基于改进UNet网络的耕地变化检测方法研究

摘要

自动提取耕地变化检测信息对耕地保护具有重要意义。常用的人工判读方式对遥感影像进行解译获取耕地变化信息具有较高准确性,但会耗费大量人力资源且效率低,而传统差值法、对象法、机器学习等方法虽能提高解译速度,但精度难以保证。本文利用深度学习神经网络模型对遥感影像进行自动化智能解译,通过在光谱维上叠加不同时相遥感影像,快速提取高精度耕地变化信息,为实现自动化耕地智能变化检测提供更为高效的方法。以浙江省部分地区高分二号遥感影像为实验数据,采用U-Net语义分割网络进行耕地变化自动化提取检测,实验结果表明该方法较人工判读和传统检测方法具有更高的效率与精度。