基于深度学习的遥感影像生态要素检测研究

摘要

高分辨率遥感影像是生态要素自动化检测重要的数据基础，但地物类间相似性高、标注样本数量有限等问题制约了检测精度。本文以高分二号遥感影像为数据源，提出一种融合U形网络（U-Net）语义分割与分割一切模型（SAM）的多类生态要素深度学习检测方法，构建面向耕地、植被、水域等生态要素的检测框架，并通过引入伪标签生成与样本筛选策略增强模型泛化能力。实验结果表明：该框架有效解决了标注样本稀缺、边界分割不规则及多类要素协同识别精度不足三大核心问题：U-Net对三大主粮作物的提取精准率与召回率均超过93%,F₁值超过94%;融合SAM模型进行边界优化后，各类要素交并比（IoU）均超过84%,误判率明显降低，整体检测性能优于传统方法。该框架为生态要素自动化、精细化监测提供工程化技术支撑。

关键词

深度学习 / 遥感影像 / 生态要素检测 / 语义分割 / U形网络(U-Net) / 分割一切模型(SAM)