基于DeepLabv3+与GF-2高分辨率影像的露天煤矿区土地利用分类

遥感与深度学习为及时掌握露天煤矿区土地利用情况提供了高效率的技术手段。基于国产高分二号(GF-2)卫星高分辨率遥感影像,利用深度学习DeepLabv3+模型实现露天煤矿区土地利用识别,并与U-Net、FCN、随机森林、支持向量机、最大似然法等方法进行对比。首先,制作高分辨率影像样本数据,通过敏感性测试确定适合研究区露天煤矿场景的样本最佳裁剪尺寸和方式;然后,训练深度神经网络DeepLabv3+模型,进行土地利用识别实验;最后,比较不同方法的识别结果。结果表明:研究区露天煤矿场景下的样本最佳裁剪尺寸为512像素×512像素,最佳裁剪方式为随机裁剪。采用的DeepLabv3+模型对露天煤矿区土地利用识别的总体精度、Kappa系数分别为80.10%、0.73,均优于U-Net、FCN、随机森林、支持向量机、最大似然法等方法的识别精度。DeepLabv3+模型的识别速度与上述5种方法保持在同一数量级,验证了DeepLabv3+模型和GF-2卫星影像在露天煤矿区土地利用识别中的可行性,对露天煤矿区生态环境监测与修复规划具有重要意义。      

基于FM-UNet++和高分二号卫星影像的露天矿区范围变化检测

利用遥感和深度学习技术实现露天矿区土地利用变化信息的自动提取对于矿区开采监测、生态环境保护具有重要意义。针对复杂异质矿区场景下土地利用类型的变化,构建新型深度学习模型FM-UNet++,利用高分二号(GF-2)卫星影像实现露天矿区的自动变化检测。首先,通过资料调查和目视解译制作露天矿区变化检测数据集,通过数据增强对其进行扩充;其次,通过在UNet++模型中引入特征增强坐标注意力机制FECA(Feature-enhanced Coordinate Attention)和Mish激活函数构建面向露天矿区变化检测的FM-UNet++模型;最后,训练FM-UNet++及7种对比模型进行露天矿区变化检测实验,并比较不同深度学习模型的检测结果。结果表明：特征增强坐标注意力机制FECA和Mish激活函数均提升了UNet++模型的露天矿区变化检测性能。FM-UNet++模型对露天矿区变化检测的精确率(Precision)、召回率(Recall)、F1-Score和交并比(IoU)值分别达到95.6%、89.2%、92.3%和85.7%,相较于FCN、PSPNet、Deeplabv3+、LANet、UN...