基于Sentinel-2图像的作物映射,使用注意力机制的语义细分模型
Meixiang Gao1, Tingyu Lu2, Lei Wang3
1Department of Geography and Spatial Information Techniques, Ningbo University, Ningbo 315211, China.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
一个新的深度学习模型,A2SegNet,使用遥感数据准确地绘制玉米和大豆作物. 这种基于注意力的方法显著提高了作物分类的准确性,并通过转移学习表现出强大的适应性.
科学领域:
- 农业遥感 农业遥感
- 对于作物映射的深度学习.
- 对耕地进行地理空间分析.
背景情况:
- 准确的作物识别和面积估计对于农业监测至关重要.
- 高分辨率遥感为作物特征提供丰富的空间,光谱和纹理信息.
- 传感器和信息技术的进步使得精确的作物分类成为可能.
研究的目的:
- 将作物映射定义为一个语义细分问题.
- 提出一种深度学习方法 (A2SegNet) 来识别玉米和大豆的分布.
- 利用作物的空间和光谱特征来提高分类准确度.
主要方法:
- 开发了一个注意力机制深度学习模型,名为A2SegNet.
- 通过使用Sentinel-2卫星数据从2019-2021年训练和评估模型.
- 应用跨时空空间维度的转移学习,以评估模型的适应性.
主要成果:
- A2SegNet有效地提取了作物的空间和光谱特征.
- 该模型在分类方面明显优于基线方法和其他深度学习模型.
- 交叉验证证明了该模型在不同年份的有效性和适应性.
结论:
- 在A2SegNet中的注意力机制增强了模型培训期间的知识传输.
- 在作物绘图方面,A2SegNet表现出卓越的适应性和分类性能.
- 这种深度学习方法为农业遥感监测提供了强大的解决方案.
