基于深度学习的高分遥感影像耕地识别与提取方法研究

摘要

耕地识别是农业遥感的重要应用领域之一，而耕地影像识别分类精度和效果有待提升，为快速精确获取耕地分布信息，选用高分二号（GF-2）遥感影像，以深度学习理论为基础，运用深度学习提取算法，借助PIE-Engine AI平台构建的DinkNet、Attention-UNet、LinkNet和DeepLabv3 4种语义分割模型对天长市遥感影像进行识别，研究不同分割模型提取效果.结果表明，4种模型中，DinkNet模型、DeepLabv3模型对于提取的耕地边界不能保持其形态的完整性；Attention-UNet模型多次错分、漏分建筑物、草地、林地；LinkNet模型分类准确度达84.30%，对于遥感影像语义分割提取成果噪点较少，较少出现错分、漏分，在减少计算量的基础上提高了训练结果精确度，对于实际应用具有很高的价值.

关键词

深度学习 / 耕地提取 / 高分辨率遥感影像 / 卷积神经网络