基于语义分割网络的冬小麦遥感分类及变化分析

针对传统机器学习作物遥感分类模型泛化能力较弱等问题,本文评价并验证了不同语义分割网络在光谱特征和光谱+植被指数特征下的济源市冬小麦遥感分类模型的性能和分类精度.结果表明,较单一光谱特征,基于U-Net++和DeepLab V3+的光谱+植被指数特征模型损失函数和IoU值分别降低和提高了 13.30%和 7.83%、7.80%和 5.54%.此外,基于U-Net++的 2020-2023 年冬小麦分类总体精度达 93.47%～95.60%,较DeepLab V3+和随机森林分类的总体精度分别提高了 0.12%～2.29%和4.84%～7.40%;景观度值也表明基于U-Net++的冬小麦分类结果具有更优的图斑完整度和紧凑度.最后,本文定量评价了不同年份冬小麦种植面积空间变化结果,为复杂地形条件下作物面积监测应用提供了方法支持.