PDF(1856 KB)
Remote Sensing Extraction of Inland Saline Land Information Based on U-Net Skeleton Variant
LINGShihao, YANGFenli, HUANGBohan, LIYao, YANGLian’an, YANLinyue, HAOBeibei
Chin Agric Sci Bull ›› 2025, Vol. 41 ›› Issue (19) : 151-158.
PDF(1856 KB)
Abbreviation (ISO4): Chin Agric Sci Bull
Editor in chief: Yulong YIN
PDF(1856 KB)
Remote Sensing Extraction of Inland Saline Land Information Based on U-Net Skeleton Variant
To address the limitations of conventional remote sensing classification methods, such as reliance on manual feature design and poor generalization ability, this study systematically evaluated three backbone architectures (ResNet34, MobileNetV2_100 and TF_MobileNetV3_Small_100) under frozen and non-frozen transfer learning strategies, utilizing Landsat 8 Operational Land Imager (OLI) multispectral imagery and employing a saline-alkali land information extraction method based on U-Net deep learning model. The experimental findings demonstrated that ResNet34 generally showed superior convergence speed, segmentation accuracy and generalization ability in comparison to the lightweight models (MobileNetV2_100, TF_MobileNetV3_Small_100). Specifically, the non-frozen ResNet34 model achieved the optimal overall performance, with a classification precision of 0.880, recall of 0.708, and F1-score of 0.785, all of which exceeded those of other models. The lightweight model demonstrated efficacy in scenarios characterized by limited resources, which could be employed in cases where computational resources were limited and segmentation precision required was low but still necessitates high-performance backbones for complex environments. Notably, non-frozen training consistently exceeded frozen strategies, emphasizing the importance of full-parameter optimization for enhancing accuracy and generalization ability. The research not only validates the effectiveness of deep learning in the remote sensing monitoring of saline-alkali land but also provides a model selection framework for intelligent identification and monitoring of saline and saline-alkali land, offering practical guidance for ecological governance and precision agriculture.
saline-alkali land / U-Net / ResNet34 / MobileNet / semantic segmentation / transfer learning / deep learning model
| [1] |
刘小京, 郭凯, 封晓辉, 等. 农业高效利用盐碱地资源探讨[J]. 中国生态农业学报(中英文), 2023, 31(3):345-353.
|
| [2] |
|
| [3] |
肖雯丽, 王含瑞, 王梦亮, 等. 盐碱胁迫下植物响应机制的研究进展[J]. 中国农学通报, 2024, 40(33):78-85.
盐碱胁迫会引起植物出现水分亏缺、细胞膜透性发生变化、代谢紊乱以及蛋白合成受阻等现象，导致作物减产或死亡，是植物生长发育过程中面临的非生物胁迫之一，寻找降低盐碱胁迫危害的有效方法和提高植物耐盐碱能力的策略，对盐碱地综合利用具有重要意义。本文归纳了近年来盐碱胁迫下植物遭受的危害和植物适应性机制最新研究，总结了植物响应盐碱的生理及分子机制，分析了盐碱胁迫下植物以积累渗透调节物质、增加抗氧化酶活性、离子区隔等为主要调控方式的生理机制和以信号传导、转录因子调控、耐盐碱相关基因表达等为主的分子机制，指出了植物适应盐碱环境方面的发展趋势和亟待解决的问题，以期为耐盐碱植物种质的筛选与培育提供一定的理论依据。
|
| [4] |
冯起, 尹鑫卫, 朱猛, 等. 统筹推进西北地区盐碱地综合治理利用:现状、挑战与对策建议[J]. 中国科学院院刊, 2024, 39(12):2060-2073.
|
| [5] |
祝瑜, 褚琳琳, 朱文东, 等. 客土造林后滨海盐碱地土壤盐分分布及影响因素分析[J]. 农业工程学报, 2023, 39(6):149-157.
|
| [6] |
陈宇骏, 王凌宇, 李悦, 等. 基于遥感生态指数的杭州湾大湾区生态质量演化监测及其对土地利用响应分析[J]. 遥感技术与应用, 2024, 39(3):764-776.
生态质量监测与评价是合理、高效开展生态环境保护工作的基础和关键。通过构建遥感生态指数（RSEI）监测了杭州湾大湾区1995~2020年生态质量时空变化，通过耦合土地利用/覆被变化挖掘了生态质量变化和土地利用类型/转化间的定量关系。结果表明：①杭州湾大湾区整体生态质量呈现上升下降再上升的变化过程，RSEI维持在0.62，生态质量较为优良；各地级市生态质量变化迥异，由北向南依次呈现下降、上升和波动3种不同趋势。②杭州湾大湾区生态质量上升区域（57.5%）多于下降区域（42.5%），山区林地、中心城区和滨海湿地是生态质量上升的热点区域，而城镇化和滩涂围垦则是生态质量下降的主要原因。③近25 a森林和建设用地的生态质量快速上升（ΔRSEI>+0.1），耕地生态质量明显下降（ΔRSEI=-0.08），导致人类环境内部的生态质量差异逐步减小，而自然向人类环境转化的生态代价日益增大。研究可为海岸带资源合理利用和生态环境保护提供科学依据，服务湾区城市群社会高质量发展。
|
| [7] |
李宁, 岳彩荣. 基于GIS与RS的肇源县土地利用变化分析[J]. 中国农学通报, 2011, 27(29):224-228.
|
| [8] |
张孝成, 赵紫阳, 周志跃, 等. CORS和无人机遥感技术结合在村级土地利用规划中的应用——以重庆市江津区燕坝村为例[J]. 中国土地科学, 2012, 26(1):82-85.
|
| [9] |
王玮莹, 彭金榜, 朱婉雪, 等. 基于无人机遥感的盐渍化土壤有机质反演方法研究[J]. 地球信息科学学报, 2024, 26(3):736-752.
土壤有机质含量是衡量土壤肥力的重要指标，对粮食生产具有重要影响。我国滨海盐碱地分布广阔，土壤有机质呈现显著的空间异质性。传统的“实地采集-实验测量”的方法费时费力，难以快速描绘盐碱地区土壤有机质含量的空间分布特征。因此，采用遥感技术对土壤有机质含量进行高效且精准地反演，可以快速了解土壤肥力，从而调整与优化农业生产与管理。本研究以黄河三角洲典型滨海盐碱地裸土（0~10 cm土层）为研究对象，通过提取土壤的无人机遥感光谱与空间纹理信息，构建并筛选遥感指数。分别采用多元线性逐步回归、偏最小二乘以及随机森林模型对土壤有机质含量进行反演，并对比分析耕作与未耕作处理对反演的影响，同时探究融入对土壤盐分含量敏感的遥感信息是否可提高盐碱地区土壤有机质的反演精度。研究结果表明：① 在土壤有机质含量反演中，随机森林模型的反演精度（R2为0.83~0.95）显著高于多元线性逐步回归（R2为0.26~0.69）和偏最小二乘模型（R2为0.37~0.72）；② 与未耕作土壤（R2为0.26~0.95）相比，耕作处理下的土壤有机质的反演精度较高（R2为0.54~0.94），即土壤的耕作处理能提高光谱指数对于土壤有机质含量的响应，从而提升土壤有机质含量的反演精度，为更加精准地监测土壤有机质提供新思路；③ 融入遥感纹理信息或土壤盐分含量信息（盐分实测值和盐分敏感指数）可显著提高土壤有机质反演精度。本研究将为提升田块尺度滨海盐渍化农田的土壤有机质含量反演提供理论与技术支撑，从而促进滨海盐渍化地区现代化农业的发展。
|
| [10] |
裴欢, 孙天娇, 王晓妍. 基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类[J]. 农业工程学报, 2018, 34(2):248-255.
|
| [11] |
|
| [12] |
|
| [13] |
魏之皓, 贾克斌, 贾晓未. 多尺度特征融合的多源异构遥感数据水体提取[J]. 遥感信息, 2021, 36(5):41-48.
|
| [14] |
范荣双, 陈洋, 徐启恒, 等. 基于深度学习的高分辨率遥感影像建筑物提取方法[J]. 测绘学报, 2019, 48(1):34-41.
针对传统的建筑物提取方法精度较低和边界不完整等问题，本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先，采用主成分变换非监督预训练网络结构，获得待提取遥感影像特征。其次，为减少在池化过程中影像特征信息的丢失，提出自适应池化模型，通过非下采样轮廓波变换来获取影像纹理特征，并将纹理特征输入网络中参与建筑物提取。最后，将影像特征输入softmax分类器进行分类，获得建筑物提取结果。选取典型区域进行建筑物提取试验，并与典型建筑物提取方法进行对比分析，结果表明，本文提取方法精度高，并且提取建筑物的边界清晰、完整。
|
| [15] |
赵斌, 王乾. 基于深度特征聚合网络的高分辨率遥感图像语义分割[J]. 地理空间信息, 2025, 23(1):80-84.
|
| [16] |
王施云, 杨帆. 基于U-Net特征融合优化策略的遥感影像语义分割方法[J]. 计算机科学, 2021, 48(8):162-168.
高分辨率遥感影像的空间分辨率高、地物信息丰富、复杂程度高、各类地物的大小尺寸不一,这为分割精度的提高带来了一定的难度。为提高遥感影像语义分割精度,解决U-Net模型在结合深层语义信息与浅层位置信息时受限的问题,文中提出了一种基于U-Net特征融合优化策略的遥感影像语义分割方法。该方法采用基于U-Net模型的编码器-译码器结构,在特征提取部分沿用U-Net模型的编码器结构,提取多个层级的特征信息;在特征融合部分保留U-Net的跳跃连接结构,同时使用提出的特征融合优化策略,实现了高层语义特征与底层位置特征的融合-优化-再融合。此外特征融合优化策略还使用空洞卷积获取了更多的全局特征,并采用Sub-Pixel卷积层代替传统转置卷积,实现了自适应上采样。所提方法在ISPRS的Potsdam数据集和Vaihingen数据集上得到了验证,其总体分割精度、Kappa系数和平均交并比mIoU 3个评价指标在Potsdam数据集上分别为86.2%,0.82,0.77,在Vaihingen数据集上分别为84.5%,0.79,0.69;相比传统的U-Net模型,所提方法的3个评价指标在Potsdam数据集上分别提高了5.8%,8%,8%,在Vaihingen数据集上分别提高了3.5%,4%,11% 。实验结果表明,基于U-Net特征融合优化策略的遥感影像语义分割方法,在Potsdam数据集和Vaihingen数据集上都能达到很好的语义分割效果,提高了遥感影像的语义分割精度。
|
| [17] |
李倩楠, 张杜娟, 潘耀忠, 等. MPSPNet和UNet网络下山东省高分辨耕地遥感提取[J]. 遥感学报, 2023, 27(2):471-491.
|
| [18] |
邰文飞, 蔡明勇, 申文明, 等. 基于卫星遥感的生态保护红线人类活动提取方法研究[J]. 中国环境监测, 2023, 39(2):241-248.
|
| [19] |
史泽鹏, 马友华, 王玉佳, 等. 遥感影像土地利用/覆盖分类方法研究进展[J]. 中国农学通报, 2012, 28(12):273-278.
|
| [20] |
曹红新, 王宇豪, 秦增忍, 等. 一种基于离散度及支持向量机的遥感影像特征提取方法[J]. 遥感信息, 2024, 39(4):80-86.
|
| [21] |
谭琨, 王雪, 杜培军. 结合深度学习和半监督学习的遥感影像分类进展[J]. 中国图象图形学报, 2019, 24(11):1823-1841.
|
| [22] |
宫浩, 张秀再, 胡敬锋. 一种基于深度学习的遥感图像分类及农田识别方法[J]. 现代电子技术, 2019, 42(8):179-182.
|
| [23] |
李恒凯, 王利娟, 肖松松. 基于多源数据的南方丘陵山地土地利用随机森林分类[J]. 农业工程学报, 2021, 37(7):244-251.
|
| [24] |
林志坚, 姚俊萌, 苏校平, 等. 基于MODIS指数和随机森林的江西省早稻种植信息提取[J]. 农业工程学报, 2022, 38(11):197-205.
|
| [25] |
谭海英, 杨军. 面向遥感影像的轻量级卷积神经网络目标检测[J]. 遥感技术与应用, 2025, 40(1):167-176.
针对背景复杂、目标尺度差异性大且分布不均的高分辨率遥感影像，现有算法无法同时兼顾检测精度与检测速度等问题，以YOLO v7为基础提出了一种局部—全局检测器（Local-Global Detector， LGDet）的轻量化目标检测网络。首先，采用部分卷积（Partial Convolution， PConv）对其主干和颈部网络进行压缩，减少模型的参数量与运算量；其次，设计了快速傅里叶联合部分卷积模块，构建了局部和全局感受野结合的轻量化特征提取网络；最后，提出了一种轻量化三元注意力模块，增强了有用特征。在RSOD和NWPU VHR-10数据集上进行了实验，本算法的mAP分别为93.4%和90.5%，FLOPs为87.9 G，与YOLO v7相比mAP分别提高了2.8%和2.3%，FLOPs减少17.3 G。结果表明本算法在计算复杂度更低的情况下具有更优异的遥感影像目标检测精度。
|
| [26] |
周腊珍, 陈红池, 李秋霞, 等. 基于Transformer深度学习模型在医学图像分割中的研究进展[J]. 中国生物医学工程学报, 2024, 43(4):467-476.
|
| [27] |
Convolutional networks are powerful visual models that yield hierarchies of features. We show that convolutional networks by themselves, trained end-to-end, pixels-to-pixels, improve on the previous best result in semantic segmentation. Our key insight is to build "fully convolutional" networks that take input of arbitrary size and produce correspondingly-sized output with efficient inference and learning. We define and detail the space of fully convolutional networks, explain their application to spatially dense prediction tasks, and draw connections to prior models. We adapt contemporary classification networks (AlexNet, the VGG net, and GoogLeNet) into fully convolutional networks and transfer their learned representations by fine-tuning to the segmentation task. We then define a skip architecture that combines semantic information from a deep, coarse layer with appearance information from a shallow, fine layer to produce accurate and detailed segmentations. Our fully convolutional networks achieve improved segmentation of PASCAL VOC (30% relative improvement to 67.2% mean IU on 2012), NYUDv2, SIFT Flow, and PASCAL-Context, while inference takes one tenth of a second for a typical image.
|
| [28] |
|
| [29] |
张越, 程春泉, 杨书成, 等. 融合双注意力机制模型的遥感影像建筑物提取[J]. 测绘科学, 2022, 47(4):129-136.
|
| [30] |
李本高, 吴从中, 许良凤, 等. 基于多尺度特征融合和残差注意力机制的目标检测[J]. 计算机工程与科学, 2021, 43(2):347-353.
|
| [31] |
陈文祥, 田启川, 廉露, 等. 基于深度学习的图像修复方法研究进展[J]. 计算机工程与应用, 2024, 60(22):58-73.
图像修复是通过算法或技术对受损或缺失的图像进行恢复和修复的过程，是计算机视觉领域的研究热点之一。梳理了近些年基于深度学习的图像修复方法的发展脉络，将其分为单模态图像修复方法和多模态图像修复方法。单模态图像修复方法分为基于卷积自编码的图像修复方法、基于GAN的图像修复方法、基于Transformer的图像修复方法和基于扩散模型的图像修复方法，而多模态图像修复方法分为基于文本引导的图像修复方法、基于音频引导的图像修复方法、基于视频引导的图像修复方法和基于多模态融合的图像修复方法。对比分析了各类方法的原理和优缺点，介绍了常用数据集和评价指标，评估了代表性方法在常用数据集上的性能表现，并对该领域目前存在的挑战和未来的发展方向进行了分析和展望。
|
| [32] |
林禹, 赵泉华, 李玉. 一种基于深度传递迁移学习的遥感影像分类方法[J]. 地球信息科学学报, 2022, 24(3):495-507.
面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。
|
| [33] |
黄彦慧, 符冉迪, 方旭源, 等. 注意力机制下多尺度特征融合生成对抗的日间海雾识别[J]. 遥感技术与应用, 2025, 40(1):258-264.
为了提升海雾识别的准确性，在注意力机制下，采用多尺度特征融合生成对抗网络，提出了一种日间海雾识别方法。该方法首先利用条件生成对抗网络生成中红外通道的云图，以消除原始日间中红外通道云图的太阳辐射影响，从而可以综合利用可见光、远红外和中红外通道云图在海雾监测中各自的优势。基于此，在UNet网络中引入金字塔切分注意力机制以提高3个输入通道数据特征提取的性能；同时，在编解码器过渡层采用多尺度空洞空间卷积池化金字塔，通过对多个路径进行多尺度特征融合，以增强对不同尺度海雾识别的泛化能力；最后，引入判别网络对生成网络进行监督，实现对海雾边缘的精准界定。实验结果表明：该方法的海雾检测精度较传统方法有所提升，命中率（POD）达到94.16%，误报率（FAR）为11.61%，临界成功指数（CSI）为83.59%，为日间海雾识别提供了一种新思路。
|
| [34] |
徐佰祺, 江刚武, 刘建辉, 等. 联合多尺度特征和注意力机制的遥感影像飞机目标检测[J]. 测绘科学技术学报, 2020, 37(4):398-403.
|
| [35] |
贾鲁净, 杨联安, 冀泳帆, 等. 卫星遥感反演土壤有机质研究进展[J]. 遥感信息, 2023, 38(2):1-9.
|
/
| 〈 |
|
〉 |
