基于Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)的高空間分辨率遙感影像地塊尺度的耕地提取

摘要：將語義分割和邊緣檢測(cè)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合，構(gòu)建Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)。結(jié)果表明，Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)能有效識(shí)別耕地，絕大部分耕地被有效提取出來，正確率（Accuracy）為96.3%，生產(chǎn)精度（PA）為98.1%，用戶精度（UA）為97.1%。Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)在耕地地塊邊界識(shí)別時(shí)有了耕地范圍的限定，減少對(duì)非耕地地塊邊界的識(shí)別，完備性為74.3%，正確性為80.2%，質(zhì)量為62.8%。Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)可以有效識(shí)別面狀耕地范圍，并且在耕地范圍的限制下，提取的地塊尺度耕地邊界均落在耕地范圍內(nèi)，不會(huì)對(duì)耕地外的地塊邊界進(jìn)行識(shí)別，有效減少了似地塊邊界提取噪聲的影響。

關(guān)鍵詞：Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)；高空間分辨率；耕地地塊；遙感影像

中圖分類號(hào)：TP79" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）11-0197-06

DOI：10.14088/j.cnki.issn0439-8114.2024.11.033 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

High spatial resolution remote sensing image plot scale farmland extraction based on Psi-Net deep learning network

MA Hai-rong， SHEN Xiang-cheng， LUO Zhi-qing， CHEN Ping-ting， ZHENG Ming-xue， GUAN Bo

（Institute of Agricultural Economics and Technology/Hubei Agricultural Science and Technology Innovation Center Agricultural Economic and Technological Research Sub-Center/Hubei Rural Revitalization Research Institute， Hubei Academy of Agricultural Sciences，Wuhan" 430064， China）

Abstract： Combining semantic segmentation and edge detection deep learning networks， a Psi-Net deep learning network was constructed. The results showed that the Psi-Net deep learning network could effectively identify cultivated land， and the vast majority of cultivated land was effectively extracted with an Accuracy of 96.3%， a production accuracy （PA） of 98.1%， and a user accuracy （UA） of 97.1%. The Psi-Net deep learning network had limited the scope of cultivated land for boundary recognition， reducing the recognition of non-cultivated land boundaries. The completeness was 74.3%， the correctness was 80.2%， and the quality was 62.8%. The Psi-Net deep learning network could effectively identify the range of surface cultivated land， and under the limitation of cultivated land range， the extracted plot scale cultivated land boundaries all fell within the cultivated land range， without recognizing the plot boundaries outside the cultivated land， effectively reducing the impact of noise in extracting plot boundaries.

Key words： Psi-Net deep learning network； high spatial resolution； cultivated land plots； remote sensing image

農(nóng)業(yè)信息實(shí)時(shí)、精準(zhǔn)的獲取是實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化發(fā)展的基礎(chǔ)和關(guān)鍵。耕地信息是重要的基礎(chǔ)農(nóng)業(yè)信息，地塊又是組成耕地和農(nóng)戶生產(chǎn)經(jīng)營的最小單位，對(duì)地塊邊界提取是精準(zhǔn)農(nóng)業(yè)的基礎(chǔ)和前提，有助于農(nóng)業(yè)部門開展農(nóng)地資源精細(xì)化管理、農(nóng)情監(jiān)測(cè)、災(zāi)害評(píng)估，科學(xué)地制定相應(yīng)的政策和規(guī)劃，對(duì)保障糧食安全具有重要意義［1-3］。中國的土地資源總量多，人均耕地?cái)?shù)量少，高質(zhì)量的耕地有限，可開發(fā)的后備資源緊缺，耕地的數(shù)量和質(zhì)量與中國糧食安全息息相關(guān)［4-6］。隨著社會(huì)經(jīng)濟(jì)發(fā)展和城鎮(zhèn)化進(jìn)程的加劇，耕地面積逐漸減少，從地塊級(jí)別進(jìn)行耕地監(jiān)測(cè)有利于加強(qiáng)耕地保護(hù)和保證中國糧食安全。因此，準(zhǔn)確、快速提取耕地地塊信息具有重要的意義。

遙感技術(shù)因其具有覆蓋范圍廣、空間分辨率高、獲取手段方便等特點(diǎn)，已成為獲取耕地面積、作物分布、作物生長狀況等農(nóng)業(yè)信息的有效途徑。傳統(tǒng)的耕地地塊邊界提取方法通常依賴于手工提取或者遙感圖像分割，這些方法需要大量的人力和時(shí)間成本，并且準(zhǔn)確度不高。

近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，基于深度學(xué)習(xí)的耕地地塊邊界提取方法逐漸成為研究熱點(diǎn)。近年來，國內(nèi)外涌現(xiàn)出諸多關(guān)于深度學(xué)習(xí)耕地地塊邊界信息提取應(yīng)用的研究，主要包括3大類：基于語義分割深度學(xué)習(xí)網(wǎng)絡(luò)的地塊邊界提取，基于邊緣檢測(cè)深度學(xué)習(xí)網(wǎng)絡(luò)的地塊邊界提取，以及近年來被提出的基于多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的地塊邊界提取。Zhu等［7］基于 DeepLab V3+深度學(xué)習(xí)語義分割模型利用GF-2和BJ-2遙感影像進(jìn)行廣西武明市的甘蔗田提取。Yang等［8］基于3種不同的全卷積神經(jīng)網(wǎng)絡(luò)模型（U-Net、SegNet和DenseNet），利用WorldView-3衛(wèi)星影像進(jìn)行孟加拉國南部的農(nóng)田邊界檢測(cè)。Jiao等［9］基于RCF邊緣模型和DABNet紋理模型利用多時(shí)相Sentinel-2影像實(shí)現(xiàn)復(fù)雜山區(qū)園藝作物果園的地塊制圖。李森等［10］基于深度學(xué)習(xí)邊緣檢測(cè)模型HED和RCF改變模型特征融合方式，并采用空洞卷積結(jié)構(gòu)，構(gòu)建應(yīng)用于遙感影像的邊緣檢測(cè)模型FD_RCF，提取耕地地塊邊緣。Liu等［11］構(gòu)建UNet和DeepNetV3+組成的并行網(wǎng)絡(luò)結(jié)構(gòu)（FieldSeg-DA），提取GF2號(hào)遙感影像中的單個(gè)田塊。Liu等［11］ 提出的FieldSeg-DA本質(zhì)是將語義分割網(wǎng)絡(luò)和邊緣檢測(cè)網(wǎng)絡(luò)進(jìn)行組合，并未實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)真正意義上的融合。

邊緣檢測(cè)深度學(xué)習(xí)網(wǎng)絡(luò)在提取地塊邊界時(shí)缺少對(duì)邊界的目標(biāo)針對(duì)性，將語義分割和邊緣檢測(cè)深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合，構(gòu)建級(jí)聯(lián)深度學(xué)習(xí)網(wǎng)絡(luò)或多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)。Murugesan等［12］為了實(shí)現(xiàn)醫(yī)學(xué)圖像分割提出具有1個(gè)編碼器和3個(gè)并行解碼器（分割掩碼、輪廓檢測(cè)和距離圖預(yù)測(cè)）的Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了語義分割與邊緣檢測(cè)多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)的特征共享。本研究采用Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)模型開展基于高空間分辨率遙感影像的地塊尺度耕地信息提取研究。

1 方法

1.1 Psi-Net架構(gòu)

Psi-Net架構(gòu)是一種類似于UNet的編碼器-解碼器網(wǎng)絡(luò)（圖1），左側(cè)為1個(gè)收縮型編碼器，右側(cè)為3個(gè)擴(kuò)張結(jié)構(gòu)的解碼器，其整體結(jié)構(gòu)類似于數(shù)學(xué)符號(hào)Ψ。編碼器由重復(fù)的下采樣操作組成，每個(gè)階段特征圖的尺寸減半。每次下采樣操作之前，先進(jìn)行1個(gè)核大小為3×3、步長為1的卷積操作，隨后進(jìn)行線性單元ReLU函數(shù)的激活。每個(gè)解碼器模塊與編碼器對(duì)稱，為了保留多尺度特征，在每個(gè)解碼器層上拼接與之對(duì)應(yīng)的編碼器層特征。編碼器中的最后一個(gè)卷積層通過4倍上采樣后，作為輸入傳遞給解碼器模塊。

每個(gè)解碼器塊都針對(duì)不同任務(wù)進(jìn)行訓(xùn)練（掩膜分割、輪廓提取和距離圖估計(jì)）。掩膜分割和輪廓提取是基于像素的分類任務(wù)，而距離圖估計(jì)是回歸任務(wù)。這些塊的結(jié)構(gòu)都是相同的，直到最后一層，在最后一層中應(yīng)用了1個(gè)3×3卷積。

1.2 損失函數(shù)

1）范圍損失函數(shù)。

[Lmask=x∈Ωlog pmaskx;lmaskx]" " " " （1）

式中，[Lmask]為掩膜逐像素分類誤差；x為像素在圖像空間Ω中的位置；[pmaskx;lmaskx]為softmax激活函數(shù)后標(biāo)簽[lmaskx]為真值的預(yù)測(cè)概率。

2）邊界損失函數(shù)。

[Lcontour=x∈Ωlog pcontourx;lcontourx]" " " " " （2）

式中，[Lcontour]為輪廓逐像素分類誤差；x為像素在圖像空間Ω中的位置；[pcontourx;lcontourx]為softmax激活函數(shù)后真實(shí)標(biāo)簽[lcontour（x）]的預(yù)測(cè)概率。

3）距離損失函數(shù)。

[Ldistance=x∈ΩDx-Dx2]" " " " （3）

式中，[Ldistance]為距離圖逐像素均方誤差；[Dx]為經(jīng)過sigmoid激活函數(shù)后的估計(jì)距離圖；[Dx]為實(shí)際距離圖。

4）總損失函數(shù)。

[Ltotal=λ1Lmask+λ2Lcontour+λ3Ldistance]" " "（4）

式中，[Ltotal]為3個(gè)任務(wù)的總損失；[Lmask]為掩膜逐像素分類誤差；[Lcontour]為輪廓逐像素分類誤差；[Ldistance]為距離圖逐像素均方誤差；[λ1]、[λ2]、[λ3]為不同損失函數(shù)的權(quán)重因子。

2 研究區(qū)概況與數(shù)據(jù)處理

2.1 研究區(qū)概況與數(shù)據(jù)

研究區(qū)位于荷蘭，荷蘭農(nóng)業(yè)用地約占總面積的55%，主要是耕地、草地、園藝和林業(yè)。荷蘭的耕地主要分布在低洼地區(qū)和河流沿岸，這些地區(qū)的土壤肥沃，適合農(nóng)業(yè)生產(chǎn)。耕地地塊數(shù)據(jù)來源于Agrarisch areaal nederland（AAN）數(shù)據(jù)庫，該數(shù)據(jù)庫包括了荷蘭種植區(qū)域的信息，包括作物類型、土地利用、土壤類型等。

影像數(shù)據(jù)來源于Global Mapper的空間分辨率為0.6 m的遙感影像，影像下載時(shí)間為2022年10月。由于影像獲取時(shí)間和下載獲取的耕地地塊時(shí)間不一致，個(gè)別區(qū)域存在地塊分布差異，采用人機(jī)交互目視解譯法，獲取研究區(qū)與遙感影像一致的耕地地塊邊界標(biāo)簽圖像。由圖2和圖3可知，研究區(qū)耕地集中連片分布，并且耕地地塊形狀規(guī)則，地塊面積較大，平均地塊面積約為15 hm2。

2.2 數(shù)據(jù)預(yù)處理與樣本集構(gòu)建

從PDOK.nl平臺(tái)獲取的耕地地塊數(shù)據(jù)為面狀地塊數(shù)據(jù)，可以直接作為掩膜標(biāo)簽。Psi-Net模型訓(xùn)練還需要地塊邊界標(biāo)簽數(shù)據(jù)以及離最近地塊邊界的距離標(biāo)簽數(shù)據(jù)。首先將面狀地塊數(shù)據(jù)在ArcGIS軟件中轉(zhuǎn)成線狀地塊邊界數(shù)據(jù)，然后利用線狀矢量邊界制作地塊邊界標(biāo)簽數(shù)據(jù)。最后采用ArcGIS軟件計(jì)算距離最近地塊邊界的歐幾里得距離并制作距離圖標(biāo)簽數(shù)據(jù)。

將訓(xùn)練區(qū)與測(cè)試區(qū)標(biāo)準(zhǔn)化處理后的RGB遙感影像、地塊掩膜標(biāo)簽圖像、地塊邊界標(biāo)簽數(shù)圖像和距離標(biāo)簽圖像進(jìn)行512 px×512 px的分割，構(gòu)造用于深度學(xué)習(xí)的訓(xùn)練集和測(cè)試集。訓(xùn)練集與測(cè)試集中樣本數(shù)量比例是1∶1（訓(xùn)練集與測(cè)試集均包含2 900幅圖像）。為了防止模型過擬合，將訓(xùn)練集中的圖像進(jìn)行同步水平、垂直翻轉(zhuǎn)和隨機(jī)打亂的操作，以達(dá)到數(shù)據(jù)增強(qiáng)的效果。

3 試驗(yàn)與結(jié)果分析

3.1 硬件環(huán)境與訓(xùn)練參數(shù)設(shè)置

1）硬件環(huán)境。計(jì)算機(jī)內(nèi)存為32 GB，CPU型號(hào)為Intel（R） Xeon（R） Bronze 3104CPU@ 1. 70 GHz，顯存為12 GB的NVIDIA Quadro P4000搭載CUDA，實(shí)現(xiàn)訓(xùn)練模型的加速。

2）訓(xùn)練參數(shù)設(shè)置。試驗(yàn)時(shí)基于pytorch框架實(shí)現(xiàn)Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)模型的搭建、訓(xùn)練和調(diào)參，并使用Adam優(yōu)化器進(jìn)行150個(gè)epoch的訓(xùn)練，學(xué)習(xí)率為0.000 1，批量大小為4。

3.2 精度評(píng)價(jià)

本研究使用Psi-Net多任務(wù)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行地塊尺度耕地提取，最終提取結(jié)果為面狀耕地和地塊邊界2種結(jié)果。為了更貼切地對(duì)耕地面積和地塊邊界精度進(jìn)行定量評(píng)價(jià)，采用以下2種精度評(píng)價(jià)方法。

3.2.1 耕地面積提取結(jié)果與精度評(píng)價(jià) 為了定量評(píng)價(jià)耕地面積提取精度，本研究采用基于混淆矩陣的分類精度定量評(píng)價(jià)方法［13］。真陽性（True positive，TPmask），即正確識(shí)別的耕地；假陽性（False positive，F(xiàn)Pmask），即非耕地被誤識(shí)別為耕地；真陰性（True negative，TNmask），即正確識(shí)別的非耕地；假陰性（False negative，F(xiàn)Nmask），即耕地被錯(cuò)誤識(shí)別為非耕地的區(qū)域。

正確率（Accuracy）是對(duì)耕地面積提取結(jié)果整體精度進(jìn)行評(píng)價(jià)，Accuracy越大，提取效果越好；生產(chǎn)精度（Producer accuracy，PA）主要用來評(píng)價(jià)耕地面積提取質(zhì)量或精度；用戶精度（User accuracy，UA）用來評(píng)價(jià)正確識(shí)別的耕地與非耕地被誤識(shí)別為耕地的面積比值。

1）正確率（Accuracy）。

Accuracy=（TPmask+TNmask）/（TPmask+TNmask+FPmask+FNmask）" " " " （5）

2）生產(chǎn)精度（PA）。

PA=TP/（TPmask+FNmask）" " " " " " "（6）

3）用戶精度（UA）。

UA=TPmask/（TPmask+FPmask）" " " nbsp; " "（7）

從精度評(píng)價(jià)結(jié)果（表1、圖4）可知，Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)可以有效識(shí)別耕地，絕大部分耕地可以被有效提取出來，只存在少量未被識(shí)別的耕地和錯(cuò)誤提取的耕地。錯(cuò)誤識(shí)別的耕地面積大于漏識(shí)別的耕地面積，這是因?yàn)檠芯繀^(qū)存在多處與耕地形狀和光譜特征相似的操場(chǎng)或運(yùn)動(dòng)場(chǎng)地，容易將該類地物錯(cuò)誤地分類成耕地。

3.2.2 地塊邊界提取結(jié)果與精度評(píng)價(jià) 與耕地面積不同，提取的耕地地塊邊界在整幅圖像中只占很少一部分，因此不適合用混淆矩陣的方式進(jìn)行精度定量評(píng)價(jià)。本研究采用緩沖疊加方法［14］來定量評(píng)價(jià)地塊邊界提取的準(zhǔn)確性。

如圖5所示，定義真陽性（True positive，TPcontour）、假陽性（False positive，F(xiàn)Pcontour）、假陰性（False negative，F(xiàn)Ncontour） 3個(gè)評(píng)價(jià)指標(biāo)，計(jì)算在真實(shí)地塊（或提取地塊）邊界緩沖區(qū)寬度區(qū)間內(nèi)真實(shí)地塊（或提取地塊）邊界的長度。因?yàn)榈貕K邊界在遙感影像中占比較少，在影像上地塊邊界的寬度只有幾個(gè)像素。因此，設(shè)定落在真實(shí)地塊邊界一定范圍內(nèi)的預(yù)測(cè)地塊邊界均為正確識(shí)別的地塊邊界。本研究設(shè)置緩沖區(qū)的寬度為3 m，落在真實(shí)地塊邊界緩沖區(qū)內(nèi)的預(yù)測(cè)地塊邊界定義為TPcontour，預(yù)測(cè)為地塊邊界，但不在真實(shí)地塊邊界緩沖區(qū)內(nèi)的定義為FP contour，落在預(yù)測(cè)地塊邊界緩沖區(qū)外的真實(shí)地塊邊界定義為未被識(shí)別的地塊邊界，即FN contour。

為了對(duì)測(cè)試區(qū)地塊邊界整體提取精度進(jìn)行定量評(píng)價(jià)，基于TPcontour、FPcontour與FNcontour構(gòu)建完備性（Completeness）、正確性（Correcteness）和質(zhì)量（Quality） 3個(gè)精度評(píng)價(jià)指標(biāo)。

1）完備性。

[Completeness=TPcontourTPcontour+FNcontour] （8）

2）正確性。

[Correcteness=TPcontourTPcontour+FPcontour]" （9）

3）質(zhì)量。

[Quality=TPcontourTPcontour+FNcontour+FPcontour] （10）

測(cè)試區(qū)耕地地塊邊界長度為2 267.5 km，圖6中藍(lán)色為正確提取的耕地地塊邊界（TPcontour）；紅色為錯(cuò)誤提取的耕地地塊邊界（FPcontour）；黃色為沒有被提取出來的耕地地塊邊界（FNcontour），3個(gè)耕地地塊邊界提取精度評(píng)價(jià)指標(biāo)如表2所示。與邊緣檢測(cè)深度學(xué)習(xí)網(wǎng)絡(luò)相比，Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)在耕地地塊邊界識(shí)別時(shí)有了耕地范圍的限定，減少對(duì)非耕地地塊邊界的識(shí)別。

3.3 耕地提取結(jié)果與標(biāo)簽圖像對(duì)比

由圖7可知，Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)可以有效識(shí)別面狀耕地范圍，并且在耕地范圍的限制下，提取的地塊尺度耕地邊界均落在耕地范圍內(nèi)，不會(huì)對(duì)耕地外的地塊邊界進(jìn)行識(shí)別，有效減少了似地塊邊界提取噪聲的影響，例如道路邊界或建筑邊界。但地塊尺度耕地邊界提取結(jié)果受耕地狀態(tài)的影響，Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)于集中連片且光譜和紋理特征極為相似的地塊邊界識(shí)別效果較差，這也是影響本研究地塊尺度耕地提取精度的主要因素。在將來的研究工作中，在探究深度學(xué)習(xí)網(wǎng)絡(luò)中增加對(duì)地塊邊界追蹤增強(qiáng)的機(jī)制和方法，將可有效提升對(duì)此類地塊邊界識(shí)別的有效性。

4 小結(jié)

針對(duì)經(jīng)典邊緣檢測(cè)和語義分割深度學(xué)習(xí)網(wǎng)絡(luò)在進(jìn)行地塊邊界提取時(shí)的不足以及缺乏對(duì)地塊邊界的目標(biāo)針對(duì)性等問題，本研究采用Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行地塊尺度的提取。Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)將邊緣檢測(cè)網(wǎng)絡(luò)與語義分割網(wǎng)絡(luò)的優(yōu)勢(shì)結(jié)合，實(shí)現(xiàn)高空間分辨率遙感影像上耕地地塊邊界信息的有效提取。但Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)對(duì)于集中連片且光譜和紋理特征極為相似的耕地地塊邊界識(shí)別效果較差，未來將探究根據(jù)耕地地塊邊界局部形態(tài)特征構(gòu)建似地塊邊界追蹤增強(qiáng)的多任務(wù)深度學(xué)習(xí)地塊邊界提取模型，進(jìn)一步提高對(duì)單個(gè)地塊邊界的提取精度。

參考文獻(xiàn)：

［1］ 郭偉光. 精準(zhǔn)農(nóng)業(yè)的信息化技術(shù)實(shí)踐應(yīng)用——評(píng)《低空遙感技術(shù)及其在精準(zhǔn)農(nóng)業(yè)中的應(yīng)用》［J］. 中國農(nóng)業(yè)資源與區(qū)劃， 2021，" "42（1）： 144， 152.

［2］ 彭代亮， 周煉清， 黃敬峰， 等. 基于抽樣調(diào)查地塊實(shí)測(cè)數(shù)據(jù)的省級(jí)水稻單產(chǎn)遙感估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（9）： 106-114.

［3］ CONRAD C，F(xiàn)RITSCH S，ZEIDLER J，et al. Per-field irrigated crop classification in arid central asia using SPOT and ASTER data［J］. Remote sensing， 2010， 2（4）： 1035-1056.

［4］ 王紅說， 黃敬峰， 徐俊鋒， 等. 基于MODIS NDVI時(shí)間序列譜匹配的耕地信息提取研究——以浙中地區(qū)為例［J］. 浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版）， 2008， 34（3）： 334-340.

［5］ 羅華艷. 廣西北部灣沿海地區(qū)耕地“三位一體”動(dòng)態(tài)監(jiān)測(cè)研究［J］.中國農(nóng)業(yè)資源與區(qū)劃， 2018， 39（2）： 139-145.

［6］ 孔祥斌， 陳文廣， 溫良友. 以耕地資源三個(gè)安全構(gòu)筑大國糧食安全根基［J］. 農(nóng)業(yè)經(jīng)濟(jì)與管理， 2022， 73（3）： 1-12.

［7］ ZHU M， YAO M， HE Y， et al. Studies on high-resolution remote sensing sugarcane field extraction based on deep learning［J］. IOP conference series earth and environmental science， 2019， 237： 32046.

［8］ YANG R，AHMED Z U， SCHULTHESS U C， et al. Detecting functional field units from satellite images in smallholder farming systems using a deep learning based computer vision approach： A case study from Bangladesh［J］. Remote sensing applications： Society and environment， 2020， 20： 100413.

［9］ JIAO S， HU D， SHEN Z， et al. Parcel-Level mapping of horticultural crop orchards in complex mountain areas using vhr and time-series images［J］. Remote sensing， 2022， 14（9）： 2015.

［10］ 李 森，彭 玲，胡 媛，等.基于FD-RCF的高分辨率遙感影像耕地邊緣檢測(cè)［J］.中國科學(xué)院大學(xué)學(xué)報(bào)，2020，37（4）： 483-489.

［11］ LIU S，LIU L，XU F，et al. A deep learning method for individual arable field （IAF） extraction with cross-domain adversarial capability［J］. Computers and electronics in agriculture，2022，203： 107473.

［12］ MURUGESAN B，SARVESWARAN K，SHANKARANARAYANA S M， et al. Psi-net： Shape and boundary aware joint multi-task deep network for medical image segmentation［A］. 2019 41st annual international conference of the IEEE engineering in medicine and biology society （EMBC）［C］. Berlin， Germany： IEEE， 2019.

［13］ BORGHUIS A M， CHANG K， LEE H Y. Comparison between automated and manual mapping of typhoon-triggered landslides from SPOT5 imagery［J］. International journal of remote sensing，2007， 28：1843-1856.

［14］ LI X， XU X， YANG R， et al. DBC： Deep boundaries combination for farmland boundary detection based on uav imagery［A］. IGARSS 2020—2020 IEEE international geoscience and remote sensing symposium［C］. Waikoloa， USA： IEEE， 2020.

馬海榮，沈祥成，羅治情，等. 基于Psi-Net深度學(xué)習(xí)網(wǎng)絡(luò)的高空間分辨率遙感影像地塊尺度的耕地提?。跩］. 湖北農(nóng)業(yè)科學(xué)，2024，63（11）：197-202．

收稿日期：2023-06-14

基金項(xiàng)目：湖北省自然科學(xué)基金一般面上項(xiàng)目（2022CFC047）；國家自然科學(xué)基金青年科學(xué)基金項(xiàng)目（NSFC42201397）

作者簡介：馬海榮（1986-），女，山東菏澤人，助理研究員，博士，主要從事遙感技術(shù)農(nóng)業(yè)應(yīng)用研究，（電話）15002778923（電子信箱）

mahairong1008@126.com。