摘要
在我国耕作农业的发展进程中，梯田作为一种独特的土地利用形式，不仅促进了农业生产效率，更在水土保持方面发挥了重要作用。因此，准确高效地获取梯田地理空间分布信息对于梯田规划建设、统计验收以及效益分析等方面具有重要意义。这不仅是实施农业精准管理和水土流失监测的基础，也是推动农业可持续发展的重要保障。特别是在我国南方山地丘陵区，由于地形复杂，地块破碎度高，梯田分布零散且规模大小不一，这使得梯田信息的精确提取较为困难。针对遥感影像梯田自动识别过程中存在的精度低、效率慢等问题，本研究以湖北省恩施市和湖南省沅陵县的典型梯田为研究对象，利用改进的U-Net和UNet++网络模型，实现了梯田的自动化识别与提取。本文主要研究内容如下: (1)建立了一套针对南方山地丘陵区的梯田语义分割样本数据集。样本数据集以高分遥感影像为基础，经过数据标注、图像裁剪、数据清洗、数据增强与数据集增广等多个环节并利用不同分割窗口制作而成，为后续实验提供了坚实的数据支撑。 (2)构建了基于基础模型U-Net的优化模型MUNet。提出了即插即用的多头多尺度注意力模块(Multi-headmulti-scaleattentionmodule，MSAG)和多尺度自适应残差模块(Multi-scaleadaptiveresidualmodule,MAR),并将这些模块融合到模型的跳跃连接和解码器中，实现了不同层数、尺度的特征融合。这种设计不仅提高了模型学习的信息量，使其能够更准确地捕获特征的空间位置信息，同时还保留了浅层学习的特征，从而显著提升了模型对南方山地丘陵区细小破碎梯田的识别能力。实验结果表明，相较于基础模型U-Net,改进后的MUNet模型在交并比(IntersectionoverUnion,IoU)和F1-score指标上分别提高了4.88％和5.34％。 (3)针对基于编解码结构的梯田分割网络存在的边缘轮廓不清晰、锯齿状边缘明显的问题，本研究进一步构建了基于UNet++的改进模型SDF-UNet++。该模型引入了改进的UNet++结构和基于边界约束的锯齿状混合空洞卷积混洗模块(BoundaryConstraintsandJaggedHybridDilatedConvolutionChannelChufflingModule,BCJHDC),提出了一种基于边缘约束的多尺度混合注意力提取边缘分割模块(Multi-scalehybridattentionextractionedgesegmentationmodulebasedonedgeconstraints,SDBY)。这一模块充分利用了遥感影像的可见光信息，通过深度点阵卷积、注意力混合模块和PointRend边界约束的融合，实现了对复杂地物的精确分割，显著提升了梯田边缘的分割精度。该模块具有良好的通用性，可以轻松嵌入到现有的卷积神经网络架构中，从而提升了模型从整体信息到细节边缘的识别精度。 (4)本研究利用最佳训练模型对湖北省部分非试验区的梯田信息进行了提取，并分析了不同分辨率下数据集的提取结果。同时，通过模型迁移实验及实地复核工作，验证了本文提出方法的有效性和模型的迁移泛化能力。相较于原始的UNet++模型，本文方法在召回率(Recall)、精确率(Precision)、交并比(IntersectionoverUnion,IoU)和F1-score等评价指标上分别提高了5.47％、5.46％、4.60％和5.44％。这一研究不仅为南方山地丘陵区的梯田识别提供了新思路和新方法，也为未来遥感技术在农业领域的应用提供了有益的探索和尝试。
NETL