UniRepLKNet-SE с межмасштабным слиянием признаков для картографирования заброшенных сельскохозяйственных угодий

UniRepLKNet-SE With Cross-Scale Feature Fusion for Abandoned Cropland Mapping
Ioachim Iancu, Laurentiu Jecu
2026-07-07

Sentinel-2 и Sentinel-1UniRepLKNet-SEкартирование заброшенных сельскохозяйственных угодийF1 границмежмасштабное слияние признаков
Точное картографирование заброшенных сельскохозяйственных угодий способствует оценке продовольственной безопасности, планированию восстановления земель и региональному учёту углерода, однако раннее забрасывание земель по-прежнему трудно отличить от временного пара, малозатратного земледелия, повторного зарастания травянистой растительностью и сезонно оголённой почвы. В настоящем исследовании разработана модель плотной интерпретации данных дистанционного зондирования UniRepLKNet-SE, объединяющая обучение представлений с крупными ядрами, канальную рекалибровку squeeze-and-excitation и внимательный межмасштабный декодер. Контролируемый внутренне согласованный эталонный набор данных был сформирован на основе многосезонных индексов Sentinel-2, данных обратного рассеяния Sentinel-1, характеристик рельефа и переменных, описывающих контекст земельных участков, на сетке с шагом 10 м. Оценивание проводилось на 18 420 размеченных фрагментах, относящихся к четырём стратам агроландшафтов, с пространственно разнесёнными подмножествами для обучения, валидации и тестирования. UniRepLKNet-SE достигла общей точности 93,8%, среднего значения F1 89,6%, пересечения по объединению для класса заброшенных угодий 78,4% и граничного F1 76,5%. Пересечение по объединению для целевого класса превысило соответствующие показатели Swin-UNet на 4,8 процентного пункта, а DeepLabV3+ — на 7,3 пункта. Межмасштабное слияние признаков повысило граничный F1 с 71,2% до 76,5%, тогда как канальная рекалибровка снизила число ложных сигналов о забрасывании на разреженных посевах озимой пшеницы на 13,6%. Абляционные испытания и тесты с исключением сезонов показали, что широкий пространственный охват в наибольшей степени улучшал результаты на фрагментированных террасированных участках, тогда как многомасштабное слияние стабилизировало прогнозы при фенологическом несоответствии. Результаты позволяют рассматривать предложенную архитектуру как воспроизводимый инженерный кандидат для скрининга земельных участков и определения приоритетов верификации; до внедрения на уровне политики необходимы внешняя географическая валидация и многолетние сведения о землепользовании.
1
Межмасштабное слияние признаков повысило граничный F1 с 71,2% до 76,5%, а канальная перенастройка снизила ложные срабатывания заброшенности на разреженных полях озимой пшеницы на 13,6%.
2
На 18 420 размеченных фрагментах из четырёх сельскохозяйственных ландшафтных страт модель достигла 93,8% общей точности, 89,6% среднего F1, 78,4% IoU целевого класса и 76,5% граничного F1.
3
IoU целевого класса превысил показатели Swin-UNet на 4,8 процентного пункта, а DeepLabV3+ — на 7,3 пункта.
4
UniRepLKNet-SE объединяет обучение представлений с большими ядрами, канальную перенастройку squeeze-and-excitation и внимательное декодирование с межмасштабным слиянием признаков для картирования заброшенных сельхозугодий.
5
Широкий пространственный охват особенно помогал на фрагментированных террасах, тогда как многомасштабное слияние стабилизировало прогнозы при фенологическом несоответствии; для внедрения на уровне политики необходимы внешняя географическая проверка и многолетние данные об управлении землями.

заброшенные сельскохозяйственные угодья

точное дистанционное картографирование и классификация заброшенных сельскохозяйственных угодий, включая их различение с временно залежными, малозатратно обрабатываемыми и зарастающими травой угодьями, а также с сезонно оголённой почвой

Publication Details
Publication Date
2026-07-07
Journal
Publisher
ISSN
Access Type
Author Information
Authors
Ioachim Iancu
Laurentiu Jecu
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%