基于D-LinkNet和Deeplab网络模型的土地利用信息自动化提取研究

为探索利用深度学习网络模型快速、定性且定量地提取耕地、园地、林地、交通运输用地、建设用地以及水域等土地利用变化信息，实现对耕地“非粮化”和“非农化”的实时监测监管，从而为国家粮食安全问题提供科技支撑。本研究基于D-LinkNet和Deeplab网络模型分别对高分辨率遥感影像进行深度学习，通过相同对象拥有类似的形状和纹理等特征的原理，自动识别不同的学习对象，从而实现面向高分辨率遥感影像的土地利用信息自动分类。在此基础上，为校验2个模型的学习能力，以江苏省常州市金坛区为例，对比分析了D-LinkNet和Deeplab网络模型在土地利用信息分类上的能力。结果表明，Deeplab模型比D-LinkNet模型的分类结果整体性更强，分类准确率达88%。同时，Deeplab模型的边界信息损失相对较少，分类图斑的破碎程度相对更低，分类精度更高，更能满足土地利用信息自动提取的需求。