科研之友
微信
新浪微博
Facebook
分享链接
摘要
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。
- 单位
