基于RMAU-Net网络模型的高分影像耕地提取

针对传统全卷积神经网络无法实现高分影像耕地精确提取的问题,以高分二号遥感卫星影像为数据源,采用融合残差结构和多种注意力机制的改进U-Net网络模型(RMAU-Net网络模型)对研究区的耕地进行精细提取。使用耕地样本对RMAU-Net网络模型进行训练,并用训练后的网络模型对测试集影像中的耕地进行提取。为了验证RMAU-Net网络模型提取耕地的效果,选取DeeplabV3+、PSPNet、UNet 3种传统的全卷积神经网络模型与RMAU-Net网络模型进行对比分析。结果表明,RMAU-Net网络模型提取的精确率、召回率、交并比、F1 Score分别为90.36%、90.78%、82.57%、90.57%。与DeepLabv3+、PSPNet和U-Net网络模型相比,RMAU-Net网络模型效果最佳。RMAU-Net网络模型为耕地精细提取提供了新的思路与方法,为农作物面积监测和产量估算等实际应用提供基础数据支持。

基于深度学习的耕地提取模型应用研究

耕地提取是农业研究领域的重点,遥感大面积观测为其提供重要的数据来源。作为近年来机器学习领域的研究热点,深度学习因其强大的泛化能力和自动提取深层次特征而被用在遥感的诸多方面。文章基于深度学习理论,利用高分辨率红绿蓝三波段遥感影像数据,目视解译构建区域耕地标记样本集,并改进基于PSPNet的深度学习模型使其适用于高分辨率遥感影像耕地精细提取,对新乡市三个代表作物种植区域进行了高效、准确的耕地自动化提取,探究深度学习模型在耕地自动化提取中的适用性,研究结论如下:(1)将模型应用到新乡市三个区域的耕地自动提取中,实现高效精准的耕地自动化分类是可行的,且不受作物种植结构及影像分辨率的影响;(2)模型在纹理特征较为简单的耕地田块以及非耕地中区分度较大的区域,模型的学习效果较好,不确定性较低。在各地类的边界区域以及纹理特征比较复杂的区域,模型的不确定性较高,存在错分及漏分情况。

基于QuickBird数据的信息提取方法研究——以耕地提取为例

以成都西部某地区为研究对象,应用QuickBird数据、实测和统计等辅助数据,结合Erdas Imagine、eCogntion和Ar-cView等软件平台,进行耕地信息的提取研究。分别采用非监督分类法、最大似然分类法和面向对象分类法提取研究区的耕地范围,并进行误差评价与精度分析。结果表明,研究区统计结果与实地调查结果吻合较好,证明了Quickbird数据以及面向对象分类法在耕地信息提取中的有效性,为耕地信息的遥感提取研究提供参考价值。

植被指数在“北京一号”数据耕地提取中的应用研究

本文旨在研究探讨适合我国最新发射的高性能对地观测"北京一号"小卫星影像中耕地提取方法。通过分析"北京一号"小卫星数据的波段特征,以山东曲阜多光谱图像为试验数据,计算典型的6种植被指数,在Erdas中建立模型,进行了耕地提取试验,并以灰度图像融合数据人工判读的结果作为参考数据,进行了精度评定。将适合"北京一号"小卫星数据的最佳植被指数提取模型应用于整个山东省的耕地提取中,得到修正植被指数提取模型,从而在"北京一号"小卫星数据耕地提取应用领域做了有效尝试。

基于Google Earth Engine多源数据的耕地提取研究

【目的】为了更好地进行耕地监测和保护,实现对耕地高效、准确的识别,针对目前利用光学数据进行耕地提取以及单机遥感图像处理的不足,基于Google Earth Engine(GEE)平台,引入雷达数据结合光学数据用于耕地提取。【方法】利用GEE平台获取研究区的sentinel-1和sentinel-2影像进行预处理,提取sentienel-1的VV、VH通道信息和sentinel-2的NDVI、NDWI、NDBI,同时使用灰度共生矩阵(GLCM)提取研究区的纹理信息,然后使用最小距离、支持向量机及随机森林3种机器学习算法对研究区进行耕地识别提取,最后通过开运算的形态学处理对耕地提取的结果进行图像后处理。【结果】以广东省广州市为例,与仅用光学数据相比,雷达数据的引入提高了耕地提取的精度,基于最小距离、支持向量机及随机森林3种算法的耕地提取总体精度分别提高0.05、0.09和0.10,其中随机森林算法提取效果最佳,总体精度达到0.85。形态学处理去除了耕地提取中提取错误的细小图斑,进一步提高了耕地提取的精度,总体精度达到0.91,Kappa为0.83。【结论】本研究基于GEE平台,引入了雷达数据并对耕地提取结果进行形态学处理,显著提高了提取精度,为大范围耕地提取提供了有效手段。

基于随机森林方法的遥感影像耕地提取与变化分析

耕地是人类社会稳定发展的物质基础,是粮食生产的重要前提与保障。耕地的变化检测对于耕地的保护和利用都具有十分重要的意义。该文以南京市江宁区为研究区,使用2017年、2019年、2021年3期哨兵2号影像,采用随机森林分类方法,提取耕地信息并分析其时空变化。结果表明:随机森林分类方法能有效识别耕地,分类精度均在80%以上。2017—2019年间,江宁区耕地面积变化不大;2021年与2019年相比,耕地面积略有减少,部分耕地转化为其他用地类型。在空间上,西部、东南部地区的耕地与其他用地类型间转化面积较大;总体上,耕地重心不断向东南方向迁移。耕地的时空变化受多种因素的影响,经济发展与城市扩张是其中的主要因素,及时准确地获取耕地变化信息可为相关管理部门提供科学依据。

边缘增强的BECU-Net模型高分辨率遥感影像耕地提取

耕地作为国家粮食生产的重要保障,其空间分布是粮食安全评估、土地资源管理等领域的主要依据。为解决现有的耕地信息提取方法忽视地块的差异化特征和边缘细节蕴含的丰富信息,且提取结果碎片化、边界模糊问题。本研究以耕地为研究对象,采用一种结合EfficientNet骨干网络和U型框架构建的改进型耕地信息提取模型BECU-Net (Boundary Enhancement Classification U-Net),并为实现边缘特征和深度特征的信息互补,设计由CoT模块(Contextual Transformer Module)、门控卷积、scSE (Spatial-Channel Sequeeze and Excitation)注意力机制形成的边缘分支子网络,来提高模型处理边界信息的专注度。同时,构建含约束项的联合型边缘增强损失函数BE-LOSS (Boundary Enhancement Loss)进一步完善模型运算性能。使用GID高分二号RGB-NIR四波段数据,与梯度、指数、纹理特征图共同构建耕地特征机制。并分别与不同网络结构、不同损失函数的模型进行对比。结果表明:改进算法的总体精度和F1分数均有改善,相比于DeeplabV3+网络,提取精度提升2.24%,F1分数提升1.77%。本研究提出的新算法可为进一步解决耕地信息提取时边界模糊问题提供技术参考,为复杂交界的精准划分提供理论支撑。

高分辨率遥感影像耕地提取研究进展与展望

耕地资源的快速、精准提取是支撑耕地保护和耕地用途管制的重要基础。随着高分辨率遥感和人工智能技术的快速发展,高分辨率遥感耕地提取已逐渐由传统的基于像元和面向对象的分类算法过渡至以深度学习为代表的智能化耕地提取新阶段,并取得不少成果,但也同样面临着诸多挑战。首先,梳理和分析了传统耕地提取算法和基于深度学习的智能化耕地提取算法的研究现状,阐述了深度学习支持下的耕地提取研究的必要性;然后,结合全卷积神经网络的发展历程,介绍了深度语义分割技术的基本原理以及在耕地提取应用中的实验流程,并归纳了主要的智能耕地提取算法;最后,围绕智能化耕地提取研究存在的不足,探讨了智能化耕地提取技术的发展趋势。

基于改进U-Net的耕地自动提取技术

传统耕地提取方法多采用人工标注,不仅耗时且成本巨大,因此如何使用自动化提取方式及时获取准确的耕地信息成为急需解决的问题。随着深度学习与遥感应用的结合,基于遥感影像的耕地自动提取技术成为研究的热点。由于遥感影像中地物组成复杂,直接将深度学习算法应用于遥感影像效果并不理想。对此,许多学者尝试改进深度学习算法以适应遥感影像的耕地提取。文章在U-Net网络的基础上,融入残差模块和纹理特征提取模块,增强模型对小目标物体和模糊样本的特征提取能力,并在自行制作的高分二号遥感影像上进行实验。实验表明,改进后的U-Net模型与原始的U-Net相比,在遥感影像的耕地提取中有更好的效果。

基于面向对象结合随机森林模型的Sentinel-2A影像耕地信息提取

为了更快、更准确地提取耕地信息,以山东省青岛市莱西市夏格庄镇为研究区,利用Sen⁃tinel-2A影像融合光谱特征、遥感指数特征、纹理特征和形状特征等31个特征变量,设计4种耕地信息提取方案,采用结合面向对象的随机森林(Random Forest,RF)分类模型提取耕地信息,并基于相同分类条件,与传统机器学习分类方法对比,评价模型的优适性。结果表明:结合所有分类特征变量的方案4耕地提取效果最佳,其中旱地提取精度高达99.6%,大棚提取精度达88.4%;5种分类方法中,结合面向对象的RF模型耕地提取精度最高,减弱了分类结果的“椒盐”现象,优化了分类结果。

基于改进DeepLab v3+模型和迁移学习的高分遥感 耕地 信息提取方法

针对实际遥感耕地信息提取工作中,多源数据特征复杂、样本标注工作繁重等导致高空间分辨率影像解译精度不高、自动化程度不够的问题,本研究基于DeepLab v3+模型,提出一种融合邻域边缘加权模块(NEWM)和轴向注意力机制模块(CBAM-s)的卷积网络模型DEA-Net,结合迁移学习方法进行高分辨率遥感影像耕地信息提取。首先,在浅层网络结构中加入邻域边缘加权模块,提升高分辨率下地物的连续性,细化边缘分割粒度;其次,在深层网络结构中添加轴向注意力机制模块,增加细小地物的关注权重,减少深度卷积导致地物丢失的情况;最后,采用迁移学习的思想,降低样本标注工作量,提高模型学习能力。利用高分卫星土地覆盖数据集(GID)数据构建源域数据集进行模型预训练,将获取的模型参数及权重信息迁移至大数据与计算智能大赛(BDCI)遥感影像地块分割竞赛数据集和全国人工智能大赛(NAIC)遥感影像数据集制作的2种不同目标域数据集中,微调训练后应用于耕地信息提取研究。结果表明,本研究构建方法能够增强模型的空间细节学习能力,提高耕地语义分割精度的同时,降低2/3以上的训练样本数量,为遥感耕地信息提取及农业数据智能化利用提供新的思路和方法。

基于多时相TM图像的耕地信息提取

根据耕地在作物全生长季内光谱特征变化频繁,其他地物光谱特征相对稳定或有规律变化的区别,基于多时相TM图像,结合相关地物的变化检测成果,提出了一种耕地信息提取方法,即首先利用改进的归一化差值水体指数(mordified normalized difference water index,MNDWI)剔除水体,然后利用基于分类后验概率变化向量分析方法剔除其他非耕地植被及人工地面,再利用面积阈值结合众数滤波方法去除噪声,最终得到耕地信息。将该方法在北京市通州区进行试用,总体识别精度达到93.3%,得到的耕地信息对修正原有耕地矢量图上的错分和漏分有重要作用。

基于MODIS植被指数时间序列的耕地范围提取——以黑龙江省为例

【目的】研究耕地范围提取的最优时间节点,提高耕地范围提取的时效性。【方法】依据归一化植被指数（NDVI）时间序列特征,选择2010-2013年不同时间节点NDVI时间序列作为输入变量,采用最大似然法、光谱角填图法和最小距离法对不同输入变量进行土地利用分类,将黑龙江省土地利用类型分为耕地、林地、草地、水域、居住用地和未利用地等6类,提取耕地范围。【结果】最大似然法在进行土地利用分类时优于其他方法;虽然作物生长期内（4-10月）的分类结果总体精度、Kappa系数和耕地制图精度最高,4-7月的分类结果略低于整个生长期的分类结果,但4-7月所用的数据更少、能更早地制图耕地范围;不同时期输入量结果均明显优于MODIS土地覆盖产品分类精度。【结论】基于MODIS NDVI时间序列能快速准确地提取耕地范围和获取最优时间节点,可提高耕地范围获取的时效性。

基于高分辨率遥感影像的河套灌区耕地信息提取研究

利用libsvm软件包的交叉验证方法选择了支持向量机的最优参数,利用ENVI5.1软件将支持向量机作为分类器,对覆盖整个河套灌域的2014年5-9月的高分一号和资源三号卫星遥感影像进行监督分类,提取出灌区耕地信息,经过人工修改,最终得到河套灌区耕地面积为634804.81ha,几何精度为91.23%,属性精度为93%。

基于支持向量机的河套灌区耕地信息提取

利用ENVI5.1软件将支持向量机作为分类器,通过对比四种基于SVM的核函数在土地利用分类中的精度,最终选定径向基SVM的监督分类对覆盖整个河套灌域的2014年5~9月高分一号和资源三号卫星遥感影像进行分类,利用不同变换核窗口尺寸进行分类精度的对比分析,选择其中精度最高的窗口完成分类后处理。最终得到河套灌区耕地面积为634804.81hm^2,总精度为96.9656%、Kappa系数为0.8979。

基于高分辨率影像数据的耕地信息提取应用研究

遥感影像地物信息丰富，使得直接通过影像获取耕地地块信息成为可能。本文介绍了以高分辨率遥感影像数据为基础图件，应用ERDAS、ARCGIS、eCogntion软件平台，通过非监督分类法、监督分类法和面向对象分类法分别对试验区域提取耕地信息的过程。试验结果表明，遥感技术是获取耕地信息提取的有效途径之一，监督分类进度为75．5％，面向对象法精度为90％。面向对象分类方法提取精度较高，效果最好。

作物耕作节律与多时相遥感结合的山地耕地信息提取方法探索

【目的】由于山地地貌区的耕地分布破碎度大,仅应用中分辨率遥感影像难以获得高精度的山地耕地分布信息,如何提高应用中分辨率遥感影像提取山地耕地信息的精度是亟需研究的问题。【方法】本文在分析区域主要作物及其生育期随季节变化的基础上,根据耕地与其他地物在植被覆盖时间序列变化上的区别,基于多时相遥感影像,提出了一种将作物生长和耕作节律与多时相遥感结合的耕地信息遥感提取方法。【结果】应用该方法准确的提取了典型山地区四川省会理县的耕地分布信息。【结论】这种方法提取速度快,结果具有一定的实时性和较高的准确性,可以满足耕地利用及管理中对耕地信息适时获取的要求,也可以应用于对历史耕地矢量数据中地块错分进行修正、更新漏分问题等。

基于TM时相特征的耕地信息提取

针对处于农作物生长期的耕地易与林地混淆、处于收获期的耕地易与裸地混淆的问题,提出了基于时序特征值进行耕地信息提取的思路。针对不同农作物生长期难以确定的问题,提出了时相耕地指数(Time Phase Cropland Index,TPCI)以提取耕地区域,提出了时相水田指数(Time Phase Paddy Index,TPPI)以区分水田、旱地区域。实验结果表明,该方法降低了水田、旱地的提取难度,且耕地、水田和旱地的提取精度均达到85%以上。

基于多源国产高分卫星时空信息的米级分辨率耕地提取

及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像,难以满足耕地破碎,农作物种植模式复杂的区域精度需求。基于此,本研究通过协同国产高分一号(GF-1)、高分二号(GF-2)和高分六号(GF-6)卫星影像,探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础,通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet(Cropland Extraction UNet)模型,以充分挖掘耕地的时相特征和空间几何特征。同时,将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割(UNet_m)、基于UNet和单时相高分辨率影像的语义分割(UNet_s)、基于对象的随机森林分类(OBIA)、基于像元的随机森林分类(RF)提取的耕地结果展开对比,分析所提出的方法在不同区域的适宜性。结果表明,基于CEUNet模型提取的米级耕地总体精度达到92.92%,且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相较于基于对象和基于像元的随机森林分类分别提升了0.21和0.21,相较于UNet_m和UNet_s分别提升了0.04和0.11,其中针对地块破碎,景观异质性高等区域,CEUNet相较于UNet_m和UNet_s提升了0.09和0.26。本研究提出的CEUNet模型能够充分发挥多源国产高分卫星数据的空间和时间优势,两者结合能够快速、高效地提取不同农业景观及不同种植模式的耕地空间分布信息。

喀斯特山区石漠化耕地遥感精准提取与分析——以贵州省北盘江镇与花江镇为例

选取北盘江镇与花江镇作为研究区,利用谷歌高精度遥感影像,结合分区分层分级思想,基于深度学习与传统约束方法对研究区耕地进行精准提取。结果表明:1)在数量精度上,以视觉形态差异对研究区进行分区并选取不同模型训练获得的精细地块,面积约为9867 hm2,与实际数量基本一致,F-Measure主要分布在[0.82,0.98]之间,受到地形和岩石裸露率的影响,石漠化严重地区耕地提取精度较低。2)在形态精度上,预测耕地与实际耕地的GIOU主要分布在[0.7,1]之间,分割正确率>0.85,表明预测耕地边界与实际地块边界吻合度高,提取结果符合研究区实际情况。3)利用地貌坡度等约束条件对耕地进行划分发现,研究区以喀斯特耕地为主,占比74%,并且石漠化程度较严重,其中轻度石漠化耕地与中度石漠化耕地占总耕地的32%。在石漠化地区,耕地的狭长程度、破碎程度受人类影响较大;距离居民地越近、可达性越高的地区,其土地利用率越高,斑块越破碎。文章所提出方法可用于耕地破碎、地形复杂地区的耕地提取,能够为地区的发展、耕地治理与研究、环境保护与决策等提供精准数据支持。