基于卷积神经网络的高分遥感影像耕地提取研究

摘要：

高效精准地提取遥感影像中的耕地对农业资源监测以及可持续发展具有重要意义,针对目前多数传统全卷积神经网络(FCN)模型在提取耕地时存在重精度而轻效率的缺陷,本文建立基于FCN的轻量级耕地图斑提取模型(LWIBNet模型),并结合数学形态学算法进行后处理,开展耕地图斑信息的自动化提取研究.该LWIBNet模型汲取了轻量级卷积神经网络和U-Net模型的优点,以Inv-Bottleneck模块(由深度可分离卷积、压缩-激励块和反残差块组成)为核心,采用高效的编码-解码结构为骨架,将LWIBNet模型分别与传统模型的耕地提取效果、经典FCN模型的轻量性和精确度进行对比,结果表明,LWIBNet模型比表现最优的传统模型Kappa系数提高12.0％,比U-Net模型的参数量、计算量、训练耗时、分割耗时分别降低96.5％、87.1％、78.2％和75％,且LWIBNet的分割精度与经典FCN模型相似.

关键词：耕地、提取、高分遥感影像、卷积神经网络、LWIBNet

所属期刊栏目：53

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家科技奖后备项目;江西省水利科技项目;江西省水利科技项目;江西省水利科技项目;江西省水利科技项目

在线出版日期：2022-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：168-177