基于改进DeepLabV3+深度学习模型的冬小麦种植面积提取研究

冬小麦种植面积的精确提取对粮食估产、农业政策制定、科学研究等具有重要意义。针对原始深度学习语义分割模型DeepLabV3+存在的分割效果差、提取精度低、模型复杂以及训练时间长等问题,采用MobileNetV2主干网络、注意力机制、损失函数、组归一化和条带池化对其网络模型进行改进,以高分二号影像为数据源,利用改进的模型进行冬小麦面积的提取。结果表明,单一改进模块融入对网络模型提升不高,将MobileNetV2主干网络、卷积块的注意力模块(Convolutional Block Attention Module,CBAM)、Focal Loss+Dice Loss函数、组归一化(Group Normalization,GN)和条带池化(Stripe Pooling)模块都有效融入网络模型时,相比未改进的DeepLabV3+网络模型MIoU、MPA、Accuracy分别提高了5.22%、2.43%、2.77%,利用改进模型提取的夏张镇冬小麦面积与政府统计数据相比较,相对误差仅为-7.11%,提高了1.56%;结合外业采样点,夏张镇和徂徕镇的冬小麦面积提取精度分别达到93.91%、92.31%,有力证明了改进算法在冬小麦面积提取模型中的有效性。