基于遥感影像的耕地“非农化”动态监测OA
针对耕地“非农化”传统监测耗时耗力、时效性较差、准确性较低等问题,本研究以高分辨率遥感影像为数据源,在嵌套卷积神经网络(U-Net++)模型基础上引入新的1×1卷积层,增强编码器对关键地物特征的感知能力,并利用挤压-激励模块、三重态注意力模块以及S^(2)空间位移多层感知器注意力机制对解码器进行优化,构建改进U-Net++模型,提升模型对复杂地物场景的分割精度与泛化能力。以某地区多源遥感影像为实验数据,分别采用卷积神经网络(U-Net)、U-Net++、改进U-Net++模型对耕地“非农化”区域进行识别与分割。结果表明,改进U-Net++模型地物识别精度及边界分割效果相对较优,地物分类总体精度、卡帕(Kappa)系数、交并比等关键指标均优于其他两类模型,耕地“非农化”疑似图斑识别准确率为91.4%,验证了改进U-Net++模型在耕地“非农化”监测中的精准可靠性,为耕地“非农化”动态监测提供了高效可靠的技术手段。
曹秀玲;夏藩
广东省国土资源测绘院,广东广州510700广东省国土资源测绘院,广东广州510700
天文与地球科学
遥感影像耕地“非农化”动态监测嵌套卷积神经网络(U-Net++)模型
《北京测绘》 2026 (7)
P.1005-1010,6
自然资源部部省合作项目(2023ZRBSHZ015,2024ZRBSHZ035)广东省科技计划(2021B1111610001)。
评论