基于深度学习的寒旱区多时序影像土地利用及变化监测——以新疆莫索湾垦区为例

摘要

针对生态环境脆弱的寒旱区开展地物要素提取以及土地覆盖变化监测研究,对农业规划、城乡建设、生态环境监测与保护等具有重要意义。借助2015-2019年新疆莫索湾垦区Landsat-8影像构建数据集,对比3种传统方法:最大似然分类(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)及5种语义分割模型:Deep⁃Labv3+(Xception)、DeepLabv3+(MobileNet)、SegNet(ResNet50)、U-Net(MobileNet)和PSPNet(Mo⁃bileNet),选取最优自动化地物提取模型对研究区1998-2020年农用地、建筑用地、水体和荒漠4种地物要素进行分类,并运用土地利用转移矩阵和动态度进行定量动态变化分析。结果表明:Deep⁃Labv3+(Xception)模型可以实现更准确、更高效的地物提取,总体精确度(OA)、Kappa系数和F1值分别为96.06%、0.96和0.86,其中所选模型的平均交并比(MIoU)较其他模型提升0.03~0.39。近23 a,莫索湾垦区的荒漠、农用地和建筑用地三者的土地结构转化较为明显,荒漠总面积减少15.00%,农用地总面积增加12.68%,建筑用地总面积增加2.53%,水体面积变化较为平稳。地物类型总体转变方向为荒漠向农用地转化、农用地向建筑用地转化。该研究可为深度学习技术应用于中分辨率遥感卫星影像领域中实现土地利用及变化动态监测提供参考。