摘要：耕地资源的快速、精准提取是支撑耕地保护和耕地用途管制的重要基础。随着高分辨率遥感和人工智能技术的快速发展,高分辨率遥感耕地提取已逐渐由传统的基于像元和面向对象的分类算法过渡至以深度学习为代表的智能化耕地提取新阶段,并取得不少成果,但也同样面临着诸多挑战。首先,梳理和分析了传统耕地提取算法和基于深度学习的智能化耕地提取算法的研究现状,阐述了深度学习支持下的耕地提取研究的必要性;然后,结合全卷积神经网络的发展历程,介绍了深度语义分割技术的基本原理以及在耕地提取应用中的实验流程,并归纳了主要的智能耕地提取算法;最后,围绕智能化耕地提取研究存在的不足,探讨了智能化耕地提取技术的发展趋势。

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。

摘要：根据耕地在作物全生长季内光谱特征变化频繁,其他地物光谱特征相对稳定或有规律变化的区别,基于多时相TM图像,结合相关地物的变化检测成果,提出了一种耕地信息提取方法,即首先利用改进的归一化差值水体指数(mordified normalized difference water index,MNDWI)剔除水体,然后利用基于分类后验概率变化向量分析方法剔除其他非耕地植被及人工地面,再利用面积阈值结合众数滤波方法去除噪声,最终得到耕地信息。将该方法在北京市通州区进行试用,总体识别精度达到93.3%,得到的耕地信息对修正原有耕地矢量图上的错分和漏分有重要作用。

摘要：耕地是地表覆盖的主要类型之一,也是粮食生产的直接载体。本文针对耕地提提取不准确和效率低的问题,提出一种改进的DeepLab v3+提取方法。首先,使用轻量级网络替代DeepLab v3+模型的特征提取网络Xception,以减少模型参数量,提高训练速度。其次,引用SE注意力加入模型,提高网络对耕地的提取精度。并在GID数据集上进行试验,结果显示,本文方法具有优秀的分割性能,能够有效解决经典模型分割结果中存在的不同程度的误分、漏分等问题,在耕地提取中具有高效性,为后续耕地提取任务提供支持。