基于深度学习的高分辨率遥感影像耕地对象提取方法

Precise extraction of cultivated land information is a hot spot in the field of remote sensing resource investigation and monitoring, Due to the cultivated land information extraction mainly depends on artificial interaction, the automation and intelligence is low degree, and the efficiency is not high. For this reason, this project introduces the principle of deep learning, and proposes a method to extract cultivated land information from the high resolution remotely sensed imageries. The main research contents include: (1) using deep convolutional neural network(DCNN) to complete the cultivated land characteristic sample database construction; (2) proposing a scale parameter estimation method to obtain the optimal segmentation scale; (3) constructing object-oriented cultivated land information extraction algorithm based on deep learning; (4) designing and developmenting the prototype system, and selecting the high resolution remotely sensed imageries of typical areas for experimental analysis. The research of this project is expected to provide important technical support for investigation and monitoring of cultivated land resources from high resolution remotely sensed imageries.

精细化的耕地信息提取是遥感资源调查与监测领域的热点前沿，由于已有耕地信息提取主要依靠人工交互，自动化与智能化程度低，效率不高。为此，本项目引入深度学习原理，研究提出一种从高分辨率遥感影像提取对象级耕地信息的方法。主要研究内容包括：（1）利用深度卷积神经网络（DCNN）构建高分影像耕地特征样本库；（2）提出基于统计学的最优分割尺度参数估计方法；（3）构建基于深度学习的耕地信息对象级提取算法；（4）设计开发原型系统，并选择典型地区的高分遥感影像进行实验分析。本项目的研究可望为高分遥感影像耕地资源调查与监测提供重要技术支撑。

精细化的耕地信息提取是遥感资源调查与监测领域的热点前沿。项目按计划完成了相关研究内容，并取得了如下成果：（1）利用面向对象的影像分析和ArcGIS Python二次开发包（ArcPy）实现图像块批量自动裁剪，建立了高分影像耕地特征样本库；（2）提出了综合考虑光谱、形状及纹理特征的纹理均值和光谱灰度均值法（基于GLCM MANC法）来获取多源数据的耕地最优分割尺度，并采用基于面积差异和位置差异的影像分割质量评价方法，通过面积错误分割指数Error Segment Index(ESI)评价指标和位置差异指数Centriods Distance Index(CDI)来评价影像分割质量；（3）构建了基于深度学习的耕地信息对象级提取算法。研究成果实现了遥感解译理论与方法的创新，为高分遥感影像耕地资源调查与监测提供重要技术支撑。在本项目的支持下，共计发表了4篇SCI期刊论文，2篇核心期刊论文，取得3件软件著作权，项目组成员参加学术会议共计5次。