基于注意力机制双边UNet模型的玉米种植地识别方法研究

摘要

玉米是我国三大粮食作物之一，其种植面积的准确估算对保障国家粮食安全具有至关重要的意义。然而，传统的地面调查方法效率低下，无法满足准确、及时获取玉米种植面积和空间分布信息的需求。本文以山西省长治市玉米种植地为研究对象，利用多时相Sentinel-2光学影像，根据玉米生长阶段构建时序数据集，并开发了一种融合注意力机制的双边UNet网络模型。该模型采用轻量级MobileNetV2作为骨干网络，同时集成空洞空间金字塔池化模块与卷积注意力模块增强特征提取能力，有效提高了小数据集的分割精度。研究实验结果表明：（1）随着不同生长阶段EVI特征的加入，网络的识别精度逐渐提高，其中使用6个周期的复合EVI特征的分割精度最高。（2）本文的方法在OA、F1值和IoU分别达到了87.97%、87.35%和82.25%，精度指标和视觉效果均优于6种现有的“U”型网络。（3）与统计年鉴数据相比，山西省长治市玉米种植地识别面积误差率仅为6.1%，整体上识别结果接近。

关键词

黄土高原 / Sentinel-2 / 深度学习 / 玉米种植地提取 / 时序EVI

基金资助

国家自然科学基金项目(42201392); 达州市建筑环境工程技术研究中心课题(SDJ2022ZB-04)