基于卷积神经网络（CNN）的环保区航空影像语义分割及其在土地利用与土地覆盖（LULC）制图中的应用研究

本文提出一种低成本、可扩展的深度学习方法，利用Google Earth RGB影像和卷积神经网络（CNN）对巴西环保区（EPA）进行土地利用与土地覆盖（LULC）语义分割。研究构建了首个专注于大西洋森林生物群系的标注数据集EpaPetroBR，并评估了SegNet与U-Net在多种损失函数下的性能，最高总体精度达0.87，为热带森林环境监测提供了高效技术方案。

　　

Highlight

本研究通过结合卷积神经网络（CNN）与免费高分辨率影像，为热带森林地区的环境监测提供了创新性解决方案。

Conclusions

本研究提出了一种低成本方法，用于环保区（EPA）中的土地利用与土地覆盖（LULC）测绘，该方法基于对卷积神经网络（CNN）的改进，用于对Google Earth（GE）平台获取的航空影像进行语义分割。

所提出的方法使用了两种用于语义分割的神经网络：SegNet（基于de Souza Brito等人（2021b）提出的改进版本）和U-NET（基于原始结构更新的较新版本）。实验在四种不同场景下进行，重点关注损失函数和类别不平衡处理策略的影响。

总体而言，U-Net架构在所有评估指标中表现优于SegNet。具体而言，在采用Focal Loss函数的场景4中，取得了最佳总体精度（0.87）。而使用交叉熵损失函数的场景3则获得了可比的精度（0.87）和最高的Jaccard指数（IoU）（0.72）。然而，某些类别（如“裸露土壤”）仍然具有挑战性，F1分数在0.31到0.52之间。

损失函数的比较分析表明，它们对整体性能的影响有限，这反过来又强化了U-Net架构的鲁棒性。结果凸显了将CNN与免费高分辨率影像相结合在热带森林地区环境监测中的潜力。

此外，本研究通过引入EpaPetroBR数据集——首批专注于大西洋森林生物群系的标注语义分割数据集之一，以及应用类别平衡策略，为相关研究领域提供了重要资源和方法学参考。更新的地图绘制旨在防止自然区域的不当开发，并为基于空间信息的规划、管理和治理提供基础，以促进可持续发展和当地社区的社会经济福祉。