.002 的文献为例，此文献的永久连结便是： http://dx.doi.org/ 10.5297/ser.1201.002 。
日后不论出版单位如何更动此文献位置，永久连结所指向的位置皆会即时更新，不再错失重要的研究。

引用含有DOI的文献

有DOI的文献在引用时皆应同时引用DOI。若使用APA、Chicago以外未规范DOI的引用格式，可引用DOI永久连结。

DOI可强化引用精确性、增强学术圈连结，并给予使用者跨平台的良好使用经验，目前在全世界已有超过五千万个对象申请DOI。如想对DOI的使用与概念有进一步了解，请参考（）。

ACI:

数据来源：Academic Citation Index，简称ACI

台湾最大的引用文献资料库，目前收录台湾与港澳地区所出版的人文学、社会学领域学术期刊之书目资料与参考文献，总期刊量超过690种，每年定期公布收录期刊的影响指数(Impact Factor)等指标给大众，并提供专家学者与学术单位实用的计量与分析功能。

五年影响指数（5-Year Impact Factor）：某一期刊前五年所出版的文章在当年度的平均被引用次数。

公式：（前五年发表论文在统计年的被引用次数）÷（前五年论文产出论文总篇数）

例如：A期刊2017年之五年影响指数

(A期刊2012-2016年发表论文在2017年的被引总次数)/(A期刊2012-2016年发表的论文总数)

什么是预刊文章？

为提供读者最前线之学术资讯，于期刊文献获同意刊登后、纸本印制完成前，率先于网路线上发表之文章即为预刊文章。预刊文章尚未有卷期、页次及出版日期资讯，但可藉由DOI号识别。 DOI号是文献的数位身份证字号，不论预刊或正式出版皆不会改变，读者可点击DOI连结，或于DOI号前面加上「 http://dx.doi.org/ 」连结到文献目前最新版本。

如何引用预刊文章？

请使用预刊文章的线上发表日期及DOI号来引用该篇文献。

引用范例(视不同引文格式规范可能有所差异)：

作者姓名。文章篇名。期刊名称。 YYYY/MM/DD线上预先发表。

doi:DOI 号

来源数据

P164 - 173

生物农学 > 农业
生物农学 > 森林
生物农学 > 畜牧
生物农学 > 渔业
生物农学 > 生物环境与多样性
工程学 > 土木与建筑工程
工程学 > 市政与环境工程

DOI： 10.29417/JCSWC

书目管理工具

相关连结

问题回报

全文下载

应用卷积神经网路在集水区土地利用的多分类影像的分析研究

The Study of Multi-category Image Analysis by Using Convolutional Neural Network for Land Use of Watershed

彭信玮(Peng Hsin-Wei) ；万绚(Wan Shiuan) ；郑育欣(Yu-Hsin Cheng)

中华水土保持学报； 54 卷 2 期 (2023 / 06 / 01) ， P164 - 173

繁体中文;英文 DOI： 10.29417/JCSWC.202306_54(2).0007

机器学习；深度学习；混淆矩阵； Machine learning ； Deep learning ； Confusion matrix

0 个人觉得这篇文章赞

摘要 │ 参考文献 (15) │ 被引用文献 (1) │ 国际计量

摘要〈TOP〉

并列摘要〈TOP〉

Considering the vast area of the watershed area for soil and water conservation, the disasters such as sloping land collapse and earth-rock sliding are produced in large areas of bare land due to typhoon, heavy rain or illegal development. It often directly or indirectly influences the water quality of the water source or cause serious reservoir siltation which threaten the usage for water resources of people. Presently, the management of the catchment area requires manpower to regularly inspect for illegal use, which is time-consuming and labor-intensive, and also costs a lot of money. Therefore, this study is combined with image recognition technology to conduct land monitoring through image recognition technology, which greatly saves manpower expenditure. The image of the study area in this study is in the Wulai Mountains. This area has a series of monthly image data, and two months are taken for analysis and research (April ~ May 2019). The band adopts the 4 basic bands, and the landform adopts 7 classification categories such as trees, turf, and buildings. In the first step, we used the Support Vector Machine (SVM) in machine learning. The Convolutional Neural Networks (CNN) is a deep learning approach for the second step of data training. This study adopts the Alex-Net model of CNN to carried out the calculation progress. The model uses 5 layers of convolution layers and 3 layers of pooling layers as the overall architecture. The differences between CNN and SVM are drawn by confusion matrix and thematic map. As shown by the research results, the classification performance of the CNN is in the same level as the SVM for some landforms (95%). However, the integrity is good and there is no serious noise with classification error, especially considering the two topographical parts of the buildings and bare-lands.

参考文献 ( 15 ) 〈TOP〉

Espindola, G.M.,Camara, G.,Reis, I.A.,Bins, L.S.,Monteiro, A.M.(2006).Parameter selection for regiongrowing image segmentation algorithms using spatial autocorrelation.International Journal of Remote Sensing,27(14),3035-3040.
Krizhevsky, A.,Sutskever, I.,Hinton, G.E.(2012).ImageNet classification with deep convolutional neural networks.Commun. ACM,60,1097-1105.
LeCun, Y.,Bottou, L.,Bengio, Y.,Haffner, P.(1998).Gradient-based learning applied to document recognition.Proceedings of the IEEE,86(11),2278-2324.
Lillesand, T M.,Kiefer, R.W.(2004).Remote Sensing and Image Interpretation.John Wiley & Sons Ltd..
Makantasis, K.,Karantzalos, K.,Doulamis, A.,Doulamis, N.(2015).Deep Supervised Learning for Hyper-spectral data Classification Through Convolutional Neural Networks.Proceedings of the International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, 26-31 July,Washington, DC, USA:

被引用文献 ( 1 ) 〈TOP〉

(2024)。结合无人机多光谱影像及机械学习方法进行地物判释。中国土木水利工程学刊，36(3)，275-283。

国际计量

〈TOP〉

E-mail ：

文章公开取用时，将寄通知信至您填写的信箱地址