农业工程学报

编号 No.	上采样倍数 Upsampling factor	耕地 Cropland		防护林带 Shelterbelt	像素精度 Pixel accuracy (PA)
I	-	95.51	97.70	93.40	78.51	85.75	69.44	81.41	93.95
II	2	96.36	98.17	94.87	79.70	87.65	71.88	82.69	94.20
III	4	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89

编号
No.

上采样倍数
Upsampling
factor

耕地 Cropland

防护林带 Shelterbelt

平均交并比
Mean IoU
(mIoU)

像素精度
Pixel accuracy
(PA)

精确率
Precision P

召回率
Recall R

交并比
Intersection over union(IoU)

精确率
P

召回率
R

交并比
IoU

95.51

97.70

93.40

78.51

85.75

69.44

81.41

93.95

96.36

98.17

94.87

79.70

87.65

71.88

82.69

94.20

III

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

编号 No.	上采样倍数 Upsampling factor	耕地 Cropland		防护林带 Shelterbelt	像素精度 Pixel accuracy (PA)
I	-	95.51	97.70	93.40	78.51	85.75	69.44	81.41	93.95
II	2	96.36	98.17	94.87	79.70	87.65	71.88	82.69	94.20
III	4	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89

编号
No.

上采样倍数
Upsampling
factor

耕地 Cropland

防护林带 Shelterbelt

平均交并比
Mean IoU
(mIoU)

像素精度
Pixel accuracy
(PA)

精确率
Precision P

召回率
Recall R

交并比
Intersection over union(IoU)

精确率
P

召回率
R

交并比
IoU

95.51

97.70

93.40

78.51

85.75

69.44

81.41

93.95

96.36

98.17

94.87

79.70

87.65

71.88

82.69

94.20

III

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

模型 Modals	耕地 Cropland		防护林带 Shelterbelt	PA/%	参数量 Parameters/M
MFF-Net	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89	94.07
RS³ Mamba^[26]	93.09	95.81	92.08	82.53	85.05	73.99	81.69	93.20	45.63
DC-Swin^[27]	94.10	96.41	93.07	82.55	85.06	74.01	82.36	94.55	96.17
SSRS^[29]	90.21	95.69	91.74	79.91	82.82	70.68	80.14	91.01	48.72
SAM2-CD^[31]	92.80	96.13	92.07	80.09	83.80	71.58	81.22	93.16	85.31
DeepLabV3+^[13]	94.53	96.85	93.90	80.47	84.80	73.62	82.51	93.57	43.32
SegMAN^[32]	94.25	97.03	93.86	81.26	85.42	72.89	82.18	93.84	91.56
UNet^[7]	65.12	80.76	67.73	54.66	72.65	57.05	61.59	78.37	18.97

模型
Modals

耕地 Cropland

防护林带 Shelterbelt

mIoU/%

PA/%

参数量
Parameters/M

P/%

R/%

IoU/%

P/%

R/%

IoU/%

MFF-Net

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

94.07

RS³ Mamba^[26]

93.09

95.81

92.08

82.53

85.05

73.99

81.69

93.20

45.63

DC-Swin^[27]

94.10

96.41

93.07

82.55

85.06

74.01

82.36

94.55

96.17

SSRS^[29]

90.21

95.69

91.74

79.91

82.82

70.68

80.14

91.01

48.72

SAM2-CD^[31]

92.80

96.13

92.07

80.09

83.80

71.58

81.22

93.16

85.31

DeepLabV3+^[13]

94.53

96.85

93.90

80.47

84.80

73.62

82.51

93.57

43.32

SegMAN^[32]

94.25

97.03

93.86

81.26

85.42

72.89

82.18

93.84

91.56

UNet^[7]

65.12

80.76

67.73

54.66

72.65

57.05

61.59

78.37

18.97

模型 Modals	耕地 Cropland		防护林带 Shelterbelt	PA/%	参数量 Parameters/M
MFF-Net	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89	94.07
RS³ Mamba^[26]	93.09	95.81	92.08	82.53	85.05	73.99	81.69	93.20	45.63
DC-Swin^[27]	94.10	96.41	93.07	82.55	85.06	74.01	82.36	94.55	96.17
SSRS^[29]	90.21	95.69	91.74	79.91	82.82	70.68	80.14	91.01	48.72
SAM2-CD^[31]	92.80	96.13	92.07	80.09	83.80	71.58	81.22	93.16	85.31
DeepLabV3+^[13]	94.53	96.85	93.90	80.47	84.80	73.62	82.51	93.57	43.32
SegMAN^[32]	94.25	97.03	93.86	81.26	85.42	72.89	82.18	93.84	91.56
UNet^[7]	65.12	80.76	67.73	54.66	72.65	57.05	61.59	78.37	18.97

模型
Modals

耕地 Cropland

防护林带 Shelterbelt

mIoU/%

PA/%

参数量
Parameters/M

P/%

R/%

IoU/%

P/%

R/%

IoU/%

MFF-Net

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

94.07

RS³ Mamba^[26]

93.09

95.81

92.08

82.53

85.05

73.99

81.69

93.20

45.63

DC-Swin^[27]

94.10

96.41

93.07

82.55

85.06

74.01

82.36

94.55

96.17

SSRS^[29]

90.21

95.69

91.74

79.91

82.82

70.68

80.14

91.01

48.72

SAM2-CD^[31]

92.80

96.13

92.07

80.09

83.80

71.58

81.22

93.16

85.31

DeepLabV3+^[13]

94.53

96.85

93.90

80.47

84.80

73.62

82.51

93.57

43.32

SegMAN^[32]

94.25

97.03

93.86

81.26

85.42

72.89

82.18

93.84

91.56

UNet^[7]

65.12

80.76

67.73

54.66

72.65

57.05

61.59

78.37

18.97

方法 Methods	IoU	mIoU
MFF-Net	60.17	59.29	68.43	38.51	41.15	27.38	50.54
RS³ Mamba^[26]	58.75	57.92	61.00	37.24	39.67	25.64	46.93
DC-Swin^[27]	58.91	57.57	67.69	25.93	37.10	20.85	49.22
SSRS^[29]	57.83	56.18	66.37	26.39	38.94	23.52	47.99
SAM2-CD^[31]	59.08	53.16	66.14	26.88	38.91	23.57	48.71
DeepLabV3+^[13]	52.78	51.89	63.47	29.84	34.23	18.44	44.12
SegMAN^[32]	58.96	50.50	66.91	35.72	37.41	25.65	49.57
UNet^[7]	52.35	48.17	54.26	20.19	32.47	16.32	42.61

方法
Methods

IoU

mIoU

建筑
Building

道路
Road

河流
Water

荒地
Barren

森林
Forest

耕地
Cropland

MFF-Net

60.17

59.29

68.43

38.51

41.15

27.38

50.54

RS³ Mamba^[26]

58.75

57.92

61.00

37.24

39.67

25.64

46.93

DC-Swin^[27]

58.91

57.57

67.69

25.93

37.10

20.85

49.22

SSRS^[29]

57.83

56.18

66.37

26.39

38.94

23.52

47.99

SAM2-CD^[31]

59.08

53.16

66.14

26.88

38.91

23.57

48.71

DeepLabV3+^[13]

52.78

51.89

63.47

29.84

34.23

18.44

44.12

SegMAN^[32]

58.96

50.50

66.91

35.72

37.41

25.65

49.57

UNet^[7]

52.35

48.17

54.26

20.19

32.47

16.32

42.61

方法 Methods	IoU	mIoU
MFF-Net	60.17	59.29	68.43	38.51	41.15	27.38	50.54
RS³ Mamba^[26]	58.75	57.92	61.00	37.24	39.67	25.64	46.93
DC-Swin^[27]	58.91	57.57	67.69	25.93	37.10	20.85	49.22
SSRS^[29]	57.83	56.18	66.37	26.39	38.94	23.52	47.99
SAM2-CD^[31]	59.08	53.16	66.14	26.88	38.91	23.57	48.71
DeepLabV3+^[13]	52.78	51.89	63.47	29.84	34.23	18.44	44.12
SegMAN^[32]	58.96	50.50	66.91	35.72	37.41	25.65	49.57
UNet^[7]	52.35	48.17	54.26	20.19	32.47	16.32	42.61

方法
Methods

IoU

mIoU

建筑
Building

道路
Road

河流
Water

荒地
Barren

森林
Forest

耕地
Cropland

MFF-Net

60.17

59.29

68.43

38.51

41.15

27.38

50.54

RS³ Mamba^[26]

58.75

57.92

61.00

37.24

39.67

25.64

46.93

DC-Swin^[27]

58.91

57.57

67.69

25.93

37.10

20.85

49.22

SSRS^[29]

57.83

56.18

66.37

26.39

38.94

23.52

47.99

SAM2-CD^[31]

59.08

53.16

66.14

26.88

38.91

23.57

48.71

DeepLabV3+^[13]

52.78

51.89

63.47

29.84

34.23

18.44

44.12

SegMAN^[32]

58.96

50.50

66.91

35.72

37.41

25.65

49.57

UNet^[7]

52.35

48.17

54.26

20.19

32.47

16.32

42.61

图像样本 Image samples	耕地 Cropland		防护林带 Shelterbelt
1	1134.64	1062.85	71.79	6.33	82.43	86.85	4.42	5.36
2	1233.59	1108.49	125.10	10.14	81.26	86.19	4.93	6.07
3	1211.37	1141.47	69.90	5.77	60.97	67.09	6.12	10.04
4	1202.05	1108.66	93.39	7.77	89.77	94.77	5.00	5.57

图像样本
Image samples

耕地 Cropland

防护林带 Shelterbelt

实际面积
Actual area/hm²

估计面积
Estimated area/hm²

绝对误差
Absolute error/hm²

相对误差
Relative error/%

实际面积
Actual area/hm²

估计面积
Estimated area/hm²

绝对误差
Absolute error/hm²

相对误差
Relative error/%

1134.64

1062.85

71.79

6.33

82.43

86.85

4.42

5.36

1233.59

1108.49

125.10

10.14

81.26

86.19

4.93

6.07

1211.37

1141.47

69.90

5.77

60.97

67.09

6.12

10.04

1202.05

1108.66

93.39

7.77

89.77

94.77

5.00

5.57

图像样本 Image samples	耕地 Cropland		防护林带 Shelterbelt
1	1134.64	1062.85	71.79	6.33	82.43	86.85	4.42	5.36
2	1233.59	1108.49	125.10	10.14	81.26	86.19	4.93	6.07
3	1211.37	1141.47	69.90	5.77	60.97	67.09	6.12	10.04
4	1202.05	1108.66	93.39	7.77	89.77	94.77	5.00	5.57

图像样本
Image samples

耕地 Cropland

防护林带 Shelterbelt

实际面积
Actual area/hm²

估计面积
Estimated area/hm²

绝对误差
Absolute error/hm²

相对误差
Relative error/%

实际面积
Actual area/hm²

估计面积
Estimated area/hm²

绝对误差
Absolute error/hm²

相对误差
Relative error/%

1134.64

1062.85

71.79

6.33

82.43

86.85

4.42

5.36

1233.59

1108.49

125.10

10.14

81.26

86.19

4.93

6.07

1211.37

1141.47

69.90

5.77

60.97

67.09

6.12

10.04

1202.05

1108.66

93.39

7.77

89.77

94.77

5.00

5.57

模型编号 Model No.	处理 Treatments		耕地 Cropland	防护林带 Shelterbelt	mIoU	PA
A	×	×	×	94.86	98.01	93.38	79.19	86.76	71.13	79.37	93.28
B	√	×	×	95.76	98.12	94.03	79.97	86.93	71.87	80.63	93.86
C	√	√	×	96.29	98.38	94.45	81.58	87.48	73.88	82.05	94.05
D	√	√	√	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89

模型编号
Model No.

处理 Treatments

耕地 Cropland

防护林带 Shelterbelt

mIoU

MLLAFormer

FFTFormer

SGFM

IoU

94.86

98.01

93.38

79.19

86.76

71.13

79.37

93.28

√

95.76

98.12

94.03

79.97

86.93

71.87

80.63

93.86

√

96.29

98.38

94.45

81.58

87.48

73.88

82.05

94.05

√

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

模型编号 Model No.	处理 Treatments		耕地 Cropland	防护林带 Shelterbelt	mIoU	PA
A	×	×	×	94.86	98.01	93.38	79.19	86.76	71.13	79.37	93.28
B	√	×	×	95.76	98.12	94.03	79.97	86.93	71.87	80.63	93.86
C	√	√	×	96.29	98.38	94.45	81.58	87.48	73.88	82.05	94.05
D	√	√	√	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89

模型编号
Model No.

处理 Treatments

耕地 Cropland

防护林带 Shelterbelt

mIoU

MLLAFormer

FFTFormer

SGFM

IoU

94.86

98.01

93.38

79.19

86.76

71.13

79.37

93.28

√

95.76

98.12

94.03

79.97

86.93

71.87

80.63

93.86

√

96.29

98.38

94.45

81.58

87.48

73.88

82.05

94.05

√

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

融合多特征与超分辨的农田防护林带遥感语义分割模型

PDF下载

张琦 , 周云成 ^* , 赵鸿舸 , 武文豪 , 黄跃坤

农业工程学报 | 农业信息与电气技术 2026,42(12): 268-278

收起

农业工程学报 |农业信息与电气技术 2026 , 42 (12) : 268 -278

融合多特征与超分辨的农田防护林带遥感语义分割模型

全屏

[Author(id=1299828311149015370, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, orderNo=0, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=zq0106@stu.syau.edu.cn, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1299828311232901452, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311149015370, language=EN, stringName=Qi ZHANG, firstName=Qi, middleName=null, lastName=ZHANG, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1299828311300010317, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311149015370, language=CN, stringName=张琦, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=沈阳农业大学信息与电气工程学院，沈阳 110866, bio={"content":"

张琦，研究方向为深度学习与农业遥感。Email：zq0106@stu.syau.edu.cn

"}, bioImg=null, bioContent=

张琦，研究方向为深度学习与农业遥感。Email：zq0106@stu.syau.edu.cn

, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1299828311069323590, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, xref=null, ext=[AuthorCompanyExt(id=1299828311077712199, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China), AuthorCompanyExt(id=1299828311081906504, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=沈阳农业大学信息与电气工程学院，沈阳 110866)])]), Author(id=1299828311371313487, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, orderNo=1, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=zhouyc2002@syau.edu.cn, emailSecond=null, emailThird=null, correspondingAuthor=1, authorType=1, ext={EN=AuthorExt(id=1299828311442616657, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311371313487, language=EN, stringName=Yuncheng ZHOU, firstName=Yuncheng, middleName=null, lastName=ZHOU, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=^*, address=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1299828311505531218, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311371313487, language=CN, stringName=周云成, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=^*, address=沈阳农业大学信息与电气工程学院，沈阳 110866, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1299828311069323590, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, xref=null, ext=[AuthorCompanyExt(id=1299828311077712199, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China), AuthorCompanyExt(id=1299828311081906504, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=沈阳农业大学信息与电气工程学院，沈阳 110866)])]), Author(id=1299828311576834388, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, orderNo=2, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1299828311639748950, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311576834388, language=EN, stringName=Hongge ZHAO, firstName=Hongge, middleName=null, lastName=ZHAO, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1299828311698469207, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311576834388, language=CN, stringName=赵鸿舸, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=沈阳农业大学信息与电气工程学院，沈阳 110866, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1299828311069323590, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, xref=null, ext=[AuthorCompanyExt(id=1299828311077712199, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China), AuthorCompanyExt(id=1299828311081906504, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=沈阳农业大学信息与电气工程学院，沈阳 110866)])]), Author(id=1299828311769772377, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, orderNo=3, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1299828311845269851, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311769772377, language=EN, stringName=Wenhao WU, firstName=Wenhao, middleName=null, lastName=WU, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1299828311912378716, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311769772377, language=CN, stringName=武文豪, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=沈阳农业大学信息与电气工程学院，沈阳 110866, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1299828311069323590, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, xref=null, ext=[AuthorCompanyExt(id=1299828311077712199, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China), AuthorCompanyExt(id=1299828311081906504, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=沈阳农业大学信息与电气工程学院，沈阳 110866)])]), Author(id=1299828311979487582, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, orderNo=4, firstName=null, middleName=null, lastName=null, nameCn=null, orcid=null, stid=null, country=null, authorPic=null, dead=0, email=null, emailSecond=null, emailThird=null, correspondingAuthor=0, authorType=1, ext={EN=AuthorExt(id=1299828312050790752, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311979487582, language=EN, stringName=Yuekun HUANG, firstName=Yuekun, middleName=null, lastName=HUANG, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null), CN=AuthorExt(id=1299828312117899617, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, authorId=1299828311979487582, language=CN, stringName=黄跃坤, firstName=null, middleName=null, lastName=null, prefix=null, suffix=null, authorComment=null, nameInitials=null, affiliation=null, department=null, xref=null, address=沈阳农业大学信息与电气工程学院，沈阳 110866, bio=null, bioImg=null, bioContent=null, aboutCorrespAuthor=null)}, companyList=[AuthorCompany(id=1299828311069323590, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, xref=null, ext=[AuthorCompanyExt(id=1299828311077712199, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=EN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China), AuthorCompanyExt(id=1299828311081906504, tenantId=1146029695717560320, journalId=1296125453100220459, articleId=1297211787796046845, companyId=1299828311069323590, language=CN, country=null, province=null, city=null, postcode=null, companyName=null, departmentName=null, remark=沈阳农业大学信息与电气工程学院，沈阳 110866)])])]

张琦, 周云成^*, 赵鸿舸, 武文豪, 黄跃坤

作者信息

沈阳农业大学信息与电气工程学院，沈阳 110866

通讯作者:

周云成，博士，教授，研究方向为机器学习在农业信息处理中应用。Email：zhouyc2002@syau.edu.cn

作者简介:

张琦，研究方向为深度学习与农业遥感。Email：zq0106@stu.syau.edu.cn

Semantic segmentation of farmland shelterbelts using multi-feature and super-resolution remote sensing

Qi ZHANG, Yuncheng ZHOU^*, Hongge ZHAO, Wenhao WU, Yuekun HUANG

Affiliations

College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China

出版时间: 2026-06-30 doi: 10.11975/j.issn.1002-6819.202509002

文章导航

摘要

收起

农田防护林带在遥感影像中呈现为典型的狭长线状地物，其精确分割因全局上下文依赖强、局部特征微弱而面临严峻挑战。为实现耕地与防护林带的高精度自动化提取，该研究提出一种名为MFF-Net的语义分割模型。首先设计了多特征融合模块，该模块通过空间门控融合机制，自适应整合类Mamba算子的长程依赖建模能力、卷积的局部细节感知能力及傅里叶变换的频域边缘增强能力。同时，引入一种任务导向的超分辨率预处理流程，以提升输入影像质量，辅助模型识别细微地物。在自建农田防护林数据集上的试验结果表明，MFF-Net的耕地与防护林带分割精确率分别为96.42%与82.83%，平均交并比达83.45%，性能超越多种先进模型。消融试验证实，多特征融合策略贡献显著，其中频域特征使防护林带分割交并比提升2.80%。超分预处理作为有效辅助，使防护林带分割交并比进一步大幅提升6.61%。MFF-Net语义分割模型通过融合全局、局部与频域多元特征，能有效应对狭长地物分割挑战，结合超分辨预处理可进一步挖掘模型潜力。该研究为农田林网的精准监测与动态评估提供了一种可选的技术路径。

关键词

遥感 / 语义分割 / 农田防护林带 / 多特征融合 / 超分辨率 / 深度学习

Abstract

收起

Farmland shelterbelts can be represented as typical narrow linear features in remote sensing imagery. However, the significant challenges remain in accurate segmentation, due to their strong global contextual dependencies and weak local features. In this study, a semantic segmentation model, named MFF-Net, was proposed to accurately and rapidly extract cultivated land and shelterbelts. Multi-feature fusion block (MFFB) and spatially gated fusion mechanism (SGFM) were also adaptively integrated with three complementary approaches: the long-range dependency modeling using a mamba-like linear attention (MLLA) operator, the local detail perception in convolutional networks, and the frequency-domain edge enhancement via fast Fourier transform (FFT). The feature representation was effectively balanced when segmenting elongated objects. Furthermore, a task- oriented super-resolution preprocessing was introduced into the network. This front-end step was designed to reconstruct high-resolution images. Thereby, the textual details were enhanced to sharpen the boundaries of subtle features, like shelterbelts. Superior input was provided for the subsequent segmentation model. A series of experiments was performed on the self-constructed dataset of the farmland shelterbelt. The results demonstrate that the superior performance of MFF-Net was achieved in the precision rates of 96.42% for cropland and 82.83% for shelterbelts, with a mean intersection over union (mIoU) of 83.45%, thus outperforming a range of advanced models, including RS³Mamba, DC-Swin, DeepLabV3+, and SegMAN. Ablation studies validated the effectiveness of each component within the multi-feature fusion. Frequency-domain features via FFTFormer contributed to a 2.80% increase in the shelterbelt IoU, indicating the enhanced boundary discrimination. The spatially gated fusion mechanism (SGFM) further boosted the overall mIoU by 1.71%, indicating the adaptive balance on the contribution rates from different feature domains. Compared with a baseline model, the full MFFB was improved mIoU of 5.14%. Super-resolution preprocessing was integrated with the highly effective auxiliary strategy. Taking 4x upsampled images as the input, there was a remarkable 6.61% increase in shelterbelt IoU and a 2.47% gain in overall mIoU. The difficulties with segmenting narrow targets were effectively mitigated to augment their pixel-width and edge clarity. A complete technical pipeline was established from pixel-level segmentation to vectorization and application. Accurate area estimation was achieved with average relative errors of 7.50% for cropland and 6.76% for shelterbelts, compared with the national survey data. An application analysis of shelterbelt closure degree was also made on individual farmland plots. The 91.95% of the plots met the national standard requirement (≥0.75). In conclusion, the MFF-Net model can be expected to effectively segment the narrow linear features in complex landscapes. Synergistic fusion of global, local, and frequency-domain features was combined with task-oriented super-resolution enhancement. This research can provide a robust technical pathway for the precise monitoring and dynamic evaluation of farmland shelterbelt networks in ecological conservation.

Key words

remote sensing / semantic segmentation / farmland shelterbelt / multi-feature fusion / super-resolution / deep learning

引用本文

张琦, 周云成, 赵鸿舸, 武文豪, 黄跃坤. 融合多特征与超分辨的农田防护林带遥感语义分割模型. 农业工程学报, 2026 , 42 (12) : 268 -278 . DOI: 10.11975/j.issn.1002-6819.202509002

Qi ZHANG, Yuncheng ZHOU, Hongge ZHAO, Wenhao WU, Yuekun HUANG. Semantic segmentation of farmland shelterbelts using multi-feature and super-resolution remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2026 , 42 (12) : 268 -278 . DOI: 10.11975/j.issn.1002-6819.202509002

正文

收起

0　引言

收起

农田防护林带是农田生态系统的重要组成部分^[1]，在防风固沙、水土保持、调节小气候等方面发挥着关键作用，其构成的农田林网化程度已被纳入国家标准《耕地质量等级》（GB/T 33469—2016）的核心评价指标之一^[2]。目前，农田林网化程度调查主要依赖人工野外踏勘与遥感目视解译，存在效率低、主观性强等问题。因此，发展基于遥感影像的自动化、高精度防护林带提取方法，对于提升耕地质量监测效率与科学性具有重要意义。

传统的遥感地物提取方法多依赖于人工设计特征（如光谱、纹理、形状等），结合支持向量机^[3]、随机森林^[4]、决策树^[5]等机器学习分类器实现。例如，高峰等^[6]基于GF-2影像提取多类特征，构建SVM模型提取荒漠绿洲区防护林带；李萌等^[7]融合多源遥感数据，利用随机森林实现了林地类型的有效识别，分类精度达92.85%。然而，这类方法在特征构造与选择上依赖专家经验，且受限于中低分辨率影像的空间细节表达能力，难以有效捕捉农田防护林带这类狭长、稀疏分布的线状地物。

近年来，深度学习方法为遥感语义分割提供了新的路径。以U-Net^[8]为代表的编码器-解码器架构被广泛应用。陈妮等^[9]基于国产高分系列与资源三号卫星数据，应用U-Net实现了土地利用类型的提取，准确率达90.95%。XU等^[10]通过改进U-Net的跨越连接结构与损失函数，增强了模型对耕地边缘特征的提取能力，在Landsat-5影像上取得了91.74%的识别精度。朱昱等^[11]在U-Net基础上引入D-LinkNet架构，通过融合深层语义特征与边缘概率图，显著提升了GF-2影像中耕地边界特征的完整性。为进一步增强多尺度特征提取能力，RU等^[12]将空间金字塔池化模块嵌入U-Net中，构建了多尺度上下文特征融合网络。刘振国等^[13]则以轻量化的MobileNetV2替换DeepLabV3+^[14]的Xception主干网络，在保持特征提取效率的同时实现了荔枝种植区域的精准识别。然而，当面对农田防护林带这一特殊地物时，现有深度学习模型仍面临一个核心问题，即模型特征表征能力与地物复杂形态需求之间的不匹配。首先是全局与局部特征的失衡，基于CNN的模型（如DeepLabV3+^[14]）虽善于捕捉局部纹理，但其固定感受野难以建模防护林带所需的长距离空间依赖性，导致分割结果出现断裂；而引入自注意力机制的Transformer类模型（如Swin Transformer^[15]）虽能捕获全局上下文，却在局部细节与边缘锐度的保持上有所不足。其次是细微地物与有限分辨率之间的矛盾，防护林带在影像中呈现为狭长条带状且像素占比极低，受限于原始影像空间分辨率，其纹理和边缘等高频信息微弱，使得模型难以将其与光谱相似的地物（如作物、草地）进行有效区分。

针对上述问题，本研究构建一种融合多特征与超分辨率的农田防护林带语义分割模型（multi-feature fusion network，MFF-Net）。本文的核心工作包括两个方面：其一，设计一个多特征融合模块，该模块通过空间门控融合机制，旨在整合类Mamba线性注意力的全局上下文建模、卷积网络的局部细节感知与傅里叶变换的频域边缘增强这三类能力，以探索其对改善狭长地物特征表征的作用。其二，在语义分割模型前端引入一个任务导向的超分辨率预处理流程，以期通过重建高分辨率影像来增强地物纹理与边界细节，从而在输入层面辅助后续的细微目标分割。在自建的农田防护林网数据集上开展试验，验证所提模型的有效性。

1　材料与方法

收起

1.1　研究区与数据集构建

选取松嫩平原中南部部分区域（45°37′20.57″N～46°20′53.26″N，125°26′46.64″E～126°07′29.10″E）作为研究区（图1），面积约4100 km²。该区域位于黑龙江省农田防护林重点监测区内，中温带半湿润大陆性季风气候，无霜期130～150 d，主要种植作物为玉米、水稻与大豆，一年一熟制，作物生长季内主导风向为偏南风，防护林带主要以杨、柳、松等树种为主。

研究选择吉林一号高分03星（JL1GF03）的遥感影像作为主要数据源，多光谱数据包含蓝（450～520 nm）、绿（520～600 nm）、红（630～690 nm）和近红外（760～900 nm）4个波段，空间分辨率为3 m，全色影像空间分辨率为0.75 m。选用研究区2020—2022年8—9月期间，云量低于3%的15景遥感影像作为研究数据。数据经辐射定标、大气校正及几何精校正等预处理。选用多光谱数据的蓝（B）、绿（G）、红（R）波段与空间分辨率更高的全色影像，在ENVI软件中采用 Gram-Schmidt算法进行数据融合以生成空间分辨率为0.75m的RGB影像。该处理旨在克服原始多光谱影像空间分辨率不足的局限，通过引入全色影像的精细细节，生成地物边界更清晰、纹理更丰富的高质量融合影像，为后续语义分割模型提供可靠的输入基础，这对于精确提取狭长的防护林带等细微地物至关重要。最终影像存储为GeoTIFF格式以备后续使用。

为消除影像边缘的无数据区域（黑边），基于像素值阈值，识别并切除影像周边的无效黑边，提取出有效观测区域，进一步裁剪为大小5000×5000像素的系列图像，并剔除耕地与防护林带占比较少的图像，便于后续做语义标注，共得到150幅图像。针对语义分割模型的训练与评估需求，应用LabelImg标注工具对图像进行人工标注，标注出耕地田块和防护林带掩码，其他区域则被标注为背景，3类像素占比分别为65.52%、5.25%和29.93%。150幅图像及对应的语义标注结果共同构成农田防护林网数据集。进一步按4:1的比例随机将数据集划分为训练集和测试集，用于模型的训练与评估。

1.2　总体技术框架

基于遥感影像实现农田防护林带的精确分割与空间分析，对耕地质量评价及生态效益评估具有重要意义。然而，防护林带在影像中通常呈现为狭长条带，其精确分割面临挑战，且基于像素级分割结果直接开展空间分布分析存在诸多不便。为此，本研究构建了一套集成遥感影像超分辨率预处理、语义分割与矢量化分析的技术框架（图2），系统提升防护林带提取精度并拓展其应用。

为提高防护林带的分割效果，首先引入超分辨率预处理作为前端增强手段。通过重建高分辨率影像，有效增加林带的像素宽度、锐化其边缘特征，从而为后续语义分割模型提供更优质的输入，缓解因目标狭窄、边界模糊导致的分割困难。语义分割是本文的核心环节，通过精心设计的语义分割模型生成像素级分类掩码M。

基于M可直接统计各地类像素数目，初步估算耕地与林带面积，为实现更复杂的空间分析，本研究进一步对 M进行矢量化处理，具体流程如图3a。首先基于M生成耕地与防护林带的二值化图

$ {B}_{c} $

，如式（1）所示：

$ {B}_{c}\left(i,j\right)=\begin{cases} 1 & \text{if}\;\;{M}_{i,j}=c\\0 & \text{otherwise}\end{cases} $

(1)

依次对

$ {B}_{c} $

进行形态学闭运算与开运算，以填充孔洞、去除噪声、平滑边界；采用边界追踪算法^[16]提取区域轮廓像素坐标；利用Douglas-Peucker算法^[17]进行边界简化，降低坐标冗余；基于遥感影像的地理坐标映射关系，通过地理空间数据抽象库（geospatial data abstraction library，GDAL）生成具有地理参考的面状矢量数据。为探讨矢量化结果工程化应用的可行性，以防护林带闭合度评估为例开展应用分析。首先获取单个田块多边形及其周边缓冲区内的防护林带多边形；进而，将林带边界点与田块几何中心连线，计算其覆盖的最大几何角度，即保护角（图3b）；最终，累计田块周围所有林带的保护角，其与360°的比值即为该田块的防护林带闭合度。用该指标评估农田林网化程度的达标情况。

1.3　基于多特征融合的语义分割模型设计

语义分割模型的分割性能直接影响矢量化结果及应用潜力。特征提取模块是语义分割模型的核心构造块，其特征提取能力决定模型性能。本研究根据田块和防护林带影像特点，优化设计特征提取模块，并基于该模块，应用编码器和解码器架构设计语义分割模型。

1.3.1　特征提取算子选择及优化设计

在遥感影像中，田块占图像大部分区域，属大尺度目标，防护林带则属于狭长目标，该特点要求特征提取模块能够在图像上下文中快速捕获全局信息，以建立同一目标各局部特征的空间相关性，使同一目标物被分割为连续区域，避免破碎化。作物、林木、草地等绿色植被反射光谱近似，区分难度大，需借助纹理特征的微弱差异，其要求特征提取模块能够有效捕获图像纹理的高频细节特征。因此，除基本的局部特征外，特征提取模块也应具有全局上下文和频域特征的融合提取能力。

Transformer的多头注意力（multi-head self-attention，MHSA）机制能够有效提取并融合全局上下文特征，但其计算复杂度为O(n²)，n为特征数量，计算开销大。Mamba^[18]是一种具有全局注意力的特征提取算子，该算子的核心是选择性状态空间模型（selective state space model，SSSM），其依赖并行扫描实现训练，但GPU对递归计算的优化不如矩阵乘法，会产生计算瓶颈。HAN等^[19]研究表明，SSSM是线性注意力（linear attention，LA）^[20]的一种特殊变种，该变种可表示为具有额外输入门和遗忘门的LA，由此构建了类Mamba的线性注意力（Mamba-like linear attention，MLLA）算子。MLLA在保持全局注意力的同时，将计算复杂度降为O(n)，因此本研究用MLLA取代Transformer的MHSA，构建MLLAFormer（图4a），用其提取并融合遥感影像的全局上下文特征。

卷积模块在图像局部特征提取方面具有优势，其有效性已在多类计算机视觉任务中得到验证，为降低计算复杂度，本研究用PConv和DConv组合作为局部特征提取算子。同时为增强局部特征表达能力，并降低潜在特征冗余，在卷积算子后应用通道注意力算子

$ \phi $

（式（2））。

$ \phi(X)=\mathrm{\mathrm{\mathrm{\mathrm{\mathit{\sigma}}}}}\left(W_l\omega\left(X\right)\right) $

(2)

式中X为输入特征，

$ \omega $

表示全局平均池化，

$ {W}_{l} $

为线性变换（Linear）的权重参数，σ表示Sigmoid激活。应用算子

$ \phi $

的卷积块结构如图4b。LIN等^[21]研究表明Transformer的结构设计是其取得成功的关键因素之一，为利用该设计，并保持特征提取算子结构上的一致性，本研究用该卷积块取代Transformer的MHSA，构建ConvFormer（图4b），用其提取图像局部特征。

Transformer的多层感知机（multi-layer perceptron，MLP）在图像的空间域上更倾向于低频特征提取^[22]，对精细纹理和锐利边缘的捕捉能力有限，不利于保留分割结果中的精细化目标边缘。傅里叶特征变换能够捕获高频细节^[23]，因此本研究应用快速傅里叶变换（fast Fourier transform，FFT）将输入由空间域转换为频域，进一步由MLP直接在频域空间上提取图像特征，即在FFT基础上构建FFTFormer（图4c），用其提取影像的频域特征。

1.3.2　基于空间门控的多特征融合模块设计

MLLAFormer、ConvFormer和FFTFormer分别在全局、局部和频域空间上提取遥感影像的多元特征。在语义分割网络的不同层次，3种特征提取算子应具有不同的贡献度。本研究提出用空间门控融合机制（spatially gated fusion mechanism，SGFM）自适应地平衡不同算子的贡献度，该机制的计算过程如式（3）～（4）所示：

$ G=\mathrm{\sigma}(\psi^{(1)}([X_1,X_2])) $

(3)

$ Y=G\odot {X}_{1}+(1-G)\odot {X}_{2} $

(4)

式中

$ {X}_{1},{X}_{2}\in {\mathbb{R}}^{c\times h\times w} $

为不同特征提取算子提取的特征图，

$ [,] $

表示在通道维度上进行特征级联，

$ {\psi }^{(1)} $

为输出通道数为1的点卷积，

$ G\in {\mathbb{R}}^{1\times h\times w} $

为空间维度上的门控平面，

$ Y\in {\mathbb{R}}^{c\times h\times w} $

为X₁、X₂在空间维度上的融合结果，c、h、w分别表示特征图Y的通道数、高度和宽度。

用MLLAFormer、ConvFormer和FFTFormer提取不同类型特征，用SGFM进行特征融合，构建多特征融合模块（multi-feature fusion block，MFFB）。MFFB包含局部和全局两个子层（图5），在局部子层中，输入特征图

$ {F}_{{\mathrm{in}}}\in {\mathbb{R}}^{c\times h\times w} $

先经过ConvFormer和FFTFormer两个并行分支做局部和频域特征提取，获取

$ {X}_{1} $

、

$ {X}_{2} $

,进一步用SGFM做特征融合，生成Y。为重用已有特征，为局部子层引入第3个并行分支，该分支通过可学习参数

$ \gamma \in {\mathbb{R}}^{c} $

对输入特征进行缩放，并与Y做进一步融合，如式（5）所示：

$ F\mathrm{_{out}}=\gamma F\mathrm{_{in}}+Y $

(5)

式中

$ {F}_{{\mathrm{out}}}\in {\mathbb{R}}^{c\times h\times w} $

为局部子层输出。MFFB的全局子层用MLLAFormer提取全局特征，其结构与局部子层类似。

1.3.3　编码器设计

以MFFB为基础，构建语义分割模型（图6a），并命名为MFF-Net。首先设计模型的编码器，该编码器包含4个阶段，各阶段先用由卷积层构成的模块（图6b）进行基本特征提取，并将特征图通道数调整为

$ {D}_{i} $

，

$ i\in \{1,2,3,4\} $

为阶段编号，同时用跨步卷积对输入特征图进行空间下采样，其后堆叠

$ {L}_{i} $

个MFFB模块。

$ {L}_{i} $

和

$ {D}_{i} $

将作为编码器超参数，分别用于控制网络的深度（层数）和宽度（输出特征通道数）。编码器各阶段产生空间尺度不同的特征图

$ {F}_{i}\in {\mathbb{R}}^{{{D}_{i}}\times H/{{2}^{i+1}}\times W/{{2}^{i+1}}} $

，H、W表示模型输入图像的高和宽。不同尺度的特征图

$ {F}_{i} $

构成特征金字塔，用作解码器的输入。

1.3.4　解码器与多尺度环境特征提取模块设计

解码器首先对编码器输出的不同层特征图（

$ {F}_{2} $

、

$ {F}_{3} $

和

$ {F}_{4} $

）进行聚合。应用3个并行分支，将不同尺度的特征图上采样到相同的空间尺度。对于其中任一分支，首先用点卷积将特征图

$ {D}_{i} $

的通道数由

$ {D}_{i} $

统一调整为C（用作解码器超参数），进而用双线性插值对特征图进行上采样，得到

$ {F}_{upi}\in {\mathbb{R}}^{C\times H/8\times W/8} $

。对3个并行分支的上采样结果进行通道维度级联，并用点卷积对级联结果进行特征聚合和通道维度调整，如式（6）所示：

$ F={\psi }^{(N)}([{F}_{up2},{F}_{up3},{F}_{up4}]) $

(6)

式中

$ F\in {\mathbb{R}}^{N\times H/8\times W/8} $

为聚合特征，N表示F的通道数，也是解码器的另一超参数。

对输入影像的上下文环境进行多尺度建模，能够促进模型的跨尺度语义表征，对解决类内尺度变化、增强类别间区分度具有重要作用。进一步构建多尺度环境特征提取（multi-scale context extraction，MSCE）模块（图6c），用于增强解码器的多尺度环境建模能力。MSCE的输入为聚合特征F，该模块同样包含3个分支，各分支通过卷积和像素逆重排（pixel unshuffle，PU）操作实现多尺度上下文环境建模。其中分支1直接用PU将F在空间维上非重叠的4×4特征块重新排列在通道维上，产生该分支的输出

$ {F}_{s1} $

，该操作在保持信息不丢失的前提下，将4×4区域的上下文环境信息直接融合为1个像素，该分支的等价感受野为4×4。分支2先采用步长为2的3×3卷积对F进行特征提取，进一步用PU将非重叠的2×2块排列在通道维度上，生成结果

$ {F}_{s2} $

，该分支的等价感受野为5×5。分支3则用跨步为4的5×5卷积对F进行更大尺度的环境特征提取，生成

$ {F}_{s4} $

。各分支的特征提取感受野存在差异，即分别提取了不同尺度的上下文环境信息。对

$ {F}_{s1} $

、

$ {F}_{s2} $

和

$ {F}_{s4} $

进行融合，为降低计算复杂度同时平衡各尺度环境特征的贡献，融合前应用点卷积将三者的通道维度调整为N。MSCE的3个分支分别提取了不同尺度的环境特征，但仍缺少全局性的环境特征。进一步应用MLLAFormer，在级联后的多尺度环境特征上融合出全局特征，整个融合过程可表示为式（7）：

$ {F}_{s}=\text{MLLAFormer}([{\psi }^{(N)}({F}_{s1}),{\psi }^{(N)}({F}_{s2}),{\psi }^{(N)}({F}_{s4})]) $

(7)

式中

$ {F}_{s} $

表示具有全局性的多尺度环境特征。进一步对

$ {F}_{s} $

进行上采样，使其与F的空间尺度相同，并应用点卷积调整通道维度，即有式（8）：

$ F{'}={\psi }^{(N)}(U({F}_{s})) $

(8)

式中

$ F{'} $

为MSCE生成的多尺度环境特征，

$ U $

表示上采样。

1.3.5　分割模型的损失函数定义

本研究构建的数据集中多种地类像素占比存在着明显的不平衡，若直接采用常规的交叉熵损失进行优化，分割模型会严重倾向于耕地主导类别，而对占比极小的防护林带学习不足，导致其分割性能下降。为解决该问题，需设计对类别分布不敏感的损失函数。为此，本研究采用了混合损失函数策略，融合交叉熵损失与Dice损失的优点。交叉熵损失

$ {L}_{{\mathrm{CE}}} $

逐像素衡量预测与真实标签的概率分布差异，有利于模型收敛。Dice损失

$ {L}_{{\mathrm{Dice}}} $

则直接优化预测区域与真实区域之间的重叠度，其对类别不平衡问题具有更强的鲁棒性，能有效缓解训练过程中大类别主导梯度的问题。最终，语义分割模型的总损失函数L定义为二者的加权和，如式（9）～（11）所示：

$ {L}_{{\mathrm{CE}}}=-\frac{1}{HW}{M}_{{\mathrm{gt}}}\log (M) $

(9)

$ {L}_{{\mathrm{Dice}}}=1-\frac{2{M}_{{\mathrm{gt}}}M}{M_{{\mathrm{gt}}}^{2}+{M}^{2}} $

(10)

$ L=\alpha {L}_{{\mathrm{CE}}}+\beta {L}_{{\mathrm{Dice}}} $

(11)

式中M_gt为与输入图像对应的真实语义标注，α、β为权重平衡系数。以argmin L为目标，对语义分割模型进行端到端优化，直至损失函数收敛至稳定值。

1.4　面向分割任务的超分辨率预处理模型

为提升语义分割模型对防护林带等细微地物的识别能力，本研究引入一个任务导向的超分辨率预处理流程。该流程旨在将输入的低分辨率遥感影像重建为高分辨率影像，以增强地物纹理、锐化目标边缘，从而为后续分割模型提供更精细的输入。基于所设计的多特征融合模块，构建超分辨率模型（图7）。该模型采用了当前研究^[24]中的通用架构：首先通过卷积层提取浅层特征，随后堆叠多个由MFFB模块构成的特征提取层（feature extraction layer，FEL）以挖掘深层特征，最后通过一个专门设计的上采样器（Upsampler）重建高分辨率结果。本研究设计的上采样器集成了转置卷积与像素重排两种上采样路径，并利用SGFM自适应地融合双路径输出，以期在增大图像尺度的同时，更好地恢复利于语义分割的高频结构信息。在训练阶段，为促使重建影像在结构和细节上更贴合分割任务的需求，采用结合L₁损失函数^[25]与结构相似性损失L_SSIM^[26]的混合损失函数进行超分辨率模型优化，其定义如式（13）所示：

$ {L}_{\sup }={\lambda }_{1}{\left| {\text{HR}}_{\text{GT}}-{\text{HR}}_{\text{SR}}\right| }_{1}+{\lambda }_{2}{L}_{\text{SSIM}}\left({\text{HR}}_{\text{GT}},{\text{HR}}_{\text{SR}}\right) $

(12)

式中

$ {\lambda }_{1} $

、

$ {\lambda }_{2} $

为平衡两项损失的权重系数，

$ {\text{HR}}_{\text{SR}} $

为模型输出的超分辨重建图像，

$ {\text{HR}}_{\text{GT}} $

为高分辨率图像。最终，训练完成的超分辨率模型被固定为前端处理器，用于在语义分割前对输入影像进行分辨率提升。

1.5　模型的训练与评估

在配置有Intel Xeon Silver 4314 处理器，128 GB内存，Nvidia L20计算卡，Windows Server 2022操作系统，CUDA 11.8加速库的多台计算机上开展模型的训练及测试试验。基于PyTorch 2.7，应用Python实现遥感影像语义分割模型及超分辨预处理模型，同时实现图2技术框架对应的计算机程序。用农田防护林网训练集和AdamW优化器训练分割模型，学习率设定为10⁻⁵，输入图像分辨率设为512×512像素，训练过程中采用随机裁剪图像块，图像块随机翻转和颜色抖动等方法对数据进行增广。语义分割模型的性能评估采用类别精确率（precision，P）、召回率（recall，R）、交并比（intersection over union，IoU）、像素精度（pixel accuracy，PA）和平均交并比（mean IoU，mIoU）^[26,34]等指标。遥感影像超分辨率预处理模型的训练则采用与文献[23]相同的方法。

2　结果与分析

收起

2.1　超分辨率预处理对语义分割效果的影响

为定量评估超分辨率预处理对农田林网语义分割的有效性，采用本研究语义分割模型MFF-Net，设置3组对照试验，试验I为对照组，直接输入原始分辨率影像，试验II的输入为经2倍超分辨上采样的影像，试验III则输入经4倍超分辨上采样的影像。在本研究中，MFF-Net的超参数设置为L₁=2、L₂=4、L₃=8、L₄=4、D₁=64、D₂=128、D₃=256、D₄=512、C=320、N=96。分别计算3组试验的语义分割精度，结果如表1所示。

由表1可知，超分辨率预处理对分割性能具有明显的提升作用。与对照组相比，4倍上采样的耕地和防护林带分割精确率分别提高0.91和4.32个百分点，IoU分别提升1.85%和6.61%，语义分割的mIoU提升2.51%。超分辨率预处理对耕地和防护林带的分割均具有促进作用，特别是有效提高了防护林带的分割精度。超分辨重建增强了图像的高频分量，可改善语义分割模型的纹理判别能力，同时超分辨预处理提高了狭长防护林带的宽度和边缘细节信息，有效缓解了语义分割模型难以分割狭长目标的问题。本研究还同时开展了8倍上采样的分割试验，但出现了性能快速下降的问题，这是因为大幅上采样后的影像出现了伪影，影像风格与训练样本有很大差异，使分割模型性能大幅下降，故不再报告此数据。总体上，一定倍数的超分辨率预处理对分割精度具有显著的提升作用，特别是难以分割的狭长防护林带。

2.2　语义分割模型性能综合评估

2.2.1　不同模型的分割结果对比

为验证MFF-Net的有效性，将其与多种具有代表性的先进语义分割模型进行对比，包括基于Mamba^[18]的RS³Mamba^[27]、基于Swin Transformer^[15]的DC-Swin^[28]、在基础模型SAM^[29]微调的SSRS^[30]、基于SAM2^[31]微调的SAM2-CD^[32]，以及基于卷积的DeepLabV3+^[14]、SegMAN^[33]和UNet^[8]。用农田林网数据集对各模型进行训练和测试，所有模型的输入均为4倍上采样超分辨率预处理后的影像，结果如表2。

由表2可知，本研究提出的MFF-Net模型在各项评估指标上均表现最佳。模型在耕地分割上的精确率与IoU分别达到96.42%与95.13%，在更具挑战性的防护林带分割上，二者也分别达到82.83%与74.03%。模型的综合性能指标mIoU为83.45%，像素精度PA达94.89%。相较于同样引入状态空间模型的RS³Mamba，MFF-Net模型mIoU提升2.15%，防护林带召回率提升2.94个百分点，表明其能更有效地捕捉狭长林带目标，减少漏检。与基于Swin Transformer的DC-Swin相比，MFF-Net模型mIoU提升1.32%，体现了多特征融合策略相对于单一Transformer架构的优越性。与基于SAM系列微调的SSRS和SAM2-CD相比，MFF-Net也有明显的优势。与广泛应用的DeepLab V3+相比，其在耕地和防护林带分割IoU上分别提升1.31%与0.56%，mIoU提高1.14%，PA提高1.32个百分点，凸显了本文模型架构在特定任务上的针对性提升。与同样注重多尺度上下文建模的SegMAN相比，MFF-Net在防护林带分割的召回率和IoU上也均有明显提升，表明其融合频域特征的策略在捕捉狭长目标的连续性和完整性方面更具优势。与UNet相比，MFF-Net的分割精度远高于前者。

在参数量方面，MFF-Net低于DC-Swin，与SegMAN接近，高于常用模型DeepLabV3+等，但本研究模型在耕地和防护林带的分割性能上也高于对比模型，特别是有效提高了狭长林带的召回率。考虑到农田防护林监测、高精度农业遥感制图等任务对完整性要求极高，精度优先的设计是合理的。图8展示了各模型在典型区域的分割结果可视化对比，MFF-Net生成的分割掩码最接近真实标注。特别是在防护林带区域，RS³ Mamba与DeepLabV3+均出现明显断裂，而MFF-Net能有效保持林带的连续性与完整性。同时，在耕地与林带边界处，MFF-Net的边界更加平滑精确，展现出良好的细节保持能力。综上，MFF-Net通过融合全局、局部与频域特征，能够有效缓解传统模型在狭长林带分割中出现的断裂与边界模糊问题，有效提升了耕地与防护林带的分割精度。

为深入验证MFF-Net的泛化能力，进一步在LOVEDA数据集^[35]上开展方法间比较试验（表3）。由表3可知，MFF-Net在各类地物上取得了最高的分割精度。由于LOVEDA数据集场景复杂、类别多样且样本分布不均，其中耕地更为小样本，具有较高的分割难度。分割模型在耕地类别上得不到有效训练，分割精度较低，但本研究模型在该类地物的分割上仍优于其他方法。尤其在道路、河流等狭长地物上，MFF-Net具有明显优势。上述结果说明，即使在高难度数据集上，本方法仍能保持最优性能，表明方法是有效性。

2.2.2　基于分割结果的面积提取与应用分析

像素级的精度评估验证了MFF-Net模型的分割质量。然而，在遥感宏观监测应用中，地物面积的准确提取至关重要。为此，本研究从农田防护林测试集中随机选择4个图像样本，用MFF-Net生成分割掩码，按图3a所示技术方法转换为矢量面数据（Shape格式），并计算耕地与防护林带的面积提取精度，进而从地理信息产品层面评估本方法的实用价值。其中样本图像覆盖区域的耕地与防护林带实际面积来自于第三次全国国土调查（2021年发布），结果如表4。

分析表4中的数据可知，基于MFF-Net分割结果矢量化得到的面积具有较高的准确性。耕地面积反演的平均相对误差约为7.50%，而形态细长、破碎的防护林带，其面积反演的平均相对误差甚至更低，约为6.76%。表明本研究方法不仅能在像素级别实现精确分割，也具有产出较高精度地理信息产品的能力，以满足实际业务中对面积统计的需求。防护林带面积反演精度高，且因为MFF-Net对林带整体连续性和边界形态的良好保持，部分抵消了因面积基数小而产生的绝对误差影响。

为进一步展示矢量化结果在空间分析中的应用潜力，对其中一幅测试样本图像对应区域进行基于矢量数据的防护林带闭合度分析。根据国家标准《农田防护林工程设计规范》（GB/T 50817-2013），田块周围防护林带的闭合度在0.75以上为达标。基于矢量化结果，按图3b所示方法计算防护林带闭合度。结果表明（图9），在影像覆盖范围内，按面积计算，91.95%的田块周边防护林带闭合度达到标准要求。同时基于人工标注结果计算的闭合度达标情况为89.37%，两者差异较小。该结果初步证明了本方法所提取的矢量数据能够有效支持复杂空间分析，为农田林网化程度的自动化、定量化评估提供了可能，展现了良好的工程应用前景。

2.2.3　多特征融合模块的消融试验

为进一步分析MFFB核心子模块MLLAFormer、FFTFormer和SGFM对语义分割的作用，构建了4个变体模型。基线模型A不启用MLLAFormer、FFTFormer和SGFM，即在MFFB中用ConvFormer取代MLLAFormer和FFTFormer，用逐元素加运算取代SGFM。模型B在模型A基础上启用MLLAFormer，模型C在模型B基础上启用FFTFormer，模型D为本研究的最终模型，进一步启用了SGFM。在农田林网数据集上，对各模型采用相同的训练和测试方法，结果如表5。

由表5可知，随着MFFB中各子模块的逐步引入，模型的语义分割性能逐渐提高。在模型A的基础上，模型B引入MLLAFormer，使得耕地分割IoU提高了0.70%，精确率提高了0.90个百分点，防护林带分割IoU提高1.04%，表明MLLAFormer的全局上下文建模能力，对大尺度和狭长目标的分割均具有促进作用。模型C在模型B的基础上，引入FFTFormer，使得耕地和防护林带分割精确率分别提高0.53和1.61个百分点，IoU分别提高0.45%和2.80%，mIoU提高1.76%，表明FFTFormer的频域特征对狭长目标分割具有重要作用。频域特征提取能够增强狭长地物边界特征的清晰度，提高不同地物边界的可区分性。模型D在模型C的基础上，进一步引入SGFM，使得防护林带分割精确率提高了1.25个百分点，mIoU提升1.71%，表明SGFM对语义分割精度的提高具有一定贡献。SGFM的空间门控加权能够协调局部、全局、频域空间特征的协同优化，对提升模型语义分割性能具有正向作用。相较于模型A，模型D的耕地分割精确率和IoU分别提升1.56个百分点和1.87%，防护林带的分割精确率和IoU分别提升3.64个百分点和4.08%，mIoU提高5.14%，验证了MFFB模块设计的有效性。总体上，多特征融合的耦合设计，有效提升了农田林网语义分割精度。

3　结论

收起

本文提出了一种融合多特征与超分辨预处理的农田防护林带遥感语义分割模型，核心是设计了多特征融合模块MFFB，其通过空间门控融合机制整合了类Mamba线性注意力的全局上下文建模能力、卷积的局部细节感知能力以及傅里叶变换的频域边缘增强能力。在自建的农田防护林数据集上开展了试验验证，主要结论如下：

1）基于MFFB构建的语义分割模型MFF-Net，在农田防护林数据集上取得了耕地分割精确率96.42%、防护林带分割精确率82.83%、平均交并比83.45%的优异性能。

2）通过消融试验验证了多特征融合与超分辨预处理的有效性。频域特征的引入使防护林带分割交并比提升2.80%，空间门控融合机制进一步将平均交并比提升了1.71%。引入超分辨率预处理流程，通过4倍上采样重建影像细节，使防护林带分割交并比大幅提升6.61%，平均交并比提升2.51%，有效缓解了狭长目标的分割难题。

3）完成了从像素级分割掩码到矢量地理信息的转换，并基于矢量化结果开展了面积提取与防护林带闭合度评估应用，实现了完整技术闭环。面积提取结果表明，耕地与防护林带的平均相对误差分别为7.50%与6.76%，为农田林网化程度的自动化、定量化评估提供了可靠的技术路径，具备较强的工程应用前景。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

陈正发, 龚爱民, 张刘东, 等. 基于质量评价的省域尺度坡耕地质量调控体系构建[J]. 农业工程学报, 2021, 37(20): 136-145.

CHEN Zhengfa, GONG Aimin, ZHANG Liudong, et al. Construction of the quality regulation system for provincial scale slope farmland based on quality evaluation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 136-145. (in Chinese with English abstract)

何新莹, 聂艳, 王朴, 等. 基于改进灰靶模型的耕地质量评价方法与实证[J]. 土壤学报, 2023, 60(4): 1007-1016.

HE Xinying, NIE Yan, WANG Pu, et al. Cultivated land quality evaluation method and demonstration based on improved grey target model[J]. Acta Pedologica Sinica, 2023, 60(4): 1007-1016. (in Chinese with English abstract)

王春雷, 卢彩云, 李洪文, 等. 基于支持向量机的玉米根茬行图像分割[J]. 农业工程学报, 2021, 37(16): 117-126.

WANG Chunlei, LU Caiyun, LI Hongwen, et al. Image segmentation of maize stubble row based on SVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(16): 117-126. (in Chinese with English abstract)

陈元鹏, 罗明, 彭军还, 等. 基于网格搜索随机森林算法的工矿复垦区土地利用分类[J]. 农业工程学报, 2017, 33(14): 250-257.

CHEN Yuanpeng, LUO Ming, PENG Junhuan, et al. Classification of land use in industrial and mining reclamation area based grid-search and random forest classifier[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(14): 250-257. (in Chinese with English abstract)

CHANMEE S, KESORN K. Semantic decision trees: A new learning system for the ID3-based algorithm using a knowledge base[J]. Advanced Engineering Informatics, 2023, 58: 102156.

高峰, 姜群鸥, 辛智鸣, 等. 荒漠绿洲区带状防护林遥感提取方法研究——以磴口为例[J]. 光谱学与光谱分析, 2022, 42(12): 3896-3905.

GAO Feng, JIANG Qunou, XIN Zhiming, et al. Extraction method of oasis shelterbelt systems based on remote-sensing images: A case study of Dengkou County[J]. Spectroscopy and Spectral Analysis, 2022, 42(12): 3896-3905. (in Chinese with English abstract)

李萌, 年雁云, 边瑞, 等. 基于多源遥感影像的青海云杉和祁连圆柏分类[J]. 遥感技术与应用, 2020, 35(4): 855-863.

LI Meng, NIAN Yanyun, BIAN Rui, et al. Classification of Picea crassifolia and Sabina przewalskii based on multi-source remote sensing images[J]. Remote Sensing Technology and Application, 2020, 35(4): 855-863. (in Chinese with English abstract)

RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional networks for biomedical image segmentation[C] //Medical Image Computing and Computer-Assisted Intervention — MICCAI 2015, Munich, Germany. Cham: Springer, 2015: 234-241.

陈妮, 应丰, 王静, 等. 基于U-Net的高分辨率遥感图像土地利用信息提取[J]. 遥感技术与应用, 2021, 36(2): 285-292.

CHEN Ni, YING Feng, WANG Jing, et al. Research on land use information extraction based on U-Net[J]. Remote Sensing Technology and Application, 2021, 36(2): 285-292. (in Chinese with English abstract)

XU W, DENG X, GUO S, et al. High-resolution U-net: Preserving image details for cultivated land extraction[J]. Sensors, 2020, 20(15): 4064.

朱昱, 潘耀忠, 张杜娟. 基于深度卷积网络和分水岭分割的耕地地块识别方法[J]. 地球信息科学学报, 2022, 24(12): 2389-2403.

ZHU Yu, PAN Yaozhong, ZHANG Dujuan. An agriculture parcel identification method based on convolutional neural network and watershed segmentation[J]. Journal of Geo-information Science, 2022, 24(12): 2389-2403. (in Chinese with English abstract)

RU F X, ZULKIFLEY M A, ABDANI S R, et al. Forest segmentation with spatial pyramid pooling modules: A surveillance system based on satellite images[J]. Forests, 2023, 14(2): 405.

刘振国, 孙永旺, 张喜珍, 等. 基于改进DeepLabV3+网络的荔枝种植面积提取方法[J]. 农业工程学报, 2025, 41(12): 191-197.

LIU Zhenguo, SUN Yongwang, ZHANG Xizhen, et al. Extracting lychee planting areas using improved DeepLabV3+ network[J]. Transactions of the Chinese Society of Agricultural Engineering(Transaction of the CSAE), 2025, 41(12): 191-197. (in Chinese with English abstract)

CHEN L C, ZHU Y, PAPANDREOU G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C] //Proceedings of the European Conference on Computer Vision (ECCV), Munich, Germany. Cham: Springer, 2018: 801-818.

LIU Z, LIN Y T, CAO Y, et al. Swin transformer: Hierarchical vision transformer using shifted windows[C] //Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), 2021, Montreal, QC, Canada. Piscataway, NJ: IEEE, 2021: 10012-10022.

SUZUKI K, ABE K. Topological structural analysis of digitized binary images by border following[J]. Computer Vision, Graphics, and Image Processing, 1985, 30(1): 32-46.

VISVALINGAM M, WHYATT J D. The Douglas-Peucker algorithm for line simplification: Re-evaluation through visualization[J]. Computer Graphics Forum, 1990, 9(3): 213-225.

GU A, DAO T. Mamba: Linear-time sequence modeling with selective state spaces[EB/OL]. (2023-12-01) [2024-07-20]. https://arxiv.org/abs/2312.00752.

HAN D, WANG Z, XIA Z, et al. Demystify Mamba in vision: A linear attention perspective[EB/OL]. (2024-05-26) [2024-07-20]. https://arxiv.org/abs/2405.16605.

KATHAROPOULOS A, VYAS A, PAPPAS N, et al. Transformers are RNNs: Fast autoregressive transformers with linear attention[C] //Proceedings of the 37th International Conference on Machine Learning (ICML), Virtual Only Conference, Online. New York: ACM, 2020: 5156-5165.

LIN X, YAN Z, DENG X, et al. ConvFormer: Plug-and-play CNN-style transformers for improving medical image segmentation[C] //The 26th International Conference on Medical Image Computing and Computer-Assisted Intervention (MICCAI), Vancouver, Canada. Cham: Springer, 2023: 642-651.

RAHAMAN N, BARATIN A, ARPIT D, et al. On the spectral bias of neural networks[C] //Proceedings of the 36th International Conference on Machine Learning (ICML), Long Beach, CA, USA. New York: ACM, 2019: 5301-5310.

FENG J X, LIU X Y. Frequency-quantized variational autoencoder based on 2D-FFT for enhanced image reconstruction and generation[J]. Computers, Materials & Continua, 2025, 83(2): 2087-2107.

QIAO J, LIAO J, LI W, et al. Hi-mamba: Hierarchical mamba for efficient image super-resolution[EB/OL]. (2024-10-16) [2024-07-20]. https://arxiv.org/abs/2410.10140.

TANCHENKO A. Visual-PSNR measure of image quality[J]. Journal of Visual Communication and Image Representation, 2014, 25(5): 874-878.

WANG Z, BOVIK A C, SHEIKH H R, et al. Image quality assessment: From error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4): 600-612.

MA X, ZHANG X, PUN M O. RS3Mamba: Visual state space model for remote sensing image semantic segmentation[J]. IEEE Geoscience and Remote Sensing Letters, 2024, 21: 1-5.

WANG L, LI R, DUAN C, et al. A novel transformer based semantic segmentation scheme for fine-resolution remote sensing images[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5.

KIRILLOV A, MINTUN E, RAVI N, et al. Segment anything[C] //Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), Paris, France. Piscataway, NJ: IEEE, 2023: 4015-4026.

MA X, WU Q, ZHAO X, et al. SAM-assisted remote sensing imagery semantic segmentation with object and boundary constraints[J]. IEEE Transactions on Geoscience and Remote Sensing, 2024, 62: 1-16.

RAVI N, GABEUR V, HU Y T, et al. SAM 2: segment anything in images and videos[EB/OL]. (2024-08-01) [2024-08-01]. https://arxiv.org/abs/2408.00714.

QIN Y, WANG C, FAN Y, et al. SAM2-CD: Remote sensing image change detection with SAM2[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2025.

FU Y, LOU M, YU Y Z. SegMAN: Omni-scale context modeling with state space models and local attention for semantic segmentation[C] //Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA. Piscataway, NJ: IEEE, 2025: 19077-19087.

张羽丰, 杨景, 邓寒冰, 等. 基于RGB和深度双模态的温室番茄图像语义分割模型[J]. 农业工程学报, 2024, 40(2): 295-306.

ZHANG Yufeng, YANG Jing, DENG Hanbing, et al. Semantic segmentation model for greenhouse tomato images using RGB and depth bimodal[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2024, 40(2): 295-306. (in Chinese with English abstract)

WANG J J, ZHENG Z, MA A L, et al. LoveDA: A remote sensing land-cover dataset for domain adaptive semantic segmentation[EB/OL]. (2021-10-17)[2024-07-20]. https://arxiv.org/abs/2110.08733.

2026年第42卷第12期

PDF下载

222

引用本文

BibTeX

文章信息

doi: 10.11975/j.issn.1002-6819.202509002

接收时间：2025-09-01
首发时间：2026-08-20
出版时间：2026-06-30

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-09-01
修回日期：2026-01-06

基金

作者信息

沈阳农业大学信息与电气工程学院，沈阳 110866

通讯作者:

周云成，博士，教授，研究方向为机器学习在农业信息处理中应用。Email：zhouyc2002@syau.edu.cn

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/nygcxb/CN/10.11975/j.issn.1002-6819.202509002

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

编号 No.	上采样倍数 Upsampling factor	耕地 Cropland		防护林带 Shelterbelt	像素精度 Pixel accuracy (PA)
I	-	95.51	97.70	93.40	78.51	85.75	69.44	81.41	93.95
II	2	96.36	98.17	94.87	79.70	87.65	71.88	82.69	94.20
III	4	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89

编号
No.

上采样倍数
Upsampling
factor

耕地 Cropland

防护林带 Shelterbelt

平均交并比
Mean IoU
(mIoU)

像素精度
Pixel accuracy
(PA)

精确率
Precision P

召回率
Recall R

交并比
Intersection over union(IoU)

精确率
P

召回率
R

交并比
IoU

95.51

97.70

93.40

78.51

85.75

69.44

81.41

93.95

96.36

98.17

94.87

79.70

87.65

71.88

82.69

94.20

III

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

模型 Modals	耕地 Cropland		防护林带 Shelterbelt	PA/%	参数量 Parameters/M
MFF-Net	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89	94.07
RS³ Mamba^[26]	93.09	95.81	92.08	82.53	85.05	73.99	81.69	93.20	45.63
DC-Swin^[27]	94.10	96.41	93.07	82.55	85.06	74.01	82.36	94.55	96.17
SSRS^[29]	90.21	95.69	91.74	79.91	82.82	70.68	80.14	91.01	48.72
SAM2-CD^[31]	92.80	96.13	92.07	80.09	83.80	71.58	81.22	93.16	85.31
DeepLabV3+^[13]	94.53	96.85	93.90	80.47	84.80	73.62	82.51	93.57	43.32
SegMAN^[32]	94.25	97.03	93.86	81.26	85.42	72.89	82.18	93.84	91.56
UNet^[7]	65.12	80.76	67.73	54.66	72.65	57.05	61.59	78.37	18.97

模型
Modals

耕地 Cropland

防护林带 Shelterbelt

mIoU/%

PA/%

参数量
Parameters/M

P/%

R/%

IoU/%

P/%

R/%

IoU/%

MFF-Net

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89

94.07

RS³ Mamba^[26]

93.09

95.81

92.08

82.53

85.05

73.99

81.69

93.20

45.63

DC-Swin^[27]

94.10

96.41

93.07

82.55

85.06

74.01

82.36

94.55

96.17

SSRS^[29]

90.21

95.69

91.74

79.91

82.82

70.68

80.14

91.01

48.72

SAM2-CD^[31]

92.80

96.13

92.07

80.09

83.80

71.58

81.22

93.16

85.31

DeepLabV3+^[13]

94.53

96.85

93.90

80.47

84.80

73.62

82.51

93.57

43.32

SegMAN^[32]

94.25

97.03

93.86

81.26

85.42

72.89

82.18

93.84

91.56

UNet^[7]

65.12

80.76

67.73

54.66

72.65

57.05

61.59

78.37

18.97

方法 Methods	IoU	mIoU
MFF-Net	60.17	59.29	68.43	38.51	41.15	27.38	50.54
RS³ Mamba^[26]	58.75	57.92	61.00	37.24	39.67	25.64	46.93
DC-Swin^[27]	58.91	57.57	67.69	25.93	37.10	20.85	49.22
SSRS^[29]	57.83	56.18	66.37	26.39	38.94	23.52	47.99
SAM2-CD^[31]	59.08	53.16	66.14	26.88	38.91	23.57	48.71
DeepLabV3+^[13]	52.78	51.89	63.47	29.84	34.23	18.44	44.12
SegMAN^[32]	58.96	50.50	66.91	35.72	37.41	25.65	49.57
UNet^[7]	52.35	48.17	54.26	20.19	32.47	16.32	42.61

方法
Methods

IoU

mIoU

建筑
Building

道路
Road

河流
Water

荒地
Barren

森林
Forest

耕地
Cropland

MFF-Net

60.17

59.29

68.43

38.51

41.15

27.38

50.54

RS³ Mamba^[26]

58.75

57.92

61.00

37.24

39.67

25.64

46.93

DC-Swin^[27]

58.91

57.57

67.69

25.93

37.10

20.85

49.22

SSRS^[29]

57.83

56.18

66.37

26.39

38.94

23.52

47.99

SAM2-CD^[31]

59.08

53.16

66.14

26.88

38.91

23.57

48.71

DeepLabV3+^[13]

52.78

51.89

63.47

29.84

34.23

18.44

44.12

SegMAN^[32]

58.96

50.50

66.91

35.72

37.41

25.65

49.57

UNet^[7]

52.35

48.17

54.26

20.19

32.47

16.32

42.61

图像样本 Image samples	耕地 Cropland		防护林带 Shelterbelt
1	1134.64	1062.85	71.79	6.33	82.43	86.85	4.42	5.36
2	1233.59	1108.49	125.10	10.14	81.26	86.19	4.93	6.07
3	1211.37	1141.47	69.90	5.77	60.97	67.09	6.12	10.04
4	1202.05	1108.66	93.39	7.77	89.77	94.77	5.00	5.57

图像样本
Image samples

耕地 Cropland

防护林带 Shelterbelt

实际面积
Actual area/hm²

估计面积
Estimated area/hm²

绝对误差
Absolute error/hm²

相对误差
Relative error/%

实际面积
Actual area/hm²

估计面积
Estimated area/hm²

绝对误差
Absolute error/hm²

相对误差
Relative error/%

1134.64

1062.85

71.79

6.33

82.43

86.85

4.42

5.36

1233.59

1108.49

125.10

10.14

81.26

86.19

4.93

6.07

1211.37

1141.47

69.90

5.77

60.97

67.09

6.12

10.04

1202.05

1108.66

93.39

7.77

89.77

94.77

5.00

5.57

模型编号 Model No.	处理 Treatments		耕地 Cropland	防护林带 Shelterbelt	mIoU	PA
A	×	×	×	94.86	98.01	93.38	79.19	86.76	71.13	79.37	93.28
B	√	×	×	95.76	98.12	94.03	79.97	86.93	71.87	80.63	93.86
C	√	√	×	96.29	98.38	94.45	81.58	87.48	73.88	82.05	94.05
D	√	√	√	96.42	98.40	95.13	82.83	87.99	74.03	83.45	94.89

模型编号
Model No.

处理 Treatments

耕地 Cropland

防护林带 Shelterbelt

mIoU

MLLAFormer

FFTFormer

SGFM

IoU

94.86

98.01

93.38

79.19

86.76

71.13

79.37

93.28

√

95.76

98.12

94.03

79.97

86.93

71.87

80.63

93.86

√

96.29

98.38

94.45

81.58

87.48

73.88

82.05

94.05

√

96.42

98.40

95.13

82.83

87.99

74.03

83.45

94.89