基于不同改进语义分割模型的云南高原山地温室设施遥感提取OA

针对当前温室设施提取方法存在的模型对比系统性不足、场景适应性分析薄弱等问题,该研究提出一种基于深度学习的遥感影像温室设施提取方法,以提升提取精度与场景适应能力。选取云南省安宁市为研究区,基于0.3 m分辨率WorldView-3影像构建包含14000个样本的多特征数据集,采用Enhanced-SegUNet、Dense-SegUNet++和MSDeepLabV3+三种改进语义分割模型,融合多尺度特征、动态卷积与光谱增强等技术进行训练与对比。Dense-SegUNet++模型表现最优,交并比(intersection over union,IoU)达0.924,F1分数为0.931,IoU较基准模型U-Net提升0.106,F1分数提升0.06,在复杂和分散的温室设施区域具有较高空间细节保留能力;MS-DeepLabV3+在颜色差异显著区域表现突出,Enhanced-SegUNet在阴影与低对比度场景中识别效果良好。研究结果可为耕地非粮化监测提供有效技术支撑。