基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。     

基于耕地质量评价和局部空间自相关的高标准农田划定

高标准农田建设是优化农田空间布局,改善耕地基础设施,提高耕地质量和综合生产能力的重要举措。而科学合理地划定建设区域是高标准农田建设的重要环节。以河南省焦作市为例,构建了耕地综合质量评价体系,并通过层次分析法对各个评价指标赋权。再结合理想点逼近法和局部空间自相关分析对高标准农田建设分区及时序提出了方案。研究结果表明:焦作市耕地整体质量较好,且在空间分布上体现出了较强的正相关性;利用局部空间自相关分析可将耕地分为4个高标准农田建设区域。