农业机械学报

作者：陈理，韩毅，杨广，赖有春，郑永军，周宇光

单位：中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,

关键词：农田特征提取;语义分割;半监督学习;空间异质性农田;遥感影像

基金：科技部创新方法工作专项项目（2020IM020901）

提取农田信息对智慧农业、环境保护等有重要意义。监督学习模型对不同地貌、区域、种植类型等空间异质性农田的特征提取效果不佳。针对该问题，本文提出一种半监督学习模型，该模型使用基于加权损失函数的在线难例样本挖掘策略，在Vaihingen数据集中总体精度高达87.1%，相较于其他半监督学习模型的提取效果最好。在吉林一号农田影像数据集进行空间异质性农田特征提取中的对比试验和精度评估，结果表明：分别使用拟提取地区和训练集地区的无标注影像训练该模型，均可提高对空间异质性农田特征提取精度，若无标注影像与拟提取地区影像中农田特征相似度高，总体精度可提升2.1~6.1个百分点，总体精度最高可达84.0%。该模型使用更少量的标注信息获得媲美监督学习模型的提取效果；而使用相同量的标注信息，可以通过增加无标注影像以取得比监督学习模型更好的提取效果。本文构建河北献县地区的农田数据集，模型使用吉林一号农田影像数据集（部分1）作为有标注训练集，吉林一号农田影像数据集（部分2）和献县地区高分二号影像数据集作为无标注影像训练后的总体精度高达88.7%。验证了改进后的半监督学习模型可准确有效提取空间异质性农田特征。

来源：2023年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第12期