利用边缘辅助分割网络提取稻虾共作养殖田

为确保稻虾共作的安全生产、社会供应以及政府政策的有效制定，须准确获取稻虾共作种植面积、空间分布及变化信息。现有稻虾养殖田提取方法以中分辨率时序影像为数据源，提取结果存在边界粗糙且噪声较多等问题。为获取精度高、边界规整的稻虾养殖田提取结果，该研究以高分辨率影像为数据源，提出一种基于边缘辅助任务的深度学习语义分割模型——edge assisted segmentation network（EASNet）。该模型首先将稻虾养殖田特有的边缘“虾沟”作为一种辅助信息在设计的边缘辅助模块单独分割，然后将该模块的输出与主任务分割模块输出进行融合，使主任务既增强了稻虾养殖田边界结构信息，又能学习到稻虾养殖田特有的空间及语义信息。试验结果表明，在边缘辅助模块的增强下，稻虾养殖田分割结果更完整，边界更清晰，其语义精度的交并比和边界精度的F1分数分别提升了1.5%、5.8%。整体语义精度的召回率、交并比、F1分数分别达到0.970、0.964、0.930，边界精度的召回率、F1分数达到0.864、0.859，松弛边界精度的召回率、F1分数达到0.876、0.913。将训练好的EASNet模型应用到盱眙县全域，得到2020年盱眙县稻虾养殖田空间分布图，在与传统的水体季相差异法、随机森林方法提取的稻虾养殖田结果的对比中，该方法取得了总体精确度为96.71%及Kappa系数为0.934的最优结果，为基于深度学习的稻虾养殖田提取方面的应用提供参考。     

基于无人机高光谱的荒漠草原地表微斑块分类研究

草原荒漠化会严重破坏草原生态平衡，荒漠草原地物分类已成为草原监测管理的关键问题。本文通过构建无人机高光谱遥感系统，解决了原有草原调查方式上效率低与空间分辨率不足问题；构建高分辨率图像卷积神经网络(HR-CNN)解决了荒漠草原地表微斑块精细化分类问题；与ResNet34、GoogLeNet、常规卷积神经网络模型进行对比，总体上HR-CNN模型表现更优，总体分类精度与Kappa系数分别为98.27%、96.63。在相同迭代次数条件下，模型构建速度上，HR-CNN相较其它三类模型分别提升65.88%、65.71%、13.77%。模型内存占有量上，HR-CNN相较其它三类模型分别降低92.11%、79.21%、43.64%。该网络模型是轻量化卷积在荒漠草原地物分类研究中的有效探索，可为后续草原地物分类提供新思路。