| 基于集成深度学习模型的耕地地块提取 |
| |
| 引用本文： | 程锐,魏妍冰,陆苗,吴文斌.基于集成深度学习模型的耕地地块提取[J].中国农业资源与区划,2022,43(7):273-281. |
| |
| 作者姓名： | 程锐 魏妍冰 陆苗 吴文斌 |
| |
| 作者单位： | 中国农业科学院农业资源与农业区划研究所，北京 100081 |
| |
| 基金项目： | 国家自然科学基金项目“耕地规模化利用的多尺度智能遥感监测方法研究”（42071419）；中央级公益性科研院所基本科研业务费专项“地块尺度的耕地利用规模时空变化研究”（1610132020016）；科技基础资源调查专项“全球地表覆盖时空变化信息采编与知识建模”（2019FY202501） |
| |
| 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 |
| 收稿时间： | 2020/7/1 0:00:00 |
CROPLAND FIELD EXTRACTION BASED ON ENSEMBLE DEEP LEARNING MODEL |
| |
| Cheng Rui,Wei Yanbing,Lu Miao,Wu Wenbin.CROPLAND FIELD EXTRACTION BASED ON ENSEMBLE DEEP LEARNING MODEL[J].Journal of China Agricultural Resources and Regional Planning,2022,43(7):273-281. |
| |
| Authors: | Cheng Rui Wei Yanbing Lu Miao Wu Wenbin |
| |
| Institution: | Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China |
| |
| Abstract: | |
| |
| Keywords: | cropland field farmland extraction convolution neural network Bagging Ensemble Deep Learning |
|
| 点击此处可从《中国农业资源与区划》浏览原始摘要信息 |
| 点击此处可从《中国农业资源与区划》下载免费的PDF全文 |
