基于改进版DeepLabV3的辽河口湿地信息提取方法

《Wetlands》：Wetland Information Extraction Method Based on Improved DeepLabV3?+?in Liaohe River Estuary

湿地信息提取对生态监测至关重要。本研究基于DeepLabV3+提出改进模型，采用ResNet-50解决浅层网络特征提取不足问题，优化ASPP模块提升多尺度信息融合能力。实验表明，辽河河口湿地模型整体精度97.6%（Kappa 0.971），较原模型及ERFNET、FCN等提升0.3%-8.7%，尤其增强Suaeda salsa、Phragmites australis及沟渠分类精度，为湿地监测提供可靠数据支持。

　　

摘要

提取湿地信息对于了解湿地状况、监测变化以及分析资源分布至关重要，从而为湿地生态系统的可持续发展提供科学依据。为了提高湿地信息提取的准确性，解决多尺度特征特征提取能力不足、小尺度斑块类别提取困难以及湿地信息提取过程中异质边界连续性表达有限的问题，本研究引入了一种基于DeepLabV3+的改进网络模型。首先，采用ResNet-50作为主干网络，其深度残差结构有效解决了MobileNetV2这种浅层网络在复杂湿地场景下特征提取不足的问题，提高了模型对湿地细节和复杂特征的敏感性。其次，通过引入并行膨胀卷积分支中的交叉融合机制，优化后的Atrous Spatial Pyramid Pooling（ASPP）模块扩展了感知范围，能够更高效地融合多尺度信息，显著增强了识别湿地边界和特征类型的能力，从而进一步提高分类准确性。最后，以辽河口（LRE）湿地为研究对象，评估了改进模型的效果。结果显示，该网络模型的整体准确率（OA）为97.6%，Kappa值为0.971。与原始的DeepLabV3+以及其他网络模型（如ERFNET、FCN等）相比，本研究提出的模型的整体准确率提高了0.3%至8.7%，Kappa值提高了0.004至0.106。同时，该模型在提取Suaeda salsa、Phragmites australis以及渠道/沟渠等特征类型方面的准确性也得到了显著提升。研究成果可应用于辽河口湿地的精细信息提取，为湿地监测和管理提供可靠的数据支持。