基于PF-Deeplab模型与多任务协同策略的农田防护林智能识别优化框架

《International Journal of Applied Earth Observation and Geoinformation》：Optimizing farmland shelterbelts identification: a novel framework based on the PF-Deeplab model and multi-task collaborative strategy

研究人员针对农田防护林(FS)遥感影像边界模糊、碎片化严重的问题，提出融合高效多尺度注意力(EMA)、反向注意力(RA)和感知特征平衡模块(PFBAM)的PF-Deeplab模型，通过多任务协同策略实现mIoU提升1.06%、精度提升0.56%，为精准农业GIS应用提供新范式。

　　

在推进农业可持续发展的进程中，农田防护林（Farmland Shelterbelts, FS）作为改善土壤特性和生态系统功能的关键手段，其精准识别一直是林业资源评估的难点。传统人工解译方法效率低下，而现有深度学习模型在处理复杂边界和混合像素时存在断裂、误匹配等问题，特别是多尺度特征融合策略对上下文关系的捕捉不足。吉林农业大学信息技术学院的研究团队在《International Journal of Applied Earth Observation and Geoinformation》发表研究，通过构建PF-Deeplab模型，创新性地整合EMA模块的跨空间学习、RA模块的动态权重调整以及PFBAM模块的边界感知能力，结合随机森林（RF）预标注与人工校正的混合标注策略，显著提升了FS的识别精度。

研究采用Sentinel-2卫星影像和Google Earth Engine（GEE）平台数据，通过滑动窗口裁剪生成2211张训练图像。技术核心包括：1）以ResNest50为骨干网络，引入EMA模块强化多尺度特征交互；2）利用RA机制优化高低层特征融合；3）设计PFBAM模块整合SimAM与CPCA注意力，通过边界损失函数提升分割效果；4）采用迁移学习策略和焦点损失（Focal Loss）解决类别不平衡问题。

研究结果显示：在模型架构验证中，PF-Deeplab以91.72%的mIoU和95.72%的DSC值超越U-Net、DeepLabv3+等基线模型；消融实验证实EMA、RA、PFBAM模块协同使mIoU提升1.06%；数据集对比表明RF预标注结合人工校正可使mPrecision提升1.85%。空间格局分析揭示三江平原垦区防护林以条带状为主（占管理区面积7.98-15.31%），黑土区因土壤肥沃形成密集防护网络，而沼泽土区因水文限制分布稀疏。

该研究通过机器学习与深度学习的协同创新，解决了FS提取中标注成本与精度的权衡问题。模型在跨区域迁移测试中保持89-92%的mIoU，证实其泛化能力。未来结合SAR影像的多源数据融合，有望进一步提升复杂场景下的识别鲁棒性，为全球农业生态监测提供可复用的技术框架。