基于Sentinel-1 VH极化与深度学习的岳阳县早稻种植区提取OA

【目的】针对南方水稻种植区受云雨天气影响、光学遥感难以稳定获取关键生育期信息用于水稻识别的问题,以湖南省岳阳县为研究区,利用多时相Sentinel-1影像进行早稻种植区域提取研究。【方法】文章以Sentinel-1IW模式VH极化多时相影像为核心数据源,叠加国土调查耕地矢量数据构建研究范围;基于早稻全生育期雷达后向散射时序特征构建样本集,分别采用DeepLabV3+、SegUNet和SegUNet++3种语义分割模型进行像素级提取,并与随机森林、支持向量机2种传统机器学习方法开展对照试验,统一采用总体精度、kappa系数等指标定量评估。【结果】(1)在VH极化下,3种深度学习模型DeepLabV3+、SegUNet、SegUNet++早稻提取的判识精度分别为84.80%、83.10%和80.32%,显著优于随机森林(72.40%)和支持向量机(72.24%)2种传统机器学习模型。(2)DeepLabV3+模型在漏判控制、边界完整性与复杂地块适应性上最优,综合性能领先。【结论】在多云雨区早稻提取场景中,深度学习模型凭借深层特征挖掘与空间结构学习能力,显著优于依赖人工浅层特征的传统机器学习方法,研究结果可为南方多云雨地区早稻种植面积监测与农业精细化管理提供技术参考。