基于深度学习的中国三北地区农田防护林空间格局提取框架及Sentinel-2数据应用

《Remote Sensing of Environment》：A deep learning-based framework for extracting spatial patterns of farmland shelterbelts in the three-north region of China using Sentinel-2 data

本文推荐一种基于深度学习（TransUNet）和Sentinel-2数据的框架，首次实现了中国三北地区（TNR）10米分辨率农田防护林（FSs）的自动制图（像素级用户精度79.20%）与空间格局分析（总长度915.09±21.45千公里），为三北防护林工程（TNSFP）监测优化提供了关键数据支撑（FS/农田比2.83%±0.11%）。

　　

模型性能

TransUNet模型取得了平均F1分数79.04%的佳绩，其平均精确率（Precision）为79.33%，召回率（Recall）为79.38%，交并比（IoU）为65.88%，总体精度（OA）高达98.10%。值得注意的是，该模型在东北地区、内蒙古、甘肃-青海和新疆表现尤为出色，这些区域的F1分数均超过80%。相比之下，模型在黄淮海地区（77.86%）表现稍逊，在黄土地区（67.08%）的准确率则相对最低，详见表1。

为了更好地理解模型的决策过程，我们采用了梯度加权类激活映射（Grad-CAM）技术进行可视化分析。结果表明，模型在识别农田防护林时，主要依赖于其独特的带状形态特征以及与周边农田的光谱差异。这种对空间结构和光谱特征的综合利用，是模型成功的关键。

模型与结果比较

我们进行了一项多分割模型的对比分析，旨在确定哪种模型更适用于农田防护林制图。参与比较的模型包括UNet、NL-LinkNet、VIT、TransUNet、Swin-UNet和SegFormer等深度学习模型。同时，我们还对比了传统机器学习模型——随机森林（RF）的表现。不同模型的精度评估结果展示在文中。综合分析显示，TransUNet模型在捕捉农田防护林细长条带状空间特征方面具有优势，其综合性能优于其他对比模型，特别是在处理大范围、复杂景观场景时更为稳健。

结论

本研究引入了一个基于深度学习的框架，利用TransUNet模型和Sentinel-2数据，以10米分辨率提取并分析了2022年三北地区的农田防护林空间格局。结果表明，三北地区农田防护林总长度约为915.09 ± 21.45千公里，总面积达1575.18 ± 58.75千公顷。农田防护林与农田的平均比值为2.83%（± 0.11%），其中铁门关市和可克达拉市的比值接近8%，这凸显了在优化防护效益与保障粮食生产之间寻求平衡的必要性。