彭道松 聶小飛 莫明浩 計(jì)勇

［關(guān)鍵詞］水土保持措施；遙感圖像解譯；卷積神經(jīng)網(wǎng)絡(luò)；深度學(xué)習(xí)模型

［摘要］近年來計(jì)算機(jī)視覺圖像處理的發(fā)展與遙感影像分辨率的提高，使得遙感影像水土保持措施快速精準(zhǔn)提取成為可能。為有效推進(jìn)水土保持措施圖斑精準(zhǔn)快速提取的研發(fā)與應(yīng)用，在總結(jié)水土保持措施信息提取和衛(wèi)星遙感影像解譯常用方法的基礎(chǔ)上，系統(tǒng)分析深度學(xué)習(xí)方法在遙感解譯和遙感影像水土保持措施提取方面的改進(jìn)與運(yùn)用，對研究發(fā)展趨勢進(jìn)行了展望分析。

［中圖分類號］S157［文獻(xiàn)標(biāo)識碼］A［文章編號］1000－0941（2023）04－0045－05

水土保持措施是防治水土流失，保護(hù)、改良與合理利用水土資源，改善生態(tài)環(huán)境所采取的工程、植物和耕作措施[1]。準(zhǔn)確判別水土保持措施空間分布是深入研究區(qū)域水土流失規(guī)律、系統(tǒng)評價(jià)水土保持效益、科學(xué)開展水土流失動態(tài)監(jiān)測的關(guān)鍵。遙感影像是提取水土保持措施的重要依據(jù)，但對于大范圍的水土保持信息，無論是野外人工走訪調(diào)查還是遙感目視解譯都不能滿足快速提取的要求。近年來隨著計(jì)算機(jī)硬件性能的快速提升及算法的優(yōu)化發(fā)展，以深度學(xué)習(xí)為代表的人工智能技術(shù)在遙感影像分類與地物提取中逐漸得以應(yīng)用，并顯現(xiàn)出快速、高效等特點(diǎn)。

1遙感解譯信息提取方法

總體上，水土保持措施信息提取經(jīng)歷了由目視解譯、計(jì)算機(jī)半自動化解譯到人工智能自動化遙感解譯的發(fā)展過程。

1.1目視解譯

目視解譯是早期水土保持措施信息提取的重要方法。一般是由專業(yè)人員對遙感影像進(jìn)行解譯分類，提取水土保持措施信息等。趙幫元等[2]運(yùn)用ArcGIS軟件，采用人機(jī)交互綜合解譯的方式進(jìn)行水土保持措施信息的提取和驗(yàn)證；趙興實(shí)等[3]使用目視解譯的方法進(jìn)行黑龍江省土壤侵蝕調(diào)查。由于解譯人員對遙感影像上的圖斑信息存在認(rèn)知差異、不同時(shí)相衛(wèi)片存在色差等，因此解譯結(jié)果受解譯人員主觀影響較大，需要多次交叉檢查和復(fù)核，導(dǎo)致解譯時(shí)間周期過長。目視解譯是遙感影像解譯最經(jīng)典的方法，且在使用監(jiān)督學(xué)習(xí)或半監(jiān)督學(xué)習(xí)開展影像分類時(shí)需要基于目視解譯結(jié)果進(jìn)行驗(yàn)證[4]。

1.2基于像元的提取方法

基于像元的提取方法主要有監(jiān)督分類和非監(jiān)督分類兩種。監(jiān)督分類方法又被稱為訓(xùn)練分類方法，此類方法在訓(xùn)練模型時(shí)需要收集一定量的樣本數(shù)據(jù)集，一般通過目視判讀或野外調(diào)查的方式進(jìn)行收集，存在一定的人為主觀性因素，其優(yōu)勢在于使用經(jīng)樣本數(shù)據(jù)集訓(xùn)練后的分類模型，通過有效的精度測試，可對其他遙感影像數(shù)據(jù)中的地物信息進(jìn)行分類。監(jiān)督分類中遙感影像的空間分辨率對分類結(jié)果的精度十分重要，但目前遙感影像主要通過衛(wèi)片獲取，存在著時(shí)間分辨率長、易受大氣環(huán)境影響等問題。為彌補(bǔ)這些問題，徐存東等[5]使用高像素的無人機(jī)設(shè)備收集遙感影像，并使用平行六面體、支持向量機(jī)等監(jiān)督分類方法對研究區(qū)域的鹽堿地信息進(jìn)行提取?；诒O(jiān)督分類的地物信息直接提取，分類精度往往受到所選分類樣本的影響，綜合利用多種地物分類方法可以有效減少錯(cuò)分，提高總體分類精度。比如，邵安冉等[6]基于歸一化植被指數(shù)和歸一化水體指數(shù)，采用指數(shù)計(jì)算和監(jiān)督分類相結(jié)合的融合提取方法，能夠?qū)ΦV區(qū)土地利用信息進(jìn)行快速識別分類，但適用范圍有待驗(yàn)證且泛化能力不足。

非監(jiān)督分類方法又稱聚類分析或者點(diǎn)群分析，常用的有K-means法、ISODATA法等算法。其優(yōu)勢在于分類前不需要獲得任何的先驗(yàn)知識，而是通過遙感影像上不同地物的光譜實(shí)現(xiàn)特征信息提取，缺點(diǎn)是檢測效率較低?；谶@個(gè)問題，韓萍等[7]提出了一種圖像與非監(jiān)督分類結(jié)合的提取方法；王冬利等[8]提出了一種以非監(jiān)督分類為核心結(jié)合多尺度數(shù)據(jù)的地面信息提取模型，使模型能夠達(dá)到監(jiān)督分類的精度。半監(jiān)督分類方法是近年機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)新的研究方向，其優(yōu)勢在于可以使用少量的訓(xùn)練樣本對模型進(jìn)行訓(xùn)練，并對沒有標(biāo)簽的數(shù)據(jù)進(jìn)行標(biāo)簽預(yù)測。王立國等[9]提出了一種聯(lián)合多種空間信息的高光譜半監(jiān)督分類方法，對高光譜的影像進(jìn)行預(yù)處理并提取其空間特征信息，在訓(xùn)練樣本少時(shí)較經(jīng)典監(jiān)督分類方法能夠提高遙感影像的分類性能。在水土保持措施提取方面，ZHANGHYPERLINK"https：//www.sciencedirect.com/science/article/pii/S2095633916301125"l"！"etal.[10]使用高分一號遙感數(shù)據(jù)，采用邊緣特征統(tǒng)計(jì)算法、模板匹配算法和傅里葉變換算法等3種邊緣檢測算法自動識別提取梯田，結(jié)果表明上述方法對典型梯田的識別和提取非常有效，但只考慮了梯田紋理和灰度特征，對其他特征信息關(guān)注度不足。

1.3基于面向?qū)ο蟮奶崛》椒?/p>

面向?qū)ο蠓诸愂菍b感影像中地物的紋理、空間等信息進(jìn)行綜合判斷的一種方法，其對光譜分辨率和空間分辨率要求較高[11]。隨著遙感技術(shù)的高速發(fā)展，遙感影像的分辨率得到了極大提升，面向?qū)ο蠓诸惙椒ǖ男阅芤驳玫搅诉M(jìn)一步提高。無論是基于樣本還是基于規(guī)則的方法，在小區(qū)域內(nèi)的地物信息提取都能夠取得較好的效果，但是對于大區(qū)域的地物信息提取卻存在泛化能力不足的問題。張雨果等[12]使用面向?qū)ο笾谢谝?guī)則的提取方法對梯田進(jìn)行提取，并且將監(jiān)督和非監(jiān)督分類進(jìn)行對比，結(jié)果表明監(jiān)督分類的結(jié)果存在大量細(xì)碎斑塊，“椒鹽”現(xiàn)象嚴(yán)重；非監(jiān)督分類方法的目視效果差，地物錯(cuò)分、漏分嚴(yán)重。相對而言，面向?qū)ο蠓诸惙椒ň哂懈玫男阅?，能夠比較有效地去除“椒鹽”現(xiàn)象[13]，獲得更好的分類精度。夏晨真等[14]基于厘米級無人機(jī)影像，采用面向?qū)ο蠓诸惙椒ǎx取光譜、地形和紋理等特征進(jìn)行影像分割，開展水土保持措施信息提取，結(jié)果表明橫坡改壟和生態(tài)恢復(fù)喬木林識別精度較高，分別達(dá)到了97.35%和96.61%，而非線型水土保持措施的分類精度遠(yuǎn)低于線型水土保持措施的。

2深度學(xué)習(xí)在遙感解譯中的應(yīng)用

2.1基于初級卷積神經(jīng)網(wǎng)絡(luò)的遙感解譯

在遙感影像分類解譯中，相較于傳統(tǒng)算法，卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于能夠獲取大量的表層特征信息及豐富的深層語義信息，具有較高的自動化程度和分類準(zhǔn)確度，但缺點(diǎn)是依賴于大量的標(biāo)簽數(shù)據(jù)集且模型訓(xùn)練周期較長。在當(dāng)前大數(shù)據(jù)的環(huán)境下，各種遙感數(shù)據(jù)集的豐富和遙感影像分辨率的提高，使得卷積神經(jīng)網(wǎng)絡(luò)遙感解譯相較于傳統(tǒng)的目視解譯，在分類效率、可行性和精度方面均具有較大優(yōu)勢[15]。將深度學(xué)習(xí)某單一模型或知識運(yùn)用于遙感影像分類提取，所取得的分類提取精度、效果往往存在著一定的欠缺，而深度學(xué)習(xí)知識與其他領(lǐng)域知識聯(lián)合構(gòu)成的系統(tǒng)性綜合卷積神經(jīng)網(wǎng)絡(luò)模型在遙感影像的分類提取中，無論是性能穩(wěn)定性還是分類提取精度都得到了進(jìn)一步提高。趙伍迪等[16]提出一種將卷積神經(jīng)網(wǎng)絡(luò)與空間紋理特征相結(jié)合的多源遙感數(shù)據(jù)特征融合的分類模型框架T-F-CNN方法，并與支持向量機(jī)分類方法進(jìn)行了對比，結(jié)果表明前者分類精度較高。李道紀(jì)等[17]采用VGG16與AlexNet分別提取局部和全局視覺特征，與性能優(yōu)異的U-Net進(jìn)行對比，在效果相當(dāng)?shù)那闆r下模型收斂時(shí)間僅為U-Net網(wǎng)絡(luò)的15.46%。AlexNet、VGG等基于初級卷積神經(jīng)網(wǎng)絡(luò)的圖像處理模型在遙感影像的提取分類中單獨(dú)運(yùn)用較少，主要用于輔助開展影圖整體分類，作為語義分割等高級模型的主要特征提取模塊，其原因主要是基于初級卷積神經(jīng)網(wǎng)絡(luò)的圖像處理模型僅對輸入影像進(jìn)行整體的類別判斷，沒有判別主要識別對象的位置及邊界情況。

2.2基于現(xiàn)階段卷積神經(jīng)網(wǎng)絡(luò)的遙感解譯

隨著卷積神經(jīng)網(wǎng)絡(luò)深度和廣度的不斷拓展，各種優(yōu)化方式、網(wǎng)絡(luò)模型結(jié)構(gòu)在初級網(wǎng)絡(luò)模型上發(fā)展運(yùn)用，以及高級卷積神經(jīng)網(wǎng)絡(luò)模型與遙感領(lǐng)域中的綜合知識聯(lián)合，使得遙感影像分類提取性能得到不斷提高。深度學(xué)習(xí)模型的深度增加，意味著模型能夠取得更多的深度語義特性，但模型訓(xùn)練的時(shí)間也隨之增加，導(dǎo)致訓(xùn)練中存在梯度彌散和梯度消失的情況[18]。DeepLab系列網(wǎng)絡(luò)模型在初級卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上逐步引入了空洞卷積，加快了模型訓(xùn)練速度，減少了訓(xùn)練時(shí)間，并且將隨機(jī)條件場（CRF）引入了網(wǎng)絡(luò)模型，不僅提高了網(wǎng)絡(luò)模型的定位精度，而且使得遙感影像語義分割的邊界更加準(zhǔn)確[19]。羅李焱等[20]提出了一種基于DeepLabv3+語義分割模型的高分辨率遙感影像建筑物提取方法，收集了大量的樣本數(shù)據(jù)集，可有效提取各類建筑物。初級卷積神經(jīng)網(wǎng)絡(luò)（如AlexNet和VGG等）都可通過不斷增加網(wǎng)絡(luò)深度來獲取更高的層次遙感影像語義信息，但隨著網(wǎng)絡(luò)層數(shù)的增加，參數(shù)呈幾何級數(shù)增長，使得模型難以優(yōu)化。GoogLeNet系列網(wǎng)絡(luò)模型則是從另外一個(gè)角度思考和用密集成分來近似最優(yōu)的局部稀疏結(jié)構(gòu)，通過不斷完善發(fā)展來保證模型既能夠保持網(wǎng)絡(luò)的稀疏性，又能利用密集矩陣的高計(jì)算性[21-22]。韓要昌等[23]在GoogLeNet模型基礎(chǔ)上進(jìn)行結(jié)構(gòu)改進(jìn)，提出了GoogLeNet16模型，提高了遙感影像分類準(zhǔn)確度；Heetal.[24]提出的ResNet是在深層卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)之上，通過引入殘差單元，來解決由于神經(jīng)網(wǎng)絡(luò)模型過深引起的梯度消失問題，使得ResNet網(wǎng)絡(luò)模型的深度更深，從而提高網(wǎng)絡(luò)模型的識別準(zhǔn)確度；章晨等[25]提出一種基于改進(jìn)殘差網(wǎng)絡(luò)結(jié)構(gòu)的ResNet，以適應(yīng)背景復(fù)雜的遙感圖像數(shù)據(jù)集，與AlexNet、VGGNet-16等卷積神經(jīng)網(wǎng)絡(luò)模型相比，分類提取準(zhǔn)確度得到了小幅提升。

現(xiàn)階段遙感影像分類提取解譯中，運(yùn)用最廣泛的是各類卷積層深度較深的語義分割模型，此類模型的優(yōu)勢在于完成遙感影像地物提取特征分類后，通過反卷積解碼對原始遙感影像上的每一個(gè)像素進(jìn)行預(yù)測分類，提取地物信息邊界并且進(jìn)行標(biāo)識。由于遙感影像尺度較大、地物信息豐富復(fù)雜，且遙感影像與圖像級攝影機(jī)的分辨率仍然存在較大的差距，因此目前語義分割卷積神經(jīng)網(wǎng)絡(luò)模型在遙感影像提取應(yīng)用方面仍存在較大局限性。在分辨率較小時(shí)，語義分割模型提取的各種光譜、紋理、空間等深層的語義信息較少，對提取分類精度的影響較大。因此，現(xiàn)階段的深度學(xué)習(xí)模型主要用于紋理、空間、光譜特征較為明顯的道路、水體、建筑物等地物提取。U-Net和DeepLab系列模型是運(yùn)用較為廣泛且效果得到很多研究者驗(yàn)證的兩種語義分割模型，它們能夠獲得比傳統(tǒng)遙感影像提取方法更好的提取精度，但訓(xùn)練模型的過程較長，需要人為調(diào)整訓(xùn)練參數(shù)，特別是如果需要調(diào)整模型的內(nèi)部結(jié)構(gòu)則需要比較高的計(jì)算機(jī)編程能力，且擁有大量遙感領(lǐng)域的知識。

當(dāng)前階段，遙感數(shù)據(jù)集還未普遍開源共享，需要自主建立大批的數(shù)據(jù)標(biāo)簽集，費(fèi)時(shí)費(fèi)力，且精度受人為因素影響。

3深度學(xué)習(xí)在水土保持措施信息提取中的應(yīng)用

深度學(xué)習(xí)中卷積神經(jīng)網(wǎng)絡(luò)對于圖像分類任務(wù)性能優(yōu)異，能夠預(yù)測出整幅圖像的屬性，但無法預(yù)測出遙感影像中地類的邊界，并且對于空間大尺度的遙感影像目標(biāo)地類信息的提取任務(wù)，卷積神經(jīng)網(wǎng)絡(luò)的分步、分割、分類提取在程序上復(fù)雜和冗余。而深度學(xué)習(xí)中全卷積神經(jīng)網(wǎng)絡(luò)語義分割模型分類預(yù)測的結(jié)果更加注重地物圖斑在待分類影像中的位置、邊界、面積等信息，因此深度學(xué)習(xí)語義分割模型更加適用于水土保持措施圖斑的提取。

目前主流的語義分割模型有DeepLab、FCN[26]、U-Net[27]、PSPNet[28]等。FCN模型和U-Net模型早期主要應(yīng)用于醫(yī)學(xué)影像領(lǐng)域，經(jīng)過遷移學(xué)習(xí)和模型適應(yīng)性場景調(diào)整能夠應(yīng)用于各種遙感地類識別提取。金飛等[29]將改進(jìn)雙U-Net模型用于道路提取，程銳等[30]將改進(jìn)多種語義分割模型用于耕地提取，可見通過改進(jìn)深度學(xué)習(xí)模型，適用于水土保持措施圖斑提取的方法已經(jīng)在其他地物深度學(xué)習(xí)模型分類中得到了成功驗(yàn)證。針對目前水土保持措施圖斑傳統(tǒng)提取方法費(fèi)時(shí)費(fèi)力等問題，研究如何改進(jìn)深度學(xué)習(xí)模型，實(shí)現(xiàn)水土保持措施圖斑的智能、高效、精確提取，具有廣闊的前景。

目前對于深度學(xué)習(xí)在水土保持措施圖斑提取方面的研究成果仍較少，與水土保持措施圖斑的公開數(shù)據(jù)集有限、圖斑在遙感影像中面積較小、部分措施目視解譯很難分辨有關(guān)。因此，現(xiàn)階段主要應(yīng)用于提取特征信息顯著的水土保持措施圖斑，如工程措施中二級分類梯田（因其形狀規(guī)則且與其他地類信息有較為顯著的差異）和生物措施中二級分類造林、種草等。例如，楊亞男等[31]采用以VGG19網(wǎng)絡(luò)模型為基礎(chǔ)構(gòu)建的FCN-8s模型，深度學(xué)習(xí)后可實(shí)現(xiàn)梯田精細(xì)化邊界預(yù)測和高精度面積提取；白翠[32]將基于MobileNet主干網(wǎng)絡(luò)和基于ResNet50主干網(wǎng)絡(luò)的深度學(xué)習(xí)PSPNet模型運(yùn)用于梯田提取，對比結(jié)果表明在驗(yàn)證精度最優(yōu)的網(wǎng)絡(luò)參數(shù)下，基于ResNet主干網(wǎng)絡(luò)模型的提取效果明顯優(yōu)于基于MobileNet主干網(wǎng)絡(luò)模型的。郭爭強(qiáng)[33]使用膠囊網(wǎng)絡(luò)對新疆唐布拉草地進(jìn)行分類，結(jié)果表明該矢量深度學(xué)習(xí)模型相較于支持向量機(jī)等傳統(tǒng)遙感解譯方法有更好的分類精度，但缺乏與主流的深層卷積模型的對比數(shù)據(jù)。唐川江等[34]利用DeepLabv3+模型對爐霍縣、丹巴縣、阿壩縣、金陽縣等地的草地進(jìn)行分類提取，結(jié)果表明DeepLabv3+模型與人工判讀的結(jié)果相近，比傳統(tǒng)監(jiān)督分類方法精度更高。劉春亭等[35]利用DeepLabv3+模型對城市的防塵綠網(wǎng)等進(jìn)行提取，與傳統(tǒng)NDVI方法和經(jīng)典語義分割模型對比，DeepLabv3+模型具有更高的提取精度，但DeepLabv3+模型對防塵綠網(wǎng)的提取精度略低于其他地物的。葛小三等[36]也得到結(jié)論，使用DeepLabv3+模型對道路提取的精確率等高于防塵綠網(wǎng)的。綜上，目前在應(yīng)用層面，深度學(xué)習(xí)的水土保持措施信息遙感智能解譯主要是有關(guān)面措施的提取，主要集中在梯田等工程措施提取方向，而對于其他的點(diǎn)、線型水土保持措施圖斑，受影像分辨率等因素限制，仍難以取得精準(zhǔn)的提取結(jié)果。

4結(jié)語

隨著無人機(jī)影像在小區(qū)域遙感分類中的運(yùn)用，遙感影像的分辨率大幅提高，無論是傳統(tǒng)分類還是深度學(xué)習(xí)分類的提取精度都得到極大提高。在遙感分類提取中運(yùn)用深度學(xué)習(xí)起步較晚，目前主要集中在特征顯著的地物提取上，主要采用卷積神經(jīng)網(wǎng)絡(luò)語義分割模型，相較于傳統(tǒng)的解譯方法提取精度有所提高，但依賴于高分辨率的遙感影像和大量有關(guān)地物的標(biāo)簽數(shù)據(jù)集，且主要集中于真彩色圖斑提取，對于多光譜信息尚有待發(fā)掘運(yùn)用。

水土保持措施遙感解譯經(jīng)歷了從傳統(tǒng)費(fèi)時(shí)費(fèi)力的人工解譯到面向?qū)ο蟮陌胱詣踊蛉詣佑?jì)算機(jī)解譯，逐漸步入到基于深度學(xué)習(xí)等人工智能技術(shù)的智能解譯階段，使水土保持措施信息的高效精準(zhǔn)提取逐步成為可能。目前深度學(xué)習(xí)在水土保持信息提取領(lǐng)域還存在一些有待深入研究的方向：注重遙感影像數(shù)據(jù)的多源融合，結(jié)合無人機(jī)等其他高分辨影像，增強(qiáng)各種水土保持圖斑的空間、紋理、顏色特征，進(jìn)一步提高中小圖斑水土保持措施的辨識率；應(yīng)用深度學(xué)習(xí)提取水土保持措施時(shí)要想獲得更高的精度，需要依靠海量的水土保持措施圖斑標(biāo)簽數(shù)據(jù)集，因此建立包含各種水土保持措施的大容量標(biāo)簽數(shù)據(jù)集至關(guān)重要；耦合計(jì)算機(jī)視覺算法及水土保持領(lǐng)域知識的判別方式有望進(jìn)一步提高水土保持措施提取精度。

[參考文獻(xiàn)]

[1]袁希平，雷廷武.水土保持措施及其減水減沙效益分析[J].農(nóng)業(yè)工程學(xué)報(bào)，2004（2）：296-300.

[2]趙幫元，馬寧，楊娟，等.基于不同分辨率遙感影像提取的水土保持措施精度分析[J].水土保持通報(bào)，2012，32（4）：154-157.

[3]趙興實(shí)，田中雨，劉巖，等.衛(wèi)片目視解譯在土壤侵蝕現(xiàn)狀調(diào)查中的應(yīng)用[J].水土保持通報(bào)，1996，16（1）：149-152.

[4]陳斌，王宏志，徐新良，等.深度學(xué)習(xí)GoogleNet模型支持下的中分辨率遙感影像自動分類[J].測繪通報(bào)，2019（6）：29-33，40.

[5]徐存東，李洪飛，谷豐佑，等.基于無人機(jī)遙感影像的鹽堿地信息的精準(zhǔn)提取方法[J].中國農(nóng)村水利水電，2021（8）：116-122.

[6]邵安冉，李新舉，周晶晶.基于Sentinel-2A影像的礦區(qū)土地利用信息提取方法[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，51（3）：441-446.

[7]韓萍，劉亞芳，韓賓賓，等.圖像分割與分類相結(jié)合的PolSAR圖像機(jī)場跑道區(qū)域檢測[J].信號處理，2021，37（11）：2084-2096.

[8]王冬利，張安兵，趙安周，等.非監(jiān)督分類的冬小麥種植信息提取模型[J].測繪通報(bào)，2019（8）：68-71，77.

[9]王立國，馬駿宇，李陽.聯(lián)合多種空間信息的高光譜半監(jiān)督分類方法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2021，42（2）：280-285.

[10]ZHANGY，SHIMC，ZHAOX，etal.Methodsforautomaticidentificationandextractionofterracesfromhighspatialresolutionsatellitedata（China-GF-1）[J].InternationalSoil&WaterConservationResearch，2017，5（1）：17-25.

[11]劉潔，賴格英，宋月君，等.水土保持措施圖斑遙感識別提取研究進(jìn)展[J].水土保持應(yīng)用技術(shù)，2020（5）：38-42.

[12]張雨果，王飛，孫文義，等.基于面向?qū)ο蟮腟POT衛(wèi)星影像梯田信息提取研究[J].水土保持研究，2016，23（6）：345-351.

[13]常虹，詹福雷，楊國東，等.面向?qū)ο蟮母叻诌b感影像信息提取技術(shù)研究[J].測繪通報(bào)，2015（1）：99-101，130.

[14]夏晨真，張?jiān)?基于厘米級無人機(jī)影像的水土保持措施精準(zhǔn)識別[J].水土保持學(xué)報(bào)，2020，34（5）：111-118，130.

[15]曹林林，李海濤，韓顏順，等.卷積神經(jīng)網(wǎng)絡(luò)在高分遙感影像分類中的應(yīng)用[J].測繪科學(xué)，2016，41（9）：170-175.

[16]趙伍迪，李山山，李安，等.結(jié)合深度學(xué)習(xí)的高光譜與多源遙感數(shù)據(jù)融合分類[J].遙感學(xué)報(bào)，2021，25（7）：1489-1502.

[17]李道紀(jì)，郭海濤，張保明，等.結(jié)合雙視覺全卷積網(wǎng)絡(luò)的遙感影像地物提取[J].中國圖象圖形學(xué)報(bào)，2020，25（3）：535-545.

[18]董蘊(yùn)雅，張倩.基于CNN的高分遙感影像深度語義特征提取研究綜述[J].遙感技術(shù)與應(yīng)用，2019，34（1）：1-11.

[19]CHENLC，PAPANDREOUG，KOKKINOSI，etal.DeepLab：semanticimagesegmentationwithdeepconvolutionalnets，atrousconvolution，andfullyconnectedCRFs[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2018，40（4）：834-848.

[20]羅李焱，朱婷萼，張桂銘，等.基于DeepLabv3+模型的高分辨率遙感影像建筑物提取[J].電子信息對抗技術(shù)，2021，36（4）：65-69，73.

[21]IOFFES，SZEGEDYC.Batchnormalization：acceleratingdeepnetworktrainingbyreducinginternalcovariateshift[C].France：JMLR.org，2015：448-456.

[22]SZEGEDYC，IOFFES，VANHOUCKEV，etal.Inception-v4，Inception-ResNetandtheimpactofresidualconnectionsonlearning[C].MenloPark：AAAIPress，2017：4278-4284.

[23]韓要昌，王潔，史通，等.基于改進(jìn)GoogLeNet的遙感圖像分類方法[J].彈箭與制導(dǎo)學(xué)報(bào)，2019，39（5）：139-142，153.

[24]HEKMHYPERLINK"https：//ieeexplore.ieee.org/author/37085360867"，ZHANGXYHYPERLINK"https：//ieeexplore.ieee.org/author/37088458974"，RENSHYPERLINK"https：//ieeexplore.ieee.org/author/37085368998"Q，etal.Deepresiduallearningforimagerecognition[C].LasVegas：2016IEEEConferenceonComputerVisionandPatternRecognition（CVPR），2016：770-778.

[25]章晨，夏凱，楊垠暉，等.改進(jìn)殘差網(wǎng)絡(luò)的遙感圖像場景分類[J].測繪科學(xué)，2020，45（8）：151-156.

[26]SHELHAMERE，LONGJ，DARRELLT.Fullyconvolutionalnetworksforsemanticsegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2017，39（4）：640-651.

[27]RONNEBERGERO，F(xiàn)ISCHERP，BROXT.U-Net：Convolutionalnetworksforbiomedicalimagesegmentation[C].Berlin：SpringerInternationalPublishing，2015，9351：234-241.

［28］ZHAOHS，SHIJP，QIXJ，etal.Pyramidsceneparsingnetwork[C].LosAlamitos：2017IEEEConferenceonComputerVisionandPatternRecognition（CVPR），2017：6230-6239.

[29]金飛，王龍飛，劉智，等.一種雙U-Net的遙感影像道路提取方法[J].測繪科學(xué)技術(shù)學(xué)報(bào)，2019，36（4）：377-381，387.

[30]程銳，魏妍冰，陸苗，等.基于集成深度學(xué)習(xí)模型的耕地地塊提取[J].中國農(nóng)業(yè)資源與區(qū)劃，2022，43（7）：273-281.

[31]楊亞男，張宏鳴，李杭昊，等.結(jié)合FCN和DenseCRF模型的無人機(jī)梯田識別方法研究[J].計(jì)算機(jī)工程與應(yīng)用，2021，57（3）：222-230.

[32]白翠.基于深度學(xué)習(xí)梯田信息提取及其對土壤侵蝕量估算的影響[D].西安：西安科技大學(xué)，2021：25-26.

[33]郭爭強(qiáng).基于深度學(xué)習(xí)的草地變化監(jiān)測研究[D].成都：電子科技大學(xué)，2020：38-40.

[34]唐川江，唐古拉，魯巖，等.基于深度學(xué)習(xí)方法的草地信息智能提取研究[J].中國草地學(xué)報(bào)，2020，42（3）：175-180.

[35]劉春亭，馮權(quán)瀧，劉建濤，等.DeepLabv3+語義分割模型的濟(jì)南市防塵綠網(wǎng)提取及時(shí)空變化分析[J].遙感學(xué)報(bào)，2022，26（12）：2518-2530.

[36]葛小三，曹偉.一種改進(jìn)DeepLabV3+網(wǎng)絡(luò)的高分辨率遙感影像道路提取方法[J].遙感信息，2022，37（1）：40-46.

［作者簡介］彭道松（1997—），男，江西宜春人，碩士研究生，主要從事水土保持和水資源信息化技術(shù)研究；通信作者莫明浩（1981—），男，江西撫州人，博士，教授級高級工程師，主要從事水土保持與生態(tài)環(huán)境方面的研究。［收稿日期］2022-06-01

（責(zé)任編輯李楊楊）

［基金項(xiàng)目］國家自然科學(xué)基金項(xiàng)目（42067020）；江西省水利廳科技項(xiàng)目（202123YBKT16，202325ZDKT02）；江西省博士后科研擇優(yōu)資助項(xiàng)目（2019KY46）；南昌工程學(xué)院校級研究生創(chuàng)新計(jì)劃項(xiàng)目（YJSCX202106）