基于RMAU-Net网络模型的高分影像耕地提取

针对传统全卷积神经网络无法实现高分影像耕地精确提取的问题，以高分二号遥感卫星影像为数据源，采用融合残差结构和多种注意力机制的改进U-Net网络模型（RMAU-Net网络模型）对研究区的耕地进行精细提取。使用耕地样本对RMAU-Net网络模型进行训练，并用训练后的网络模型对测试集影像中的耕地进行提取。为了验证RMAU-Net网络模型提取耕地的效果，选取DeeplabV3+、PSPNet、UNet 3种传统的全卷积神经网络模型与RMAU-Net网络模型进行对比分析。结果表明，RMAU-Net网络模型提取的精确率、召回率、交并比、F1 Score分别为90.36%、90.78%、82.57%、90.57%。与DeepLabv3+、PSPNet和U-Net网络模型相比，RMAU-Net网络模型效果最佳。RMAU-Net网络模型为耕地精细提取提供了新的思路与方法，为农作物面积监测和产量估算等实际应用提供基础数据支持。