«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第50卷

期数:

2022年第23期

页码:

176-183

栏目:

农业工程与信息技术

出版日期:

2022-12-05

文章信息/Info

Title:

High-resolution image forest information extraction method based on double branch global local perception network

作者:

胡永进; 韩旭; 高小慧; 胡耀天

江苏农林职业技术学院，江苏句容 212400

Author(s):

Hu Yongjin; et al

关键词:

双支路网络; 全局局部感知; 高分影像; 林地信息提取

Keywords:

-

分类号:

S127

DOI:

-

文献标志码:

A

摘要:

利用遥感影像提取林地信息可以方便管理人员快速掌握林地情况，提高林地调查效率，而当前遥感影像林地提取方法精度较低，为进一步提高遥感影像林地提取精度，本研究提出一种基于双支路全局局部感知网络的高分影像林地提取方法。首先在编码阶段充分考虑林地全局与局部特征表达，通过2条不同支路分别获取全局语义与局部细节信息，提高网络的特征提取能力。其次，考虑到林地的多尺度特征，在解码阶段建立一种深度监督分类器，通过多分支辅助分类进一步提高网络在预测阶段的判别能力。为验证模型有效性，本研究建立了一个遥感影像林地提取数据集，试验结果表明，相比于现有常用的神经网络模型，其精度显著提高；通过定量分析可知，交并比值提高157~889百分点，平衡分数提高0.97~8.68，总精度提高0.89~8.98百分点。此外，20次独立的蒙特卡罗试验显示交并比、平衡分数和总精度的精度标准差分别为0.15、0.14和0.05，进一步验证了本研究方法的稳定性。消融试验则充分证明了本研究方法中各个模块的贡献，以进一步验证所提出方法的有效性。总的来说，本研究所提出的方法能够高效稳定地提取遥感影像林地信息。

Abstract:

-

参考文献/References:

［1］Gui Y Y，Li W，Zhang M M，et al. Woodland segmentation of Gaofen-6 remote sensing images based on deep learning［C］//International Geoscience and Remote Sensing Symposium.Brussels，2021：5409-5412.
［2］Ghebrezgabher M G，Yang T B，Yang X M，et al. Extracting and analyzing forest and woodland cover change in Eritrea based on landsat data using supervised classification［J］. The Egyptian Journal of Remote Sensing and Space Science，2016，19(1)：37-47.
［3］董新宇，李家国，陈瀚阅，等. 无人机遥感影像林地单株立木信息提取［J］. 遥感学报，2019，23(6)：1269-1280.
［4］林双双，钟九生，何鑫，等. 光谱信息支持下城区林地信息提取方法［J］. 林业资源管理，2021(3)：96-100.
［5］李恒，臧卓，唐宪. 基于遥感影像的林地变化检测方法［J］. 中南林业调查规划，2021，40(4)：33-39，67.
［6］Cheng K，Wang J L. Forest type classification based on integrated spectral-spatial-temporal features and random forest algorithm—a case study in the Qinling Mountains［J］. Forests，2019，10(7)：559.
［7］孙建国，艾廷华，王沛，等. 基于NDVI-气候变量特征空间的植被退化评价［J］. 武汉大学学报(信息科学版)，2008，33(6)：573-576.
［8］符雅盛，张利华，朱志儒，等. 基于决策树-山体阴影模型的植被信息提取研究［J］. 长江流域资源与环境，2020，29(2)：386-393.
［9］熊静. 面向对象变化检测技术在林地分析中的应用［J］. 辽宁林业科技，2021(2)：76-78.
［10］乔月霞，刘烽，谭来钱，等. 基于面向对象的林地信息提取与分类［J］. 温带林业研究，2019，2(2)：25-33.
［11］杨飞，刘丽峰，王学成. 基于面向对象方法和SPOT5的丘陵山区林地分类研究［J］. 林业资源管理，2014(5)：92-99.
［12］孙小丹. 基于语义相关的面向对象林地信息提取［J］. 福建林业科技，2009，36(3)：36-40.
［13］侯逸晨，赵鹏祥，杨伟志，等. 基于SVM的资源三号影像林地分类及精度评价研究［J］. 西北林学院学报，2016，31(1)：180-185.
［14］刘晓娜，封志明，姜鲁光. 基于决策树分类的橡胶林地遥感识别［J］. 农业工程学报，2013，29(24)：163-172，365.
［15］Hinton G E，Salakhutdinov R R. Reducing the dimensionality of data with neural networks［J］. Science，2006，313(5786)：504-507.
［16］Long J，Shelhamer E，Darrell T. Fully convolutional networks for semantic segmentation［C］//Conference on Computer Vision and Pattern Recognition.Boston，2015：3431-3440.
［17］Zhang C，Sargent I，Pan X，et al. An object-based convolutional neural network (OCNN) for urban land use classification［J］. Remote Sensing of Environment，2018，216：57-70.
［18］Kussul N，Lavreniuk M，Skakun S，et al. Deep learning classification of land cover and crop types using remote sensing data［J］. IEEE Geoscience and Remote Sensing Letters，2017，14(5)：778-782.
［19］Schiefer F，Kattenborn T，Frick A，et al. Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2020，170：205-215.
［20］Gui Y Y，Li W，Wang Y N，et al. Woodland detection using most-sure strategy to fuse segmentation results of deep learning［C］//International Geoscience and Remote Sensing Symposium.Yokohama，2019：6724-6727.
［21］Fang X Y，He X H，Wang L B，et al. Robust shadow detection by exploring effective shadow contexts［C］//Proceedings of the 29th ACM International Conference on Multimedia.New York：ACM，2021：2927-2935.
［22］Xie S N，Girshick R，Dollár P，et al. Aggregated residual transformations for deep neural networks［C］//Conference on Computer Vision and Pattern Recognition.Honolulu，2017：5987-5995.
［23］Kingma D P，Ba J. Adam：a method for stochastic optimization［C］//International Conference on Learning Representations，Lile，2015：1-15.
［24］Yuan Y H，Huang L，Guo J Y，et al. OCNet：object context for semantic segmentation［J］. International Journal of Computer Vision，2021，129(4)：2375-2398.
［25］Yang M K，Yu K，Zhang C，et al. DenseASPP for semantic segmentation in street scenes［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，2018：3684-3692.
［26］Zhao H S，Shi J P，Qi X J，et al. Pyramid scene parsing network［C］//Conference on Computer Vision and Pattern Recognition.Honolulu，2017：6230-6239.
［27］Ronneberger O，Fischer P，Brox T. U-net：convolutional networks for biomedical image segmentation［M］//Lecture Notes in Computer Science.Cham：Springer International Publishing，2015：234-241.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2022-08-18
基金项目：江苏农林职业技术学院科技项目(编号：2021kj89、2021kj68)；江苏省大学生创新创业训练计划(编号：202113103001y)。
作者简介：胡永进(1975—)，女，江苏海安人，硕士，副教授，研究方向为园林测量、遥感影像处理、园林规划。E-mail：fairyjin@163.com。

常用功能

更新日期/Last Update: 2022-12-05