基于深度学习的四川盆地丘陵区县域耕地遥感识别研究

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）》

李豪 杜雨秋 肖星竹 陈彦羲

摘要： ［目的/意义］耕地识别是农业遥感的重要应用领域之一，但现阶段深度学习等人工智能方法在中国西南 丘陵区遥感识别的研究应用深度仍然不够，识别精度有待提升。［方法］为了快速、精确地获取耕地面积、分布等 信息，基于高分辨率的高分六号（GF-6） 遥感影像，运用UNet++、DeeplabV3+、UNet与PSPNet等新型深度学习 模型对四川省绵阳市三台县耕地信息进行识别，并对各深度学习模型、传统机器学习方法——随机森林法及新型 土地覆盖产品SinoLC-1的识别精度进行对比分析，以期深入探索深度学习方法在地物遥感识别领域的应用前景。 ［结果和讨论］深度学习模型在F1分数、整体精度（Overall Accuracy, OA）、Kappa系数等精度评价指标的表现上， 相比于传统机器学习方法和新型土地覆盖产品均有显著提升，精度提升幅度分别可达20%和50%；其中添加了密 集跳跃连接技术的UNet++模型的识别效果最好，其F1分数、交并比（Intersection over Union, IoU）、平均交并比 （Mean Intersection over Union, MIoU）、OA 值和 Kappa系数值分别为0.92、85.93%、81.93%、90.60%和0.80。应用 UNet++模型对2种由仅光谱特征以及光谱+地形特征两种不同特征构建的影像进行耕地提取，光谱+地形特征模型 的IoU、OA和Kappa 3个指标比仅光谱特征模型分别提高了0.98%、1.10%和0.01。［结论］深度学习技术在应用于 高分辨率遥感影像中的耕地识别方面展现出显著的实用价值，融合光谱和地形特征可以实现信息互补，能进一步 改善耕地的识别效果。本研究可为相关部门更好地管理和利用耕地资源、推动农业可持续发展提供技术支撑。

通过

 点击量 2  下载量 1  评论 0