基于集成深度学习模型的耕地地块提取

摘要：

[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.

关键词：耕地地块、地块提取、卷积神经网络、Bagging抽样、集成学习

所属期刊栏目：43

分类号：S289;S281(农田基本建设、农垦)

资助基金：国家自然科学基金;中央级公益性科研院所基本科研业务费专项;科技基础资源调查专项

在线出版日期：2022-11-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：273-281