一种DeepLabv3+结构改进的高分遥感影像红树林边界识别方法

针对红树林自动监测与保护的迫切需求,文章提出一种DeepLabv3+改进模型的高分辨率遥感影像红树林的识别方案。改进方案主要包括在DeepLabv3+的ASPP(Atrous Spatial Pyramid Pooling)结构中,引入深度可分离卷积和SE(Squeeze and Excitation)注意力机制,以及在解码端加入CBAM(Convolutional Block Attention Module)注意力机制和多尺度融合技术,以提高模型对红树林关键特征的捕捉和表征能力,从而减少漏检和误检现象。经过严格的精度评价,改进后的DeepLabv3+模型在总体精度上达到了99.60%,在召回率、红树林类交并比(Mangrove-IoU)和类F1-score上也分别达96.05%、95.31%和97.60%。与原始DeepLabv3+、HRNet和PSPNet模型相比,改进模型在所有主要评价指标上表现更优,红树林的识别准确性和边界提取能力明显提升。应用分析也进一步验证了模型的泛化能力和应用潜力。研究成果可优化红树林的实时监测技术。

基于CU-Net模型的红树林自动识别方法研究——以广东省珠海市淇澳岛为例

红树林对维护生物多样性以及生态平衡等具有重要意义。因此,高效、精确地提取红树林植被信息以及实时对其进行监测十分必要。本文提出了一种高分辨率遥感影像红树林像素级精确提取的深度学习方法。针对红树林遥感分类精度不高的问题,通过强化图像中心信息,弱化边缘信息的方法引入CLoss损失函数,添加Dropout、Batch Normalization层构建了适用于红树林识别的CU-Net模型,采用滑动重叠拼接方法构建了新的预测模型,有效解决了预测结果边缘信息不足以及有拼接痕迹的问题。将本文方法的识别结果与U-Net、SegNet、DenseNet模型的预测结果以及传统的SVM、RF方法进行对比,结果表明,本文模型相较于其他深度学习模型泛化能力更强,识别效果更好,在两个测试区域的平均总体精度、平均交并比分别达到了94.43%、88.12%,平均F1-分数在红树林和普通树木的精度分别达到了95.96%、90.49%,精度明显高于传统的SVM、RF方法,也高于其他几种神经网络方法,验证了该模型在红树林识别领域的有效性,可为高分辨率遥感红树林识别领域提供一条新的思路。