深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法

• Published in: 测绘学报 Vol. 50; no. 1; pp. 105 - 116
• Main Authors: 刘巍, 吴志峰, 骆剑承, 孙营伟, 吴田军, 周楠, 胡晓东, 王玲玉, 周忠发
• Format: Journal Article
• Language: Chinese
• Published: 中国科学院大学,北京100049%广州大学地理科学学院,广东 广州 510006%长安大学地质工程与测绘学院,陕西 西安710064%中国科学院空天信息创新研究院遥感科学国家重点实验室,北京100101%贵州师范大学喀斯特研究院,贵州贵阳550001 2021; 中国科学院空天信息创新研究院遥感科学国家重点实验室,北京100101
• Subjects: 耕地信息; 分区分层; 高空间分辨率遥感; 耕地图斑; 深度学习
• ISSN: 1001-1595
• DOI: 10.11947/j.AGCS.2021.20190448

P227; 耕地是丘陵山区稀缺的土地资源,具有地形条件复杂、种植结构多样的特点,导致了山地耕地信息难以快速、准确获取,并且基于传统的遥感数据及遥感监测方法开展山区耕地信息快速自动提取比较困难.针对这一问题,本文以西南山区贵州省息烽县作为试验区,根据地理空间异质性特征,提出分区控制、分层提取的耕地形态信息提取思路,构建了一种地貌单元约束条件下的分区分层耕地形态信息的提取方法.该方法首先根据地貌-植被特征将试验区划分为平坝区、山坡区、林草区3类地理分区;然后在每类分区基础上,根据耕地所呈现的视觉特征划分为不同的类型,对不同类型的耕地分别设计不同的深度学习模型进行分层提取.试验结果证明,该方法对山区复杂地形背景噪声具有较好的抑制作用,所提取的耕地地块信息相比于传统方法更符合实际耕地的实际分布形态,有效地减少了漏提率和错提率.