关键词：深度学习;卷积神经网络;化工园区;机器学习;地物识别模型
摘 要：化工园区典型地物提取一般利用传统的遥感图像处理方法，难以实现地物的精细识别，不利于化工园区环境监测和管理。研究旨在探索深度学习方法在化工园区典型地物高精度识别应用中的可行性。针对化工园区地物分布的高空间异质性，搭建TensorFlow深度学习框架，基于高分辨率遥感影像数据构建化工园区18种典型地物数据集，应用卷积神经网络BASS-Net训练化工园区典型地物识别模型，进行化工园区地物识别，并与随机森林（RF）和支持向量机（SVM）的识别结果进行对比分析。结果显示：BASS-Net模型对园区典型地物识别的整体精度、召回率和F1分数分别为97.17%、97.76%和97.46%，比RF高20%以上，比SVM高50%以上，具有明显优势。由此可见，应用卷积神经网络BASS-Net模型可以实现典型化工地物的自动精准识别，其结果较传统机器学习方法优势明显，可为化工园区环境监测和管理提供支撑。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取