科研之友
微信
新浪微博
Facebook
分享链接
摘要
高分辨率遥感影像中耕地特征复杂，人工目视解译和传统的遥感影像分类方法提取能力有限，无法实现大范围的自动化高精度耕地提取。深度学习技术因具有较强的地物表达能力，在遥感影像信息自动提取方面表现出了优越的性能，为大范围耕地的精细化自动提取提供了新的思路。探究不同典型网络模型在不同景观特征耕地提取上的适用情况对耕地提取质量和效率的提升具有重要意义。基于此，本研究以高分一号及高分二号融合的2 m分辨率数据为数据源，采用改进的金字塔场景解析网络MPSPNet(Modified Pyramid Scene Parsing Network)和UNet网络模型，应用于山东省的耕地精细自动化提取，并与传统面向对象的方法对比，探究两种深度卷积神经网络模型在大尺度耕地自动提取中的适用性。研究获得以下结论：（1） MPSPNet模型和UNet模型在区/县尺度的耕地提取上性能优于传统的面向对象的分类方法，在全省尺度的耕地提取上总体精度优于90%且无明显差异。（2）耕地景观特征是影响两模型耕地提取效果的重要因素，模型的选择对耕地提取效果无明显影响。在耕地景观指数较低的地块规则平整的区域，模型提取效果较好，在耕地景观指数较高的地块破碎丘陵区域以及与耕地特征相近的地块区域，模型提取效果较差，并且UNet模型在这些区域误分耕地的概率更大。（3）两模型在不同区域、不同时相的影像中能得到较好的耕地提取效果，具有较强的泛化能力和时空迁移能力。
- 单位
