-
题名面向梯田遥感识别的JAM-R-CNN深度网络模型
- 1
-
-
作者
谢君洋
林安琪
吴浩
吴紫薇
吴文斌
余强毅
-
机构
华中师范大学城市与环境科学学院
地理过程分析与模拟湖北省重点实验室
中国农业科学院农业资源与农业区划研究所
-
出处
《遥感学报》
CSCD
北大核心
2024年第12期3136-3146,共11页
-
基金
国家重点研发计划(编号:2022YFB3903500)
湖北省自然科学基金创新群体项目(编号:2024AFA032)
+2 种基金
国家自然科学基金(编号:42071358,42201468)
中央高校基本科研业务费资助(编号:CCNU22QN018)
湖北省自然资源厅科研计划(编号:ZRZY2023KJ03)。
-
文摘
快速准确地掌握梯田的空间分布,不仅为水土保持提供重要的数据支撑,也提高了山区农业的监管水平。利用深度学习方法进行梯田识别,对于形状狭长的梯田容易因卷积运算而造成漏提现象,并且在山区地物边界不清晰的复杂背景下,易产生大面积粘连的识别结果,导致最终的梯田识别精度不高。为此,本研究提出了一种面向梯田遥感识别的JAM-R-CNN深度网络模型。该模型以Mask R-CNN为基础,融合跳跃网络来维持高分辨率遥感影像的高语义信息,引入卷积注意力机制模块来加强梯田的特征表达能力,修改模型的锚框大小以适应梯田狭长的特性。并以重庆市南川区的盐井梯田研究区域,基于国产高分二号(GF-2)卫星影像数据进行本研究模型验证实验。结果表明:JAM-R-CNN网络模型的梯田识别结果精确率为90.81%,召回率为84.28%,F1为88.98%,IoU为83.15%。相较于经典的Mask R-CNN模型,JAM-R-CNN网络模型的梯田识别精度较高,4个评价指标依次提升了1.96%、5.26%、3.29%和5.19%。此外,消融实验结果验证了模型改进的3个模块均对梯田识别有明显的促进作用。综上,本研究提出的JAM-R-CNN深度网络模型能够有效减少梯田识别结果的粘连现象,明显提高了狭长型梯田的提取率,实现了梯田遥感识别整体精度的显著提升,具有较好的应用价值。
-
关键词
遥感
梯田识别
高分辨率遥感影像
深度学习
跳跃网络
jam-r-cnn
-
Keywords
remote sensing
terrace recognition
high resolution remote sensing image
deep learning
jump network
jam-r-cnn
-
分类号
S127
[农业科学—农业基础科学]
P2
[天文地球—测绘科学与技术]
-
