基于面向对象多尺度分割与深度学习的冬小麦高分辨率制图研究

《Scientific Reports》：Mapping of winter wheat with UNet-Transformer fusion model based on Sentinel-2 A imagery and field observation data

　　

摘要

由于作物光谱的相似性和复杂的农业景观，实现高分辨率的冬小麦绘图仍然具有挑战性。本研究提出了一种新的框架，将面向对象的多尺度分割技术与深度学习相结合，以提升冬小麦的识别能力。我们的方法利用面向对象的多尺度分割技术优化图像标注和特征表示，然后将其与语义分割网络集成，以实现精确的作物分类。通过使用24幅Sentinel-2 A图像和关中平原的7280个田间观测点，我们系统地比较了三种深度学习架构（SegNet、DeepLab V3+和UNet）。初步结果显示UNet具有优越性，其冬小麦识别准确率达到86.04%，相应的F1分数为90.66%。与UNet相比，UNet-transformer模型的识别准确率提高了5.12%，F1分数提高了1.94%。在关中平原，2018年、2020年和2023年，基于UNet-Transformation技术识别的冬小麦面积分别为7935.94平方公里、7670.15平方公里和8695.18平方公里。与政府统计数据相比，得到的TA值分别为94.87%、92.44%和98.21%，表明分辨率为10米的冬小麦地图总体上是可靠的。这些发现表明，面向对象的多尺度分割技术与先进深度学习的结合为大规模、高分辨率的作物绘图提供了一个稳健且实用的解决方案。