深度卷积语义分割网络在农田遥感影像分类中的对比研究——以河套灌区为例

基金项目:
国家自然科学基金项目“对象级深度学习的河套灌区农田遥感影像分类算法研究”(62361050)

内蒙古自治区高等学校科学技术研究项目“对象级主动学习的河套灌区遥感作物分类算法研究”(NJZY22495)

详细信息

收稿日期: 2023-05-23

修回日期: 2023-09-07

刊出日期: 2024-12-23

A comparative study on semantic segmentation-orientated deep convolutional networks for remote sensing image-based farmland classification: A case study of the Hetao irrigation district

Received Date: 23 May 2023

Revised Date: 07 September 2023

Publish Date: 23 December 2024

摘要: 在现代化农业生产管理中,不同类型作物的空间分布是重要的农情信息。从卫星遥感影像中识别农田种类,是获取该类信息的基本途径之一。虽然目前用户可选择的遥感影像地物识别算法较为丰富,但进行可靠的农田分类依旧具有一定的挑战性。该文选取了3类具有代表性的深度卷积语义分割模型,包括UNet,ResUNet和SegNext,对比其在河套灌区高分二号遥感影像上的作物分类性能。在3类算法的框架内,共实现了9种具有不同复杂度的模型,以分析各个网络结构在农田遥感影像作物分类中的性能差异,从而为后续的相关模型研究提供一些优化思路与实验基础。实验结果说明,具有6层网络结构的UNet取得了最高的总精度(88.74%),而6层SegNext的精度最差(84.33%);具有最高模型复杂度的是ResUNet,但对于研究数据集,这类算法的过拟合现象最为严重;在计算效率方面,ResUNet也显著低于另外2类算法。
- 深度卷积 /
- 语义分割 /
- 农田分类 /
- 河套灌区
- deep convolution /
- semantic segmentation /
- crop filed classification /
- Hetao irrigation district

中国自然资源航空物探遥感中心	主办
地质出版社	出版