改进的DeepLabV3+模型用于四川县域大小春作物识别

doi:10.13474/j.cnki.11-2246.2025.0323

测绘通报 ›› 2025, Vol. 0 ›› Issue (3): 133-137,167.doi: 10.13474/j.cnki.11-2246.2025.0323

• 技术交流 • 上一篇

改进的DeepLabV3+模型用于四川县域大小春作物识别

张璇^1,2, 杨本勇^1,2, 文武³, 邓维熙^1,2, 周何帆^1,2

1. 自然资源部第三地理信息制图院, 四川成都 610100;
2. 自然资源部数字制图与国土信息应用重点实验室, 四川成都 610100;
3. 四川省都江堰水利发展中心, 四川成都 611830

收稿日期:2024-10-31 发布日期:2025-04-03
通讯作者: 杨本勇。E-mail:615727320@qq.com
作者简介:张璇(1988—),女,硕士,研究方向为自然资源遥感监测。E-mail:kris325@qq.com
基金资助:
基于遥感的县域农业灌溉用水定量估算分析项目

Improved DeepLabV3+ model for spring crops identification in Sichuan counties

ZHANG Xuan^1,2, YANG Benyong^1,2, WEN Wu³, DENG Weixi^1,2, ZHOU Hefan^1,2

1. Third Geoinformation Mapping Institute, Ministry of Natural Resources, Chengdu 610100, China;
2. Ministry of Natural Resources Key Laboratory of Digital Cartography and Land Information Application, Chengdu 610100, China;
3. Sichuan Dujiangyan Irrigation Project Water Conservancy Development Center, Chengdu 611830, China

Received:2024-10-31 Published:2025-04-03

摘要/Abstract

摘要： 传统的农业灌溉水资源分配模式存在严重的分配不均及浪费现象,通过遥感技术准确获取作物空间分布数据能解决农业灌溉水资源分配中作物分布缺失的问题。本文以四川省成都市新津区为研究区,引入对比学习和特征增强机制改进DeepLabV3+模型,使用GF系列影像数据实现大小春作物的准确识别。结果表明,改进后的IM-DeepLabV3+模型在对新津地区油菜、小麦、水稻、玉米的识别精度上有所提升,分别达91.73%、89.93%、80.18%、72.08%,能够为农业灌溉水资源科学分配提供科学的作物分布数据支撑。

关键词: 农业遥感, 对比学习, 深度学习, 四川, 作物识别

Abstract: Traditional agricultural irrigation water resource allocation models suffer from significant inefficiencies and waste due to uneven distribution. Remote sensing technology can effectively address the issue of missing crop distribution data in irrigation planning by providing accurate spatial distribution information. This paper takes Xinjin district of Chengdu, Sichuan province as the research area. A mechanism which contains contrastive learning and feature enhancement is introduced to improve the DeepLabV3+ model, utilizing GF series satellite imagery to accurately identify both major and minor crops. The results indicate that the improved IM-DeepLabV3+ model can achieve recognition accuracies of 91.73%, 89.93%, 80.18%, and 72.08% for rapeseed, wheat, rice, and corn, respectively, which can provide scientific crop distribution data support for scientific allocation of agricultural irrigation water resources.

Key words: agricultural remote sensing, contrastive learning, deep learning, Sichuan, crop identification

中图分类号:

P237

张璇, 杨本勇, 文武, 邓维熙, 周何帆. 改进的DeepLabV3+模型用于四川县域大小春作物识别[J]. 测绘通报, 2025, 0(3): 133-137,167.

ZHANG Xuan, YANG Benyong, WEN Wu, DENG Weixi, ZHOU Hefan. Improved DeepLabV3+ model for spring crops identification in Sichuan counties[J]. Bulletin of Surveying and Mapping, 2025, 0(3): 133-137,167.

参考文献

[1] ZHANG D.Study on problems and countermeasures of agricultural water saving irrigation[J].Journal of Water Resources Research, 2017,6(1): 49-54.
[2] 楼豫红,康绍忠,崔宁博,等.基于集对分析的区域节水灌溉发展水平综合评价模型构建与应用: 以四川为例[J].四川大学学报(工程科学版),2014,46(2): 20-28.
[3] 王君勤,高鹏,殴承建.四川省灌溉用水定额标准研究[J].灌溉排水学报,2016,35(S2): 32-35.
[4] 赖积保,康旭东,鲁续坤,等.新一代人工智能驱动的陆地观测卫星遥感应用技术综述[J].遥感学报,2022,26(8): 1530-1546.
[5] 张圣微,杨林,叶德成,等.基于深度学习的内蒙古河套灌区2000—2021年种植结构提取与动态[J].农业工程学报,2023,39(18): 142-150.
[6] YANG Rui,QI Yuan,ZHANG Hui,et al.A study on the object-based high-resolution remote sensing image classification of crop planting structures in the Loess Plateau of eastern Gansu province[J].Remote Sensing,2024,16(13): 2479.
[7] 张悦琦,任鸿瑞.融合特征优选与随机森林算法的GF-6影像东北一季稻遥感提取[J].遥感学报,2023,27(9): 2153-2164.
[8] 张博.基于深度学习的无人机航拍图像小目标检测方法研究[D].海口: 海南大学,2024.
[9] 黄友菊,农志铣,韩广萍,等.一种基于差异注意力的广西耕地“非粮化”提取研究[J].测绘科学,2023,48(8): 193-201.
[10] 蔡玉林,刘照磊,孟祥磊,等.基于HRNet和自注意力机制的多源遥感影像水稻提取[J].农业工程学报,2024,40(4): 186-193.
[11] LE-KHAC P H,HEALY G,SMEATON A F.Contrastive representation learning: a framework and review[J].IEEE Access,2020(8): 193907-193934.
[12] 刘玉洁,葛全胜,戴君虎.全球变化下作物物候研究进展[J].地理学报,2020,75(1): 14-24.
[13] 汤艺成,郑文武,张锦水.中国南方山区油菜识别的遥感影像选择策略研究——以云南罗平县为例[J].中国农业资源与区划,2024,45(7): 170-183.
[14] GITELSON A A,KAUFMAN Y J,MERZLYAK M N.Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J].Remote Sensing of Environment,1996,58(3): 289-298.
[15] GITELSON A A,KAUFMAN Y J,STARK R,et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment,2002,80(1): 76-87.
[16] GITELSON A A,VIÑA A,ARKEBAUER T J,et al.Remote estimation of leaf area index and green leaf biomass in maize canopies[J].Geophysical Research Letters,2003,30(5): 335-343.
[17] LIU H Q,HUETE A.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J].IEEE Transactions on Geoscience and Remote Sensing,1995,33(2): 457-465.
[18] HU Luojia,LI Wenyu,XU Bing.Monitoring mangrove forest change in China from 1990 to 2015 using Landsat-derived spectral-temporal variability metrics[J].International Journal of Applied Earth Observation and Geoinformation,2018,73: 88-98.

改进的DeepLabV3+模型用于四川县域大小春作物识别

Improved DeepLabV3+ model for spring crops identification in Sichuan counties

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	谢巴图, 胡佳睿, 潘俊. 基于双路全局信息优化网络的遥感影像海陆分割算法[J]. 测绘通报, 2025, 0(3): 52-58,86.
[2]	马海志. 基于深度学习的隧道超高分辨率图像病害检测框架[J]. 测绘通报, 2025, 0(3): 105-110.
[3]	宋培焱, 叶勤, 曾亮, 罗俊奇, 张硕, 尹长江. 面向密度明显差异点云的室内场景三维Mesh模型POCO重建方法[J]. 测绘通报, 2025, 0(2): 7-12,47.
[4]	石佳俊, 臧玉府, 肖雄武, 张莹滢. 非刚性匹配的激光点云与多光谱影像深度融合[J]. 测绘通报, 2025, 0(2): 41-47.
[5]	马浩然, 王金华. 多维特征学习与模型融合的地理命名实体识别[J]. 测绘通报, 2024, 0(9): 129-134.
[6]	石一剑, 谭海, 钟旭辉. 改进YOLOv5的国产光学影像辐射异常检测方法[J]. 测绘通报, 2024, 0(8): 60-65,72.
[7]	尤相骏, 赵霞, 龙四春, 王嘉伟, 郑颖, 邝利军. 地铁隧道病害检测深度学习模型优化及应用[J]. 测绘通报, 2024, 0(8): 96-101.
[8]	马下平, 王风凯, 赵庆志, 高余婷. 深度学习的大高差高海拔地区高程拟合方法[J]. 测绘通报, 2024, 0(8): 102-108.
[9]	侯佳鑫, 车向红, 刘纪平, 王鸿雁, 王勇, 徐胜华, 罗安. 三种图像匹配模型在地图匹配中的适用性[J]. 测绘通报, 2024, 0(8): 109-114,121.
[10]	杨晓峰, 魏浩翰, 张强, 向云飞. 融合孤立森林和深度学习的GNSS-IR土壤湿度反演[J]. 测绘通报, 2024, 0(7): 88-94.
[11]	田亚林, 连增增, 王鹏辉, 王孟奇, 陆力. 基于KF-LSTM的UWB室内定位算法[J]. 测绘通报, 2024, 0(7): 95-99,151.
[12]	刘兵, 刘宇, 金凤学, 邹一波, 葛艳, 赵林林. 针对浒苔目标检测的全局背景强化的位置蒸馏方法[J]. 测绘通报, 2024, 0(6): 19-23.
[13]	高墨通, 杨维芳, 刘祖昱, 曹小双, 张瑞琪, 侯宇豪. 结合卷积神经网络和注意力机制的LSTM采空区地表沉降预测方法[J]. 测绘通报, 2024, 0(6): 53-58,170.
[14]	钟青岑, 吴晨昊, 向隆刚, 姚鹏. 顾及路网约束的深度地图匹配方法[J]. 测绘通报, 2024, 0(6): 96-102,133.
[15]	尹泽中, 李功权. 三维场叠加视频流的电子围栏越界检测方法[J]. 测绘通报, 2024, 0(6): 103-108.