基于GF-2影像的南疆阿拉尔垦区绿洲作物种植区高精度提取研究

作者：王玉珍; 高琪; 白建铎; 彭杰^*

来源：塔里木大学学报, 2022, 34(03): 68-76.

• 面向对象
• 多尺度分割
• 高分影像
• 深度学习
• U-Net

中低分辨率影像在提取地物中容易出现“同物异谱”和“异物同谱”的问题，导致地物识别精度不高。因此，为了提高中低分辨率遥感影像对农田的提取精度，本研究基于高分二号(GF-2)影像，采用面向对象和深度学习分类方法，进行南疆阿拉尔垦区农田的识别，并筛选出识别农田的最佳方法，为高精度提取农田地块提供理论基础。其中面向对象方法用决策树分类(CART)和随机森林分类(RF)两种分类器进行提取，深度学习采用加入注意力模块的U-Net卷积神经网络(CNN)模型，共三种提取方法并以总体精度(OA)和Kappa系数为评价指标，比较三种分类方法的精度并将提取结果与验证区域对比。结果表明：1)对影像进行分割时，尺度参数设置为1.5，形状因子权重为0.000 5，紧致度因子权重为0.5时的分割效果最佳；2)加入注意力模块的卷积神经网络模型分类效果最佳，OA值高达95.24%,Kappa系数为0.84，识别农田边界信息最清晰，且更加贴近真实标签；CART分类效果次之，OA值为80.29%,Kappa系数为0.61;RF分类效果最差，OA值和Kappa系数均为最低；3)三种方法所得垦区农田面积均小于实际种植面积，其中深度学习方法识别农田面积精度最高，为93.05%，能够明显反映区域农田种植面积情况。本研究可为垦区耕地种植面积准确监测以及粮食产量评估提供一定理论的参考。

• 单位
  塔里木大学