基于集成深度学习模型的耕地地块提取

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。     

基于水体季相差异的稻虾共作提取方法研究

[目的]稻虾共作因为其较高的经济效益和生态效益,近年来种养面积呈持续增长态势。如何准确获取稻虾共作的面积信息与空间分布是当前研究亟待解决的问题。[方法]文章以湖北省潜江市为研究区域,首先根据稻虾共作模式独特的水域变化特征,利用自动水域提取指数(AWEIsh)分别获取不同季节的水体;然后基于水体季相差异提取稻虾共作农田的空间分布。该研究利用Landsat 8 OLI影像提取2017年潜江市的稻虾共作空间分布。[结果] 2017年潜江市稻虾共作主要分布在白鹭湖管理区、运粮湖管理区、熊口镇和龙湾镇等区域,和实际分布情况相吻合。在验证样本的基础上,通过混淆矩阵计算提取结果的精度可达到85. 01%。与改进的归一化差异水体指数(MNDWI)的提取结果相比,基于AWEIsh水体季相差异提取的结果精度更高:稻虾共作农田完整性好,错分情况少。[结论]基于水体季相差异的稻虾共作提取方法具有较好的提取效果,为今后研究提供了有效的技术手段。