摘要：定量分析遙感影像尺度與分類精度之間的關(guān)系是進(jìn)行土地覆蓋分類的基礎(chǔ)。深度學(xué)習(xí)具有從底層到高層特征非監(jiān)督學(xué)習(xí)的能力,解決了傳統(tǒng)分類模型中需要人工選擇特征的問題。這種新型的分類方法的分類精度是否受到不同分辨率尺度影響,有待研究。利用深度卷積神經(jīng)網(wǎng)絡(luò)(Deep Convolutional Neural Network,DCNN)--金字塔場景分析網(wǎng)絡(luò)(Pyramid Scene Parsing Network,PSPNet)進(jìn)行4種分辨率(8、3.2、2和0.8 m)的米級、亞米級影像冬小麥分類。實驗結(jié)果表明:PSPNet能夠有效地進(jìn)行大樣本的學(xué)習(xí)訓(xùn)練,非監(jiān)督提取出空間特征信息,實現(xiàn)"端-端"的冬小麥自動化分類。不同于傳統(tǒng)分類器分類精度與分類尺度之間的關(guān)系,隨著影像分辨率的逐步增高,地物表達(dá)特征越來越清晰,PSPNet識別的冬小麥精度會逐步增高,識別地塊結(jié)果也越來越規(guī)整,不受分辨率尺度的影響。這對于選擇甚高亞米級影像提高作物分類精度提供了實驗基礎(chǔ)。