[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...[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F_(1)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F_(1)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。展开更多
文摘[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F_(1)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F_(1)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。
