基于集成深度学习模型的耕地地块提取

作者：程锐; 魏妍冰; 陆苗^*; 吴文斌

来源：中国农业资源与区划, 2022, 43(07): 273-281.

• 耕地地块
• 地块提取
• 卷积神经网络
• Bagging抽样
• 集成学习

[目的]耕地地块空间分布是农业生产管理和农业政策制定的重要基础信息。我国农业耕作方式和种植结构复杂，地块形状多样、均质性较低，基于Landsat影像的传统方法难以实现地块的准确提取。[方法]文章提出一种集成深度学习模型（Ensemble Deep Learning,EDL），可以在高分辨遥感影像中实现地块提取。首先通过随机可放回的Bagging抽样方法得到不同的训练集，然后将训练集用于多个卷积神经网络（FCN、PspNet、SegNet、Unet），逐像素计算相应的耕地边界概率，最后将概率图按照平均值进行集成，获得耕地地块边界，进而实现耕地地块的提取。[结果]该文提出EDL方法提取耕地地块的总体精度达到96%，相较于FCN、SegNet、Unet提升了1%，相较于PspNet提升了2%。相较于单个分类器，集成深度学习模型可以减小偏差，提高地块提取的准确率[结论]集成深度学习模型能够综合多个卷积神经网络的优点，提高分类精度，为耕地地块边界提取提供了新方法。

• 单位
  中国农业科学院农业资源与农业区划研究所