基于语义分割的无人机影像农田地块提取与面积计算方法研究及其在精准灌溉中的应用价值

本文推荐一种集成语义分割（Semantic Segmentation）与改进面积算法的无人机（UAV）影像农田地块提取方法。通过建立像素动态调整模型，显著提升多航高（22–121m）下面积测算精度，在 Deeplabv3+ 模型上实现 F1 值 96.60%、Miuo 95.67%，平均相对误差仅1.2%，误差控制在4%以内，为智慧农业中的精准灌溉与资源管理提供可靠技术支撑。

　　

Highlight

本研究提出了一种基于语义分割的无人机影像农田地块提取与面积计算方法，集成改进的面积算法与语义分割模型，构建系统化的农田语义分割数据集，涵盖多种农作物（如小麦、水稻等）及非耕种季节场景，为模型训练提供丰富的数据基础。为确保面积估算结果的可靠性与实用性，自建数据集中仅标注完全可见的地块作为目标区域。

Conclusion

本研究提出了一种集成改进面积算法与语义分割的无人机影像农田地块提取与面积计算方法，利用自建农田地块数据集和多高度航空影像数据集进行验证，通过实验证明该方法具有显著的有效性和优越性。主要结论如下：

• •

  （1）提出一种适应高度变化的改进农田地块面积计算算法，通过建立像素分辨率与无人机航高之间的映射关系，系统整合几何参数，构建理论像素动态调整模型，修正变形误差，实现高精度面积计算；

• •

  （2）构建系统化的多场景农田语义分割数据集，涵盖多种农田环境，包括主要农作物（如小麦、水稻）和非耕种季节，通过融入丰富的情境变化，为模型训练提供强有力的数据支持；

• •

  （3）将 Deeplabv3+ 高精度语义分割结果与改进面积计算算法相结合，形成从农田地块提取到面积计算的完整处理流程；

• •

  （4）开展对比实验，验证所提方法及其改进算法的准确性与适用性。

CRediT authorship contribution statement

钟洲苏（Zhongzhou Su）：撰写初稿、软件、调查、形式分析、数据整理；陈凯（Kai Chen）：撰写审阅与编辑、验证、方法论、资金获取、概念化；刘梦梦（Mengmeng Liu）：撰写审阅与编辑、验证、方法论、数据整理。