摘要
台地农田在高分辨率图像中难以划分，因为其边界狭窄且不规则，地块分散，并且与相邻农田在视觉上相似，这可能导致遗漏错误和边界混淆。本研究通过将深度学习模型DeepLabV3+适配到2米分辨率的GF-1 RGB图像中，实现了对台阶农田的提取。该模型结合了空间细节保留、上下文建模和边界精细化处理的方式。具体方法包括使用扩张残差编码器、门控的全局-局部上下文模块以及边界监督的PointRend细化头，以解决台阶农田映射过程中的空间细节损失、背景干扰和边界不确定性问题。在重新评估的测试集上，该模型的准确率为86.68%、召回率为87.77%、F1分数为87.22%、目标类别的IoU为77.34%。与未经修改的DeepLabV3+基准模型相比，F1分数和IoU分别提高了10.01个百分点和14.46个百分点。这些结果表明，将空间细节保留、上下文建模和边界精细化处理结合到深度学习模型中，可以提高从高分辨率光学图像中精细划分台阶农田的能力。
