[目的]本研究旨在改善基于深度学习的遥感影像田块语义分割中出现的区域不封闭、边缘不贴合、噪点问题,并进一步修正语义分割的识别错误。[方法]以安徽省阜南县、江苏省淮安市为研究地点,自建了农田田块数据集,引入考虑影像多尺度特征的尺度分割思想与基于物候学的DESTIN(delineation by fusing spatial and temporal information)分割算法,提出了基于多尺度及DESTIN约束的高分遥感影像农田田块语义分割方法。[结果]多尺度与DESTIN约束下基于深度模型的田块语义分割有效改善模型出现的区域不封闭、边缘不贴合、噪点和块状模糊等问题,一定程度修正了深度模型语义分割的错误识别,IoU指标在2个测试集上分别达到94.08%和90.79%,相较深度模型的遥感影像田块语义分割分别提高1.65%和2.32%,对研究区域的田块提取区域更完整、精度更高。[结论]多尺度及DESTIN约束进一步改善了田块语义分割问题,有助于提高高分遥感影像的田块识别精度。
为探索基于数字图像处理技术的冬小麦氮素无损诊断图像评价指标及构建方法,设计拍摄2012-2014年度不同种植方案下冬小麦冠层图像,基于归一化的H分量K均值聚类分割算法提取基础颜色特征值,与同期叶片氮含量(leaf nitrogen content,LNC)进行线性拟合,调优并确定三原色分量最佳拟合系数,提出RGB空间下的颜色组合标准化指数(normalized color mix index,NCMI)。对比深绿色指数(dark green color index,DGCI)、红光标准化值(normalized redness intensity,NRI)和绿光与红光比值G/R发现,3个采样期NCMI与LNC的决定系数R^2均高于3个对比指标,分别为0.77、0.79、0.94,均方根误差(root mean square error,RMSE)相较同期最低的指标,分别降低了0.18%、0.37%和1.67%;生选6号和扬麦18号NCMI与LNC的相关性,在一定冠层覆盖度下均优于其他3个指标;D2密度(3×106株/hm^2)N1(纯氮150 kg/hm^2)处理下NCMI效果明显优于其他3个指标,R^2和RMSE较NRI分别改善了7.69%和4.11%,该研究可为一定冠层覆盖度下的冬小麦氮素营养诊断图像评价指标提供参考。
针对区域尺度管理分区指标筛选与分区破碎问题,提出基于指标相关性聚类的无监督过滤式指标选择方法 FSCC(feature selection based on correlation clustering algorithm,FSCC)与基于一致性和完整性的指标优化方法(consistency and integrityoptimization,CIO)。以中国主要冬小麦种植区为研究区域,气象、土壤、地形等小麦生长相关指标为数据源,研究区域从大到小划分为4个尺度,首先选用最大方差、拉普拉斯得分2种传统过滤式特征选择方法与FSCC分别进行4个尺度的管理分区指标筛选,对比基于3种方法筛选指标集构建的管理分区划分结果,评价FSCC分区指标选择方法;其次,设计指标优化算法,对4个尺度筛选的指标集分别进行一致性与完整性分析与优化。结果表明:相较最大方差法和拉普拉斯得分法,FSCC筛选指标的分区效果具有较好表现,如皋2.5km处,其评价指标模糊性能指数(FPI)、归一化分类熵(NCE)和修正分离熵(MPE)均低于另外2种方法 52.44%、49.45%和49.52%;CIO在如皋、南通尺度下有效剔除分区破碎指标,分区完整性明显,除南通10 km外,CIO比FSCC的指标集,FPI、NCE、MPE分别平均低0.078、0.061、0.082,相对提升了FSCC的分区效果。
