成果介绍
在城市化进程中,城市空间扩张与耕地保护之间的矛盾日益凸显。当前城市无序蔓延导致大量优质耕地被建设占用,部分区域已逼近耕地保护红线,对粮食安全构成潜在威胁。传统遥感监测方法往往存在多尺度特征融合不足、细小变化漏检率高等技术瓶颈,因此,高效、准确地监测和识别耕地“非农化”显得尤为重要。本研究团队创新研发了基于全尺度特征融合的耕地变化检测技术体系。通过将全尺度跳跃连接架构与孪生编码器相结合,研发了SNUNet3+模型。该技术通过空间通道联合注意力机制实现特征权重优化。利用深度监督模块强化多尺度特征提取能力,显著提升了细小变化目标的识别精度,并在多源数据集下与其他主流方法比较,该模型具有显著优势。本项技术为耕地资源大范围监测提供了新的解决方案,在自然资源动态监测、国土调查等领域具有广泛应用前景。
成果亮点
作为一种高精度的遥感影像变化检测方法,SNUNet3+融合了深度学习与多尺度特征提取技术,能够有效减少伪变化和漏检问题,相较于传统的变化检测网络,SNUNet3+采用孪生编码器和解码器架构,在特征提取、信息融合和变化识别等方面均有所优化,使其在复杂环境下依然保持优越的检测能力。在特征选择与增强方面,SNUNet3+结合了空间通道联合注意力机制,通过在空间与通道维度动态调整特征权重,精准定位变化区域,减少背景干扰。全尺度跳跃连接机制的引入,使得不同尺度的特征能够在解码过程中充分交互,提高对多尺度变化目标的敏感度,特别是在地物变化具有复杂几何结构的场景下,这一特性显著增强了模型的适应性。同时,深度监督机制贯穿解码过程,在不同层级提供额外的监督信号,使网络在训练过程中更快速收敛,并提升变化区域的识别精度。得益于这一系列优化设计SNUNet3+在实际应用中展现出卓越的变化检测性能,为遥感监测、生态环境评估、土地利用分析等领域提供了更精准、高效的技术支持。
团队介绍
联系人: 庄老师 单位名称:常州市武进区科技成果转移中心
成果资料