基于IA_UNet模型的陇西黄土高原土地覆被分类.pdf

兰州大学学报（白然科学版）2023,59(3)/6月Journal of Lanzhou University(Natural Sciences),2023,59(3)/June基于IA_UNet模型的陇西黄土高原土地覆被分类胡丛慧，刘勇，侯建西，刘东杰，刘怡！1.兰州大学资源环境学院，兰州7 30 0 0 02.河北长风信息技术有限公司，石家庄0 5 0 0 0 0摘要：将Landsat8OLI中的2 7 波段与缨帽变换得到的亮度、绿度、湿度分量结合作为输人数据组合，在注意力U-Net模型基础上引入位置注意力模块与通道注意力模块，得到改进的注意力U-Net(IA_UNet)模型.结果表明，IA_UNet可以有效地优化U-Net语义分割模型的土地覆被分类效能，加权交并比和总精度比注意力U-Net、FCN、R e s Ne t-FCN、U-Ne t、D e e p l a b V 3+模型分别提高了0.4 4%3.23%和0.2 5%2.0 9%；缨帽变换特征分量的引人有利于分类精度的提高，其分类结果中加权交并比、总精度比仅使用Landsat8OLI中2 7 波段分别提高了1.1 7%、0.7 3%，比缨帽变换三分量组合分别提高了1.9 2%、1.31%.关键词：土地覆被；缨帽变换；注意力机制；陇西黄土高原；Landsat8OLI中图分类号：P237文献标识码：A文章编号：0 4 5 5-2 0 5 9(2 0 2 3)0 3-0 2 9 5-0 8D0I:10.13885/j.issn.0455-2059.2023.03.002Land cover classification of Longxi Loess Plateau based onthe IA_UNet modelHU Cong-hui,LIU Yong,HOU Jian-xi,LIU Dong-jie,LIU Yi1.College of Earth and Environmental Sciences,Lanzhou University,Lanzhou 730000,China2.Hebei Changfeng Information Technology Co.Ltd.,Shijiazhuang 050000,ChinaAbstract:The 2-7 bands in Landsat 8 OLI were combined with the brightness,greenness and humiditycomponents obtained from tassel hat transformation as the input data combination.Based on the attentionU-Net model,the position attention module and channel attention module were introduced to obtain animproved attention U-Net(IA_UNet)model.The results showed that IA_UNet could effectively optimizethe land cover classification efficiency of the U-Net semantic segmentation model.The frequency weight-ed intersection over union and total accuracy were 0.44%-3.23%and 0.25%-2.09%higher than attentionU-Net,FCN,ResNet-FCN,U-Net and Deeplab V3+models respectively.The introduction of the tasseltransform feature component was conducive to the improvement of the classification accuracy.In the clas-sified results,the frequency weighted intersection over union and total accuracy were 1.17%and 0.73%higher than those in band 2-7 of Landsat 8 OLI alone,and 1.92%and 1.31%higher than a combination ofthe three components of the tassel transform.Key words:land cover;tassel hat transformation;attention mechanism;Longxi Loess Plateau;Landsat 8OLI收稿日期：2 0 2 2-0 5-1 0修回日期：2 0 2 2-1 1-2 4基金项目：国家自然科学基金项目（4 1 2 7 1 36 0）作者简介：刘勇(1 9 6 4-),男，甘肃清水人，教授，博士,e-mail:,研究方向为遥感信息分析与定量遥感，通信联系人：296兰州大学学报（自然科学版），2 0 2 3，5 9(3)陇西黄土高原在行政区划上涉及兰州市、定西市、白银市、临夏回族自治州的全部以及天水市和平?市的一部分，呈丘陵沟地貌，属半干旱-半湿润冷温带气候区,地形破碎，植被稀少，自然环境复杂，生态环境脆弱.作为中国东部湿润季风气候向内陆干旱气候的过渡地带，陇西黄土高原的生态环境和土地资源利用不仅与当地的经济发展息息相关，还影响着黄河下游区域的生态安全 3 遥感是获取土地覆被时空变化信息的有效手段(4-5 ,利用遥感数据生产土地覆被产品成为大趋势.传统的基于像元的方法其结果普遍受到“椒盐”噪声的影响，难以满足制图要求.基于对象的方法使用具有多边形特征的影像分割对象作为基本的分析单元，每个对象都有光谱、几何、纹理、上下文等相关的属性特征 .尽管基于对象的方法能显著减小分类结果的“椒盐噪声”，但对于不同对象或者大尺度区域范围的空间几何特征利用不足；特征选择依赖专家知识，对复杂地物分类存在局限性8,分割参数的选择缺乏有效的手段.以卷积神经网络为代表的深度学习方法在图片识别测试赛中逐渐表现出超过人工目视水平的识别能力在遥感影像分析领域也得到快速发展 9-1 0 .基于深度学习的遥感影像分类，通常需要结合大型参考数据集进行深度神经网络模型参数的拟合与评价，利用赋予参数的深度神经网络完成专题制图（图1).CHEN等 提出一种基于FCN(fullconnectednetwork)和DeepLabV3+的语义分割工作流，融合深层卷积网络和多尺度上下文信息，提高模型的分类能力和跨时空的泛化能力，据此利用Landsat时序数据得到城市密度水平和垂直维度图；柴华彬等1 1 2 将具有上下文场景解析能力的PSP(pyramid scene parseing)Net与快速特征嵌人卷积结构，通过模型及样本的泛化和迭代，采用3期Landsat TM(thematic mapper)影像实现了湖北遥感数据深度学习分类遥感专题图非监督的深度学习模型AE;SAE;DBN测试有监督的深度学习模型CNN:RNN:GAN:语义分割精度评价训练数据集测试数据集评价数据集参考数据集图1基于深度学习的遥感影像分类方法Fig.1Remote sensing image classification methodbased on deep learning省土地覆被分类.目前已经提出了众多的深度神经网络模型，有哪些模型可以在土地覆被分类中避免小目标信息的丢失并保持准确的边界轮廓？经典深度神经网络模型在运用影像分析时主要针对3波段合成的彩色影像，遥感影像通常包含更多波段，还有众多依据多波段代数运算得到的光谱指数可供选择，通过缨帽变换获得的亮度、绿度与湿度波段具有清晰的物理意义1 1 3,其作为输入波段可否提高基于深度学习的分类精度仍有待确定。陇西黄土高原地形破碎，土地覆被类型斑块复杂多样，以往基于像元或基于对象的方法往往受限于类型混淆、分类精度偏低.本研究在野外调查的基础上，选择改进的注意力U-Net(improvedattentionU-Net,IA_UNet)模型实现陇西黄土高原中会宁县、临洮县和渭源县的土地覆被分类.1数据与方法1.1研究区概况研究区位于甘肃省陇西黄土高原中部，地貌区划上属于黄土垛弟丘陵沟区，会宁县地理位置1 0 4 2 9 1 0 5 31 E、35 2 4 36 2 6 N，属温带季风气候带的西北边缘部，年平均气温9.2，年平均降水量2 6 7.1 mm，降水少且南北分布不均，地表水资源稀少，临洮县地理位置1 0 32 9 1 0 4 1 9 E，35033556N，年平均气温7，年平均降水量317760mml4,属大陆性季风气候.渭源县地理位置1 0 4 0 2 1 0 4 4 9 E，332 6 35 0 7 N，年平均气温6.1，年平均降水量5 0 7 mm，属中温带大陆性季风气候，县域基本归属渭河水系1 5 .3个研究区均属中国西部典型生态脆弱区，地貌条件类似，工业基础薄弱，经济欠发达6 .1.2数据来源与预处理利用Google earth engine平台对 Landsat TM/OLI(operational land imager)地表反射率数据进行筛选.通过政区境界线掩膜获得会宁县、临县、渭源县的多光谱遥感数据.所有数据获取时间为植物生长旺盛期的5-9 月，云量均小于1 5%.1.3分类体系根据研究区的自然状况，将土地覆被分为5 种类型：林地、草地、耕地、居住地和水体。林地为天然林、人工林，包括杨、槐、山杏、油松等乔木；草地为主要生长禾本科草本植物的典型草地、稀疏草地；耕地包括种植农作物的土地，新开发、复垦地，沙田，休闲地(含轮歇地、轮作地)；水体包括297胡丛慧，等：基于IAUNet模型的陇西黄土高原土地覆被分类河流、湖泊以及水库；居住地包括城镇、农村居民地及工矿用地.1.4样本数据集的制备采用自动分类与目视解译相结合的方法生成研究区土地覆被分类图.在GEE平台(https:/)利用研究区2 0 1 7 年Land-sat卫星影像，选择随机森林分类方法，根据3个研究区的光谱波段、光谱指数(包括归一化植被指数、归一化水体指数、归一化建筑物指数、环境植被指数、比值植被指数、增强型植被指数、DEM(digital elevationmodel)特征参数、夜间灯光数据、纹理特征等得到研究区分类结果.结合Google earth历史影像及天地图(https:/www.tian-)高分辨率遥感影像对分类结果的矢量图斑进行目视检查，基于ArcGISPro软件修改错误分类的图斑属性，调整不准确的地物边界.将修改后的矢量数据转为栅格图像并使用众数滤波进行平滑处理，得到研究区的样本数据。根据语义分割模型的需要，以2 2 4 像素2 2 4像素对分类图进行裁剪，裁剪步距设为1 1 2 个像素，并通过9 0、1 8 0、2 7 0、水平和垂直翻转等方式进行数据扩增.最终得到7 9 7 4 张图片，其中训练样本5 6 8 8 张，验证样本1 4 4 2 张，测试样本8 6 4张，训练样本、验证样本与测试样本不存在交叉重叠，样本图像见图2.1.5基于深度学习的土地覆被分类方法构建1.5.1输入数据组合Landsat影像波段数量多，包含丰富的信息7 ,但仅依靠Landsat图像作为输人数据，模型训练过程中特征学习的丰富度有限.本研究选择缨帽变换三分量作为Landsat影像中蓝、绿、红、近红外、短波红外1、短波红外2 波段的补充，设置3组输人数据组合：9 波段组合（蓝、绿、红、近红外、短波红外1、短波红外2、亮度分量、绿度分量、湿度分量）、6 波段组合（蓝、绿、红、近红外、短波红外1、短波红外2)和3波段组合(亮度分量、绿度分量、湿度分量）.1.5.2土地覆被分类模型构建选择对小目标地物敏感的注意力U-Netl8为基础网络，注意力U-Net注重局部特征信息，一定程度上忽视了全局信息，为获取丰富的全局信息，本研究在注意力U-Net底端引人并联的空间注意力机制以及位置注意力机制1 9 .本研究网络结构见图3,IA_UNet网络中每个跳跃连接的末端都添水体居住地草地耕地林地图2土地覆被若干典型样本Fig.2Sometypical samples of land cover加了注意力门控模块，不同的注意力模块发挥不同的作用，网络底端的双重注意力模块能够捕捉分类任务中相似地物的空间信息，获取通道之间的关联特征，自适应集成不同尺度中的相关特征，进一步建立不同类别之间的全局依赖关系，提高对地物类别的完整识别.注意力门控模块更注重局部特征，增强地物细节信息的识别能力。1.6实验设计选择 FCN(20、R e s Ne t-FCN、U-Ne t 2 1 、D e e p-LabV3+2、注意力U-Netl18和引人通道注意力机制模块与空间注意力机制模块改进的IA_UNet模型共6 种经典模型结构进行对比实验.ResNet-FCN中ResNet网络选择ResNet-50,其在分类性能上优于ResNet-18和ResNet-34，参数比ResNet-101和ResNet-152少,计算效率更高 2 3使用兰州大学高性能计算平台公共集群进行模型训练和预测，所有网络模型都基于Pytorch框架进行搭建，训练和测试等过程均使用Python编程语言实现，中央处理器(CPU)为IntelXeonGold6248,202核；显卡(GPU)为NVIDIA特斯拉V100PCle 32GB,内存1 2 8 G,Pytorch1.1.5,CUDA11.3,Python3.7.7,OS CentOS 8.3.0.针对不同的输人数据组合将模型输人尺寸设置为2 2 4 2 2 4 3，2 2 4 2 2 4 6 和2 2 4 2 2 4 9.实验中学习率设为0.0 0 0 1,送代次数为7 0,批量大小设置为1 6.基于多分类任务，本研究模型训练过程采用Adamax24优化器更新网络权重，选择二元交叉损失函数作为损失函数.采用总精度(O)、F1 得分(F)、加权交并比(W)25)进行精度评价.298兰州大学学报（自然科学版)，2 0 2 3，5 9(3)输入图像输出图像位置注意力换买(HxWD)X(HxW)3x3卷积.ReLu通道注意矩阵CKHXW22最大池化位置注意矩阵CxHW变形22反卷积位置矩阵运算1x1卷积核通道矩阵运算变形形跳跃连接矩阵乘法XHWCxHW门控信号逐元素和CXC注意力门控C通道：H：高.W：宽通道注意力换头图3IA_UNet结构Fig.3IA_UNetstructurea+b(1)a+d+c+ba+daW=(2)Xa+c+b+da+c+d2aF(3)2a+c+d其中，代表分类结果中正样本被正确分类的像素个数；b代表分类结果中负样本被正确分类的像素个数；c代表分类结果中正样本被错误分类的像素个数；d代表分类结果中负样本被错误分类的像素个数.2结果与分析2.1语义分割模型对比基于2 0 1 7 年Landsat影像生成的样本数据集，对 DeepLab V3+、FCN、R e s Ne t-FCN、U-Ne t、注意力U-Net以及本研究提出的IA_UNet共6 种模型进行训练与评价比较，图4 展示了6 种模型在输人数据为9 波段(Landsat8OLI影像2 7 波段和缨帽变换3参数)时的结果，在a组影像中,草地分布范围广，其他土地覆被类别交错分布其中.每个模型基本上都能较好地识别出草地、水体(以河流为主)、居住地.依据IA_UNet模型提取的居住地更完整，U-Net对散落分布的居住地提取效果较差.林地分布范围小而集中，注意力U-Net、D e e p La b V 3+、U-Ne t、FCN的提取效果均不及IA_UNet模型.在b组影像中，耕地大面积分布，居住地零星散布，草地、林地小范围分布.由FCN、R e s Ne t-FCN和DeepLabV3+模型提取出的居住地效果较差，将已经干并成为稀疏草地的河道误分成了水体.依据IA_UNet模型提取的居住地更接近样本数据.在c组影像中，耕地、草地以及林地混杂分布，居住地小范围分布.DeepLabV3+、FCN、U-Net、R e s Ne t-FCN模型几乎没有识别出分布在耕地之间的居住地，IA_UNet与注意力U-Net模型能识别出居住地.此外FCN、U-Ne t、R e s Ne t-FCN模型未将影像东南部的草地完整识别，造成与耕地的混淆.在d组影像中，居住地范围均较小，被包围在耕地当中.使用ResNet-FCN、D e e p La b V 3+模型时大部分居住地被概括到耕地当中.由FCN提取的居住地范围过大，U-Net以及注意力U-Net提取到的居住地细碎且不完整，IA_UNet模型更完整.e组影像主要包含了休耕地和草地使用FCN、R e s Ne t-FCN和DeepLabV3+模型提取到的耕地边界过于平滑，丢失了耕地原有的复杂边界。U-Net模型对于小范围耕地提取不完整，将周围草地误分为耕地.由注意力U-Net以及IA_UNet模型获得的各地物提取结果更好.在所有语义分割模型中，IA_UNet、注意力U-Net、FCN、R e s Ne t-FCN、U-Ne t、D e e p l a b V 3+的0 分别为8 2.7 6%、8 2.39%、8 1.5 1%、8 0.6 7、82.51%、8 1.7 6%，W分别为7 1.0 0%、7 0.36%、69.04%、6 7.7 7%、7 0.5 6%、6 9.2 3%,IA _U Ne t 模型的精度均高于其余模型，其中O和W分别提高了0.25%2.09%和0.4 4%3.2 3%.从单类别来看（表1),草地和耕地的分类精度最高，水体和居住地的分类精度次之，林地的分类精度最低.IA_UNet模型明显提升了居住地、草地识别的精度.IA_UNet模型提高了小目标地物的识别能力，对复杂边界地物的提取质量较好，能够在地物299胡丛慧，等：基于IAUNet模型的陇西黄土高原土地覆被分类标准假彩色图像样本数据注意力U-NetDeepLab V3+FCNU-NetResNet-FCNIA_UNetad水体居住地草地耕地林地图4不同模型分类细节对比Fig.4Comparison of classification details of different models表1不同模型F1得分精度评价Table1Evaluation of F1-scoreaccuracyfordifferentmodels语义分割模型水体居住地草地 耕地林地注意力U-Net0.610.600.82 0.85 0.49DeepLab V3+0.490.550.820.84 0.47FCN0.600.600.810.840.46U-Net0.660.610.820.850.50ResNet-FCN0.610.540.810.830.43IA_UNet0.660.620.830.850.49类别混杂分布、地形复杂的影像中自主学习影像的显著特征，不受目标大小和形状的限制，有效抓取特征的全局依赖关系等上下文信息，增强学习与任务有关的特征，在多类别混杂分布、地形复杂的影像中，对各类地物提取得更完整，对地物边界信息提取更为精细，尤其是居住地、水体、草地与耕地.2.2缨帽变换输入波段组合对土地覆被分类质量的影响为了探讨缨帽变换输人数据在深度学习语义分割中的有效性，使用IA_UNet模型在3波段(缨帽变换3分量）、6 波段(Landsat8OLI27波段)与9波段(Landsat8OLI27波段及其缨帽变换3分量)3种输入组合进行分类比较试验，图5 为其中部分结果.a组影像中主要包含耕地与草地，其中休耕地与稀疏草地容易混淆.在3波段输人得到的结果中，耕地的提取效果较差，难以提取休耕地.6 波段输入得到的结果优于3波段输人，对耕地的提取更完整，但是对紧邻草地的耕地仍然难以完整识别.9波段输人得到的结果最优，由此提取到的耕地与休耕地分布更完整.b组影像中多种地物类别混杂分布，林地、草地、居住地散落分布在耕地中.3波段输入组合得到的结果中林地与居住地的提取效果较好，草地的提取效果稍差.6 波段组合得到的结果中林地的提取效果较差，草地与居住地提取效果较好.9 波段输入对林地、草地以及居住地的提取效果均较好.c组影像中大部分地物为耕地，居住地零星分布，草地呈条状.3波段输人组合对居住地的提取结果较完整，但对于草地的提取效果较差.6 波段输人得到的结果中居住地的提取效果略差，早已干凋并生长稀疏植被的河道被误分为水体.9 波段输人得到的结果最佳，不仅对居住地的识别较完300兰州大学学报（自然科学版），),2023,59(3)标准假彩色图像样本数据3波段6波段9波段abd水体居住地草地耕地林地图5基于IA_UNet运用不同输人数据分类结果对比Fig.5Comparison of classification results of different input data based on IA_ UNet整，也能正确识别出草地的范围。d组影像中大部分地物为耕地与居住地，3波段输人模型对林地的提取不完整，并将部分耕地与草地混淆.6 波段输人对林地的提取结果不完整，对耕地的提取结果较好.9 波段输入对林地和耕地的识别更准确。应用不同模型与不同输入波段组合得到的精度评价结果与上述分析结果一致(表2).IA_UNet模型的O、W,在输入数据为3波段组合时分别达到8 1.4 5%、6 9.0 8%；在输入数据为6 波段组合时，分别达到8 2.0 4%、6 9.8 3%；在输入数据为9 波段组合时，分别达到8 2.7 6%、7 1.0 0%.证明线性光谱变换组合输人有助于提高分类精度，结合亮度、绿度以及湿度分量和Landsat8OLI27波段而形成的9 波段组合为网络模型提供更丰富的输人信息，有助于相似光谱地物的区分，减少地物类别之间的混淆，增强了居住地、植被、水体之间的区分度.表2 IA_UNet模型不同波段组合F1得分Table2F1-score summary of different band combina-tions in IA_UNetmodel波段组合水体居住地草地耕地林地30.650.570.820.840.4660.640.610.820.850.5090.660.620.830.850.492.3与基于像元、对象分类结果的比较与传统方法的提取精度进行对比，基于像元方法选择清华大学制作的全球30 m土地覆盖数据FROM-GLC(http:/,2017版),基于对象方法选择国家基础地理信息中心制作的GlobeLand30土地覆盖数据(http:/wwW.globalland- 显示IA_UNet所得土地覆被分类结果与FROM-GLC、GlobeLand30数据集的对比.a组影像主要为耕地与草地.FROM-GLC数据集将大片草地误分成了居住地，耕地与草地的范围不完整.GlobeLand30数据中未识别出其中的草地.IA_UNet对耕地与草地的提取效果均较好，不仅将易与居住地混淆的稀疏草地区分开，还有效地识别出退耕还草措施产生的草地。b组影像包含草地、耕地以及小部分林地和居住地，其中大部分耕地为植被覆盖率较低的耕地.FROM-GLC数据集中仍然存在草地误分成居住地的情况，并且对于耕地范围难以完整识别.301胡丛慧，等：基于IAUNet模型的陇西黄土高原土地覆被分类标准假彩色图像样本数据IA_UNetFROM-GLC数据集GlobeLand30数据集bd水体居住地草地耕地林地图65与基于像元、基于对象分类结果对比Fig.6Comparison with pixel based and object-based classification resultsGlobeLand30数据集与IA_UNet对耕地和草地的提取效果较好.c组影像中地物混杂分布，FROM-GLC数据集中林地的提取效果较好，但对于连片分布的居住地未识别完整，且零星分布在耕地中的居住地几乎没有识别出来.GlobeLand30数据集中零散分布的小范围居住地未完整识别，对林地的提取效果较差.IA_UNet充分利用全局信息以及上下文信息提取居住地，分类效果最好，d组影像中主要地物为林地、耕地和草地：FROM-GLC数据集提取的林地、草地、耕地的范围较完整，但“椒盐”噪声现象明显.GlobeLand30数据集对林地的提取效果较差，仅识别出图像东南区域的林地，对耕地和草地的提取完整，居住地范围比标签数据大.IA_UNet对各种地物的提取效果均较好。在测试样本中，FROM-GLC数据集、Globe-Land30数据集与IA_UNet模型的O分别为58.89%、7 2.8 1%、8 2.7 6%；W分别为4 2.9 7%、56.35%、7 1.0 0%.整体精度评价中IA_UNet最优，GlobeLand30数据集次之,FROM-GLC数据集最差.综上，FROM-GLC数据集中居民地分布偏差较大，GlobeLand30数据中居住地和耕地的范围偏大.使用IA_UNet模型进行分类所得结果总体优于传统的基于像元方法和基于对象方法所得结果.深度学习语义分割在土地覆被分类中具有很大潜力，语义分割模型得到的分类精度高于基于像元与基于对象分类.IA_UNet在对比实验中取得了最佳效果，提高了各地物类别的分类精度.但是语义分割模型的精度仍然低于预期，原因可能在于遥感影像分辨率的影响.研究区地形破碎，土地覆被单元碎片化，当使用空间分辨率为30 m的Landsat数据时，碎片化的土地覆被单元容易与影像中的噪声信号混淆.水体和小范围林地在30 m分辨率遥感影像中解译性低.训练数据集有待扩大，深度学习模型的成熟有赖于大型训练数据集的支持，本研究使用的采集数据规模小、验证不足等问题都会影响到模型训练结果.陇西黄土高原区域地理环境多样，稀疏草地与植被覆盖率低的耕地光谱特征及纹理特征都比较相似，容易混淆.夏季植被生长茂盛的草地、林地与耕地光谱特征相似，对于小范围的林地与草地，纹理特征也难以区分，因此分类时易误分。3结论在Landsat8OLI影像的语义分割体系中，利用有限的样本数据，设计更有效的输人数据组合。当输人数据为Landsat8OLI27波段和缨帽变换3分量组合时，得到的结果在各个类别的分类效果均相对较好，证明遥感影像线性光谱变换有助于提高易混淆地物的分类精度，并且语义分割网络302兰州大学学目然科学版），2 0 2 3，5 9(3）能够有效利用多通道的输人数据.在语义分割模型表现力方面，IA_UNet相较于本研究其他网络取得最好的效果.注意力U-Net中注意门不局限于目标的大小，增强了与任务相关的特征；模型底端引人的自注意力机制有效抓取特征之间的全局依赖关系以及上下文信息，提高易混淆地物之间的提取精度.在分类方法方面，利用深度学习方法获得的分类精度明显优于基于像元的分类方法和基于对象的方法，深度学习方法不仅能减少传统方法中的“椒盐”噪声现象，还能准确识别出地物类别的实际范围。参考文献1潘保田.陇西黄土高原农业发展方向初探 1 .地域研究与开发,1 9 8 8(2)2 7-32.2丁宏伟，李莉，姚兴荣，等.大气降水对黄土滑坡的影响和控制：以甘肃省陇西黄土高原为例 J.甘肃地质，2013,22(1):55-60.3仲敏.陇西黄土高原地区生态恢复重建的财政政策研究 J.重庆科技学院学报(社会科学版),2 0 1 0(2 1)9 5-9 7.4朱爽，张锦水,李长青，等.土地覆盖遥感制图方法研究现状与展望 J.测绘通报，2 0 1 9(1 1)8-1 1,4 3.5汪红，刘兴明，赵传燕，等.基于面向对象的RF算法白水江自然保护区土地利用及景观格局时空演变特征分析 J.兰州大学学报（自然科学版),2 0 2 1,5 7(4)：4 2 7-436,446.6程葛鉴，于欢,孔博，等.面向对象遥感影像分析技术应用现状与展望 J.科技资讯,2 0 2 0,1 8(1 6)：1 2-1 3.7王协，章孝灿，苏程.基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类 .浙江大学学报(理学版),2 0 2 0,4 7(6):7 1 5-7 2 3.8 ZHAO W Z,DU S H,EMERY W J.Object-based convo-lutional neural network for high-resolution imagery clas-sificationJ.IEEE Journal of Selected Topics in AppliedEarth Observations and Remote Sensing,2017,10(7):3386-3396.9楚博策，高峰，帅通，等.基于特征图集合的遥感影像深度学习地物分类研究 J.无线电工程，2 0 2 2,5 2(4)：6 30-637.10秦梦宇,刘勇,张寅丹，等.基于改进U-Net模型的高分辨辩率遥感影像中城市建筑物的提取 .兰州大学学报（自然科学版）),2 0 2 2,5 8(2):2 5 4-2 6 1,2 6 9.11 CHEN T H K,QIU C P,SCHMITT M,et al.Mappinghorizontal and vertical urban densification in Denmarkwith Landsat time-series from 1985 to 2018:a semanticsegmentation solutionJ.Remote Sensing of Environ-ment,2020,251:112096.12柴华彬，严超，邹友峰，等.利用PSPNet实现湖北省遥感影像土地覆盖分类 J.武汉大学学报（信息科学版)，2021,46(8):1224-1232.13罗开盛，陶福禄.融合面向对象与缨帽变换的湿地覆被类别遥感提取方法 J.农业工程学报，2 0 1 7,33(3)198-203.14陈枫,李泽红，董锁成，等.基于VSD模型的黄土高原丘陵沟壑区县域生态脆弱性评价：以甘肃省临洮县为例 J.干旱区资源与环境，2 0 1 8,32(1 1)：7 4-8 0.15钟华，姜志德，代富强.水资源保护生态补偿标准量化研究：以渭源县为例 J.安徽农业科学，2 0 0 8(2 0)8 7 5 2-8754,8790.16刘璐璐，李锋瑞.黄土高原退耕农户生计资本对生计策略的影响：以甘肃会宁县为例 .中国沙漠，2 0 2 0,40(1):233-244.17万佳华.基于深度学习的黄河源典型区地物分类研究 D.西宁：青海大学，2 0 2 1.18 OKTAY O,SCHLEMPER J,FOLGOC L L,et al.Atten-tion u-net:learning where to look for the pancreasJ/OL.arXiv,2018,https:/doi.org/10.48550/arXiv.1804.03999.19 FU J,LIU J,TIAN H J,et al.Dual attention network forscene segmentationC/Proceedings of the IEEE/CVFconference on computer vision and pattern recognition.New York:IEEE,2019:3146-3154.20 LONG J,SHELHAMER E,DARRELL T.Fully convo-lutional networks for semantic segmentationCJ/Pro-ceedings of the IEEE conference on computer visionand pattern recognition.Boston:IEEE,2015:3431-3440.21 RONNEBERGER O,FISCHER P,BROX T.U-Net:convolutional networks for biomedical image segmenta-tionJ.Medical Image Computing and Computer-Assisted Intervention,Pt li,2015,9351:234-241.22 CHEN L C E,ZHU Y K,PAPANDREOU G,et al.Encoder-decoder with atrous separable convolution forsemantic image segmentationCJ/Proceedings of theEuropean conference on computer vision(ECCV).NewYork:Springer,2018:801-818.23 TONG X Y,XIA G S,LU Q K,et al.Land-cover classi-fication with high-resolution remote sensing images us-ing transferable deep modelsJ.Remote Sensing ofEnvironment,2020,237:111322.24 KINGMA D P,BA J.Adam:a method for stochasticoptimizationJ/OL.arXiv,2014,https:/doi.org/10.48550/arXiv.1412.6980.25 GARCIA-GARCIA A,ORTS-ESCOLANO S,OPREAS,et al.A review on deep learning techniques applied tosemantic segmentationJ/OL.arXiv,2017,https:/doi.0rg/10.48550/arXiv.1704.06857.（责任编辑：蔡红霞）