基于流量场的大棚遥感精细制图研究——以山东寿光为例
文献类型：学位论文
| 作者 | 陆宇翔 |
| 答辩日期 | 2024-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 姚凌 |
| 关键词 | 大棚 深度学习 流量场 大棚精细制图 高分辨率遥感影像 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 大棚是现代农业不可或缺的基础设施，通过人为改变局部生态环境，对农业的增产增收起到了重要作用。然而，伴随着中国大棚产业的不断升级和技术革新，废旧大棚引发的环境污染问题日益凸显，引发了社会各界的广泛关注。鉴于此，利用遥感技术对大棚进行高精度、高频次、大范围的动态监测与管理显得尤为迫切。 近年来，深度学习技术在遥感数据处理领域得到迅猛发展，已成为地物提取等任务的主流方法。但是，农业大棚结构与材料的复杂性，使其在遥感影像上呈现出高度复杂的特征，通用的深度学习地物信息提取算法难以实现农业大棚的精细提取。 此外，深度学习地物提取主要采用分割算法，侧重于地物的整体形态属性，但测绘地理信息的工作更重视地物边界的精确性，即需要精确勾勒出地物周边的矢量边界。但是由于深度学习模型输出的二值图像不具备掩膜的可逆性，模型输出结果难以还原为原始矢量标注形态，这就极大的限制了模型在行业部门业务工作中的可用性。 为应对上述挑战，本研究进行了以下工作： 1. 提出了以流量场为核心的大棚智能提取算法框架，融合了专为大棚提取设计的三任务神经网络和分割结果的矢量化过程。通过网络输出的流量场信息，实现了从地物像素的分割到矢量化的无缝连接，满足了测绘地理信息行业的实际应用需求。 2. 为评估所提框架的有效性，本研究构建了首个带有流量场标注的高可信大棚数据集，包含2535个高质量样本。研究结果表明，在大棚分割精度方面，本研究提出的方法将深度学习大棚提取的准确性提至98%，召回率提至97.76%，以及交并比提至95.79%；在矢量边界优化方面，相较于传统矢量化方法，本研究在交并比和召回率指标上分别实现了5.05%和6.06%的提升，最大角误差减少了5.54%，极大增强了网络输出分割图像的掩膜可逆性。 3. 本研究以山东省寿光市为验证实例进行规模化制图，与寿光市统计局和潍坊市税务局公布的统计数据相比，大棚面积误差仅为4.59%，大棚数量误差仅为2.74%，进一步证实了本研究提出的大棚智能分割方法的可用性。 本研究的相关结果有效的解决了横亘在模型实验与行业部门业务化应用需求之间的鸿沟，能够为区域大棚精细监测与管理提供可靠的技术支持。 |
| 语种 | 中文 |
| 页码 | 79 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/208109]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 陆宇翔. 基于流量场的大棚遥感精细制图研究——以山东寿光为例[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2024. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。