您好,欢迎访问中国农业科学院 机构知识库!

面向梯田遥感识别的JAM-R-CNN深度网络模型

文献类型: 中文期刊

作者: 谢君洋 1 ; 林安琪 1 ; 吴浩 1 ; 吴紫薇 1 ; 吴文斌 2 ; 余强毅 2 ;

作者机构: 1.华中师范大学城市与环境科学学院

2.中国农业科学院农业资源与农业区划研究所

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

期刊名称: 遥感学报

ISSN: 1007-4619

年卷期: 2024 年 28 卷 012 期

页码: 3136-3146

收录情况: EI ; 北大核心 ; CSCD

摘要: 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。

  • 相关文献

[1]融合多尺度特征和注意力机制的油菜倒伏分类. 郑权,乔江伟,李婕,秦涛,涂静敏,李礼,蒋琦. 2024

[2]基于深度学习模型的种植结构复杂区农作物精细分类研究. 田甜,王迪,王珍,李会宾. 2022

[3]基于Sentinel-1A影像和一维CNN的中国南方生长季早期作物种类识别. 赵红伟,陈仲新,姜浩,刘佳. 2020

[4]基于GF-6时序数据的农作物识别深度学习算法评估. 陈诗扬,刘佳. 2021

[5]时空协同的农业种植结构遥感精细制图. 张冬韵,吴田军,骆剑承,董文,孙营伟,杨颖频,海云瑞,孟博文,刘巍. 2024

[6]遥感技术的发展现状及在天府粮仓建设中的应用建议. 董秀春,黄平,吴尚蓉,蒋怡,李章成,魏来,王小燕,陈志民. 2023

[7]卷积神经网络在高分辨率影像分类中的应用. 李贤江,陈佑启,邹金秋,石淑芹,郭涛,蔡为民,陈浩. 2019

[8]Landsat 8地表温度产品降尺度深度学习方法研究. 张义峥,吴鹏海,段四波,杨辉,殷志祥. 2021

[9]水稻生育期遥感监测的研究进展、瓶颈问题与技术优化路径. 李瑞杰,王爱冬,吴华星,李子秋,冯向前,洪卫源,汤学军,覃金华,王丹英,褚光,张运波,陈松. 2025

[10]基于CRF模型的高分辨率遥感影像变化检测. 魏立飞,牟紫微,王晓燕,李丹丹. 2017

[11]不同时序EOS/MODIS-NDVI提取冬小麦面积. 程登发,陈林,张云慧,田喆,孙京瑞. 2006

[12]不同退化梯度下草地光谱反射特征初探. 娜日苏,苏和,格根图. 2010

[13]本体知识库构建研究. 李嘉锐. 2015

[14]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[15]基于词向量的检索扩展方法与农业领域实证. 吴蕾,梁晓贺,乌吉斯古楞,王瑞. 2019

[16]基于神经网络的文献主题国别标引方法研究. 王新. 2019

[17]基于无人机遥感的盛花期薇甘菊爆发点识别与监测. 孙中宇,荆文龙,乔曦,杨龙. 2019

[18]机器学习在植物病害识别研究中的应用. 王聃,柴秀娟. 2019

[19]基于深度学习与特征可视化方法的草地贪夜蛾及其近缘种成虫识别. 魏靖,王玉亭,袁会珠,张梦蕾,王振营. 2020

[20]基于长短时记忆神经网络的生猪价格预测模型. 刘怡然,王东杰,邓雪峰,刘振宇. 2021

作者其他论文 更多>>