改进DeepLab v3+模型下的梯田遥感提取研究

分类： 农、林、牧、渔 >> 农、林、牧、渔业科学其他学科 提交时间： 2024-07-17 合作期刊: 《智慧农业（中英文）》

张俊 陈雨艳 秦震宇 张梦瑶 张军

摘要： ［目的与意义］ 梯田作为农业生产的关键要素之一，其面积估算对于农业政策制定、土地规划和资源管 理至关重要。为解决复杂的地形条件、种植环境导致传统遥感数据和监测方法难以开展梯田自动化提取问题，探 索一种利用深度学习技术在高分辨率遥感影像中精准提取梯田面积的方法。［方法］以休耕期梯田高分六号影像构 建语义分割数据集，同时提出一种改进的DeepLab v3+模型。该模型使用轻量级网络MobileNet v2作为骨干网络， 为了同时兼顾局部细节和全局语境，使用多尺度特征融合（Multi-scale Feature Fusion module, MSFF） 模块代替空 洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP） 模块，利用扩张率依次增大的空洞卷积级联模式改善信 息丢失的问题。此外，对浅层特征和深层特征使用坐标注意力机制以加强网络对于目标的学习。［结果与讨论］ 利用红、绿和近红外波段组合方式在梯田提取的精度和效果上表现最佳。相比于原始DeepLab v3+网络，精确率、 召回率、F1评分和交并比指标分别提升4.62%、2.61%、3.81%和2.81%。此外，与UNet和原始DeepLab v3+相比， 改进的DeepLab v3+在参数量上和浮点运算数有着更为优越的性能，其参数量仅为UNet的28.6%和原始DeepLab v3+的19.5%，同时浮点运算数仅为UNet和DeepLab v3+的1/5。这不仅提高了计算效率，也使得改进后的模型更适 用于资源有限或计算能力较低的环境中。［结论］深度学习在高分辨率遥感影像梯田识别中具有较高的精度，有利 于为梯田精细化监测和管理提供参考依据。

通过

 点击量 2  下载量 1  评论 0