| 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]新型深度学习模型在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，取得了81.93%的平均交并比（Mean Intersection over Union,MIoU）,OA达到90.6%,Kappa系数达到0.8006。[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，可为相关部门更好地管理和利用耕地资源，为推动农业可持续发展提供技术支撑。 |
在线留言
联系我们
所长信箱