基于时序遥感影像和深度学习的奈曼旗地区农田利用现状分析

doi:10.11867/j.issn.1001-8166.2025.081

地球科学进展 ›› 2025, Vol. 40 ›› Issue (12): 1307 -1322. doi: 10.11867/j.issn.1001-8166.2025.081

谢君洋¹^,²(

), 王轶¹^,², 黎孟琦¹^,², 余强毅³, 吴文斌³, 吴浩¹^,²(

)

^1.华中师范大学城市与环境科学学院，湖北武汉 430079
^2.地理过程分析与模拟湖北省重点实验室，湖北武汉 430079
^3.中国农业科学院农业资源与农业区划研究所，北京 100081

收稿日期:2025-07-10 修回日期:2025-10-14 出版日期:2025-12-10
通讯作者: 吴浩 E-mail:xjy959@mails.ccnu.edu.cn;haowu@ccnu.edu.cn
基金资助:
国家重点研发计划项目(2022YFB3903502);湖北省自然科学基金创新群体项目(2024AFA032);华中师范大学优秀研究生教育创新资助项目(2024CXZZ002)

Investigation of Farmland Utilization in Naiman Banner Using Time-Series Remote Sensing Imagery and Deep Learning

Junyang XIE¹^,²(), Yi WANG¹^,², Mengqi LI¹^,², Qiangyi YU³, Wenbin WU³, Hao WU¹^,²()

^1.College of Urban and Environmental Sciences, Central China Normal University, Wuhan 430079, China
^2.Hubei Province Key Laboratory for Geographical Process Analysis and Simulation, Wuhan 430079, China
^3.Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China

Received:2025-07-10 Revised:2025-10-14 Online:2025-12-10 Published:2026-01-17
Contact: Hao WU E-mail:xjy959@mails.ccnu.edu.cn;haowu@ccnu.edu.cn
About author:XIE Junyang, research areas include agricultural remote sensing and deep learning. E-mail: xjy959@mails.ccnu.edu.cn
Supported by:
the National Key Research and Development Program of China(2022YFB3903502);Hubei Provincial Natural Science Foundation of China(2024AFA032);The 2024 Excellent Graduate Education Innovation Funding Project of Central China Normal University(2024CXZZ002)

全文 ( 2 ) 下载PDF ( 33 )

开展奈曼旗地区的农田利用现状分析，有助于推动农牧交错区的农业高质量发展，支撑国家粮食安全战略。基于2020—2024年Landsat 8时序数据，采用随机森林分类提取主要粮食作物种植信息，并利用吉林一号数据，结合多尺度分割算法与U-Net深度学习模型，提取农田地块与道路分布，系统评估区域的主要粮食作物种植格局与农田基础设施建设水平的关系。研究结果表明，近5年来，奈曼旗主要粮食作物种植面积稳步增长，累计净增22 673.46 hm²，增幅达12.9%，种植区域逐步由一般耕地向高标准农田转移。区域农田基础设施建设水平显著提升，高标准农田建设区的农田基础设施优于一般耕地区域。农田基础设施建设水平越高的区域，主要粮食作物种植面积越大，呈现出显著的空间一致性与正相关关系。

关键词: 遥感, 主要粮食作物, 农田基础设施, U-Net, 奈曼旗

Naiman Banner is located in an arid and semi-arid region and represents a typical agro-pastoral ecotone. Agricultural production in this area has long been constrained by complex natural conditions and the fragmented spatial distribution of cropland, resulting in an unclear understanding of the current state of farmland utilization. This, in turn, limits the region’s capacity for agricultural resource management and targeted policy implementation. Conducting an analysis of farmland utilization in Naiman Banner is therefore crucial for promoting high-quality agricultural development in agro-pastoral transitional zones and supporting the national food security strategy. In this study, Naiman Banner was selected as the research area. Based on Landsat 8 time-series imagery, the spatial distribution of major grain crops from 2020 to 2024 was extracted using the random forest method. Additionally, Jilin-1 high-resolution remote sensing imagery was used in combination with a multi-scale segmentation algorithm and the U-Net model to obtain cropland field parcels and road data for 2020 and 2024, respectively. On this basis, an evaluation index system for assessing the level of farmland infrastructure construction in the region was established. By integrating the extracted spatial distribution of major grain crops, this study focuses on analyzing the spatiotemporal patterns of major grain crops, the level of farmland infrastructure construction, and their interrelationship in Naiman Banner. Results showed a steady increase in the planting area of major grain crops over the five-year period, with a cumulative net growth of 22 673.46 hm², representing a 12.9% increase. Planting areas gradually shifted from general farmland to well-facilitated farmland. Meanwhile, agricultural infrastructure was continuously improved, with significantly higher development levels observed in well-facilitated farmland areas compared to general farmland. Further analysis revealed that regions with higher levels of agricultural infrastructure exhibited higher utilization rates of staple crops, demonstrating clear spatial consistency and a positive correlation. These findings provide provide technical support and decision-making references for regional agricultural resource management, optimization of infrastructure allocation, and food security assurance.

Key words: Remote sensing, Staple crops, Agricultural infrastructure, U-Net, Naiman Banner.

中图分类号:

P237

图1 奈曼旗地理位置图
区域A~D为高标准农田区域，E和F为一般耕地的区域。

Fig. 1 Geographical location of Naiman Banner
Areas A~D represent well-facilitated farmland， while areas E and F represent general cropland.

表1 研究使用的数据来源

Table 1 Data sources used in this study

数据名称	日期	数据来源	数据格式
奈曼旗行政边界	—	国家基础地理信息中心	矢量面数据
Landsat 8遥感影像	2020—2024年（逐年逐月）	Google Earth Engine	栅格数据
吉林一号遥感影像	2020年和2024年	吉林一号网	栅格数据
作物分类样本	2020—2023年（逐年）	国家生态科学数据中心	栅格数据（包含玉米和稻谷）

表1 研究使用的数据来源

Table 1 Data sources used in this study

数据名称	日期	数据来源	数据格式
奈曼旗行政边界	—	国家基础地理信息中心	矢量面数据
Landsat 8遥感影像	2020—2024年（逐年逐月）	Google Earth Engine	栅格数据
吉林一号遥感影像	2020年和2024年	吉林一号网	栅格数据
作物分类样本	2020—2023年（逐年）	国家生态科学数据中心	栅格数据（包含玉米和稻谷）

图2 奈曼旗农田利用现状分析技术路线

Fig. 2 Technical roadmap for analyzing the current agricultural land use in Naiman Banner

表2 用于农作物分类的植被指数

Table 2 Vegetation index used for crop classification

植被指数	计算公式	用途
归一化植被指数（Normalized Difference Vegetation Index，NDVI）	$N D V I = N I R - R E D N I R + R E D$	用于评估植被的绿度和健康状况
归一化水体指数（Normalized Difference Water Index，NDWI）	$N D W I = G R E E N - N I R G R E E N + N I R$	用于水体监测
比值植被指数（Ratio Vegetation Index，RVI）	$R V I = N I R R E D$	用于监测植被的生长情况
增强型植被指数（Enhanced Vegetation Index，EVI）	$E V I = 2.5 × N I R - R E D N I R + 6 × R E D - 7.5 × B L U E + 1$	用于减少大气和土壤影响
绿色叶绿素植被指数（Green Chlorophyll Vegetation Index，GCVI）	$G C V I = N I R G R E E N - 1$	用于植被健康评估
可见大气抗干扰指数（Visible Atmosphere Resistant Index，VARI）	$V A R I = G R E E N - R E D G R E E N + R E D - B L U E$	用于减少大气影响的可见光植被指数
地表水体指数（Land Surface Water Index，LSWI）	$L S W I = N I R - S W I R 1 N I R + S W I R 1$	用于监测水分含量
绿度植被指数（Green Vegetation Index，GVI）	$G V I = G R E E N - R E D G R E E N + R E D$	用于评估植被的绿度和生长状况

表2 用于农作物分类的植被指数

Table 2 Vegetation index used for crop classification

植被指数	计算公式	用途
归一化植被指数（Normalized Difference Vegetation Index，NDVI）	$N D V I = N I R - R E D N I R + R E D$	用于评估植被的绿度和健康状况
归一化水体指数（Normalized Difference Water Index，NDWI）	$N D W I = G R E E N - N I R G R E E N + N I R$	用于水体监测
比值植被指数（Ratio Vegetation Index，RVI）	$R V I = N I R R E D$	用于监测植被的生长情况
增强型植被指数（Enhanced Vegetation Index，EVI）	$E V I = 2.5 × N I R - R E D N I R + 6 × R E D - 7.5 × B L U E + 1$	用于减少大气和土壤影响
绿色叶绿素植被指数（Green Chlorophyll Vegetation Index，GCVI）	$G C V I = N I R G R E E N - 1$	用于植被健康评估
可见大气抗干扰指数（Visible Atmosphere Resistant Index，VARI）	$V A R I = G R E E N - R E D G R E E N + R E D - B L U E$	用于减少大气影响的可见光植被指数
地表水体指数（Land Surface Water Index，LSWI）	$L S W I = N I R - S W I R 1 N I R + S W I R 1$	用于监测水分含量
绿度植被指数（Green Vegetation Index，GVI）	$G V I = G R E E N - R E D G R E E N + R E D$	用于评估植被的绿度和生长状况

表3 用于农作物分类的纹理特征

Table 3 Texture features used for crop classification

纹理特征名称	计算公式	描述
对比度（gray_contrast）	$C o n t r a s t = ∑ i = 0 N - 1 ∑ j = 0 N - 1 i - j 2 × P (i, j)$	反映了图像的清晰度和纹理的沟纹深浅
熵（gray_entropy）	$E n t r o p y = - ∑ i = 0 N - 1 ∑ j = 0 N - 1 P (i, j) × l o g 2 P (i, j)$	反映了纹理的复杂程度
反差分矩阵（gray_idm）	$I D M = ∑ i = 0 N - 1 ∑ j = 0 N - 1 P (i, j) 1 + (i - j) 2$	反映了纹理的清晰程度和规则程度

表3 用于农作物分类的纹理特征

Table 3 Texture features used for crop classification

纹理特征名称	计算公式	描述
对比度（gray_contrast）	$C o n t r a s t = ∑ i = 0 N - 1 ∑ j = 0 N - 1 i - j 2 × P (i, j)$	反映了图像的清晰度和纹理的沟纹深浅
熵（gray_entropy）	$E n t r o p y = - ∑ i = 0 N - 1 ∑ j = 0 N - 1 P (i, j) × l o g 2 P (i, j)$	反映了纹理的复杂程度
反差分矩阵（gray_idm）	$I D M = ∑ i = 0 N - 1 ∑ j = 0 N - 1 P (i, j) 1 + (i - j) 2$	反映了纹理的清晰程度和规则程度

图3 U-Net模型架构

Fig. 3 U-Net model architecture

表4 2020—2024年奈曼旗主要粮食作物种植面积提取结果

Table 4 Extracted planting areas of staple crops in Naiman Banner from 2020 to 2024

年份	玉米面积/hm²	稻谷面积/hm²	总面积/hm²	总面积逐年变化比例/%
2020	174 114.20	1 693.34	175 807.54	—
2021	175 494.21	3 206.68	178 700.89	1.65
2022	176 380.88	2 753.35	179 134.23	0.24
2023	185 907.60	1 453.34	187 360.94	4.59
2024	196 087.65	2 393.35	198 481.00	5.94

表4 2020—2024年奈曼旗主要粮食作物种植面积提取结果

Table 4 Extracted planting areas of staple crops in Naiman Banner from 2020 to 2024

年份	玉米面积/hm²	稻谷面积/hm²	总面积/hm²	总面积逐年变化比例/%
2020	174 114.20	1 693.34	175 807.54	—
2021	175 494.21	3 206.68	178 700.89	1.65
2022	176 380.88	2 753.35	179 134.23	0.24
2023	185 907.60	1 453.34	187 360.94	4.59
2024	196 087.65	2 393.35	198 481.00	5.94

图4 2020—2024年奈曼旗主要粮食作物种植面积提取结果

Fig. 4 Extracted planting areas of staple crops in Naiman Banner from 2020 to 2024

图5 2020年和2024年奈曼旗区域农田地块和道路提取结果

Fig. 5 Extraction results of regional farmland parcels and roads of Naiman Banner in 2020 and 2024

图6 2024年奈曼旗基础设施评价结果箱型图

Fig. 6 Box plot of evaluation results for agricultural infrastructure of Naiman Banner in 2024

表5 2020年和2024年奈曼旗各区域主要粮食种植面积情况

Table 5 Proportion of main grain planting area in different region of Naiman Banner in 2020 and 2024

区域	2020年/hm²	2024年/hm²	变化/hm²	2020年占比/%	2024年占比/%	变化比率/%
A	1 434.30	1 491.60	57.30	57.37	59.66	2.29
B	1 633.80	2 184.60	550.80	65.35	87.38	22.03
C	1 428.07	1 891.33	463.26	57.12	75.66	18.54
D	1 039.33	1 377.73	338.40	41.57	55.11	13.54
E	131.93	83.60	-48.33	5.28	3.34	-1.93
F	399.33	194.87	-204.46	15.97	7.79	-8.18

表5 2020年和2024年奈曼旗各区域主要粮食种植面积情况

Table 5 Proportion of main grain planting area in different region of Naiman Banner in 2020 and 2024

区域	2020年/hm²	2024年/hm²	变化/hm²	2020年占比/%	2024年占比/%	变化比率/%
A	1 434.30	1 491.60	57.30	57.37	59.66	2.29
B	1 633.80	2 184.60	550.80	65.35	87.38	22.03
C	1 428.07	1 891.33	463.26	57.12	75.66	18.54
D	1 039.33	1 377.73	338.40	41.57	55.11	13.54
E	131.93	83.60	-48.33	5.28	3.34	-1.93
F	399.33	194.87	-204.46	15.97	7.79	-8.18

图7 2020—2024年奈曼旗各区域农田基础设施建设情况

Fig. 7 Construction of farmland infrastructure in various regions of Naiman Banner from 2020 to 2024

图8 奈曼旗主要粮食作物种植面积与农田基础设施建设水平的关系

Fig. 8 Relationship between staple crop planting area and farmland infrastructure development level of Naiman Banner

表6 多元线性回归模型及各变量显著性检验结果

Table 6 Multiple linear regression model and the significance of individual variables

模型	变量	系数	t值	p值
回归系数	常数	-28 900	—	—
	地块形状指数	15 550	2.05	0.070
	地块面积加权形状指数	-12 000	-2.87	0.090
	道路密度	1 820 000	4.12	0.002
	道路通达度	18 700	3.97	0.003

表6 多元线性回归模型及各变量显著性检验结果

Table 6 Multiple linear regression model and the significance of individual variables

模型	变量	系数	t值	p值
回归系数	常数	-28 900	—	—
	地块形状指数	15 550	2.05	0.070
	地块面积加权形状指数	-12 000	-2.87	0.090
	道路密度	1 820 000	4.12	0.002
	道路通达度	18 700	3.97	0.003

[1]	LIU Lingcen， JIANG Zhihong， ZHANG Junyi， et al. Evaluating grain production security using cultivated land in China in thenew era ［J］. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2025， 41（8）： 250-260.
	刘泠岑，姜志鸿，张俊逸，等. 新形势下中国耕地利用的粮食生产保障能力评价［J］. 农业工程学报， 2025， 41（8）： 250-260.
[2]	YANG Bin， GUO Weihong， TAN Qingyuan， et al. Impacts of high-standard farmland construction policy on cultivated landsystem resilience ［J］. Transactions of the Chinese Society of Agricultural Engineering （Transactions of the CSAE）， 2025， 41（4）： 269-278.
	杨斌，郭维红，谭青媛，等. 高标准农田建设对耕地系统韧性的影响及其机制［J］. 农业工程学报， 2025， 41（4）： 269-278.
[3]	XIE Junyang， LIN Anqi， WU Hao， et al. JAM-R-CNN deep learning network model forremote sensing recognition of terraced fields ［J］. National Remote Sensing Bulletin， 2024， 28（12）： 3 136-3 146.
	谢君洋，林安琪，吴浩，等. 面向梯田遥感识别的JAM-R-CNN深度网络模型［J］. 遥感学报， 2024， 28（12）： 3 136-3 146.
[4]	ZHANG Jie， LIU Yujie， ZHANG Ermei， et al. Dynamics and driving mechanisms of cultivated land at county level in China ［J］. Acta Geographica Sinica， 2023， 78（9）： 2 105-2 127.
	张婕，刘玉洁，张二梅，等. 中国县域耕地动态演变及其驱动机制［J］. 地理学报， 2023， 78（9）： 2 105-2 127.
[5]	CHENG Yuying， CHEN Wenbo， LAI Sasa. Research on precise identification and driving mechanisms of abandoned cultivated land in typical mountainous areas［J］. China Land Science， 2024， 38（12）： 93-104.
	程钰颖，陈文波，来洒洒. 典型山区撂荒耕地精准识别及驱动机制研究［J］. 中国土地科学， 2024， 38（12）： 93-104.
[6]	GE Yujuan， ZHAO Yuluan， REN Hongyu. The effect of farmland fragmentation on the intensity of farmland in differentutilization ways ［J］. Advances in Earth Science， 2020， 35（2）： 180-188.
	葛玉娟，赵宇鸾，任红玉. 山区耕地细碎化对不同利用方式农地集约度的影响［J］. 地球科学进展， 2020， 35（2）： 180-188.
[7]	DONG Jinwei， CUI Yifeng， DI Yuanyuan， et al. Opportunities and challenges in monitoring cultivated land red line in big data era ［J］. Bulletin of Chinese Academy of Sciences， 2023， 38（12）： 1 781-1 792.
	董金玮，崔屹峰，邸媛媛，等. 大数据时代耕地红线管控监测的机遇与挑战［J］. 中国科学院院刊， 2023， 38（12）： 1 781-1 792.
[8]	LI X Y， LI J Y， JIANG J， et al. Spatio-temporal-text fusion for hierarchical multi-label crop classification based on time-series remote sensing imagery ［J］. International Journal of Applied Earth Observation and Geoinformation， 2025， 139. DOI：10.1016/j.jag.2025.104471 .
[9]	NING An， REN Miaomiao， JIANG Shan，et al. Application and prospect of optical remote sensing technology in agricultural monitoring ［J］. Journal of Chinese Agricultural Mechanization， 2025， 46（2）： 2 199-2 206.
	宁岸，任淼淼，蒋杉，等. 光学遥感技术在农情监测中的应用与展望［J］. 中国农机化学报， 2025， 46（2）： 2 199-2 206.
[10]	XIE J Y， LI Y， WU H， et al. Integrating random forest with boundary enhancement for mapping crop planting structure at the parcel level from remote sensing images ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2025， 18： 9 934-9 953.
[11]	REHMAN A U， RAZIQ A， SHRESTHA B， et al. The role of spectro-temporal remote sensing in vegetation classification： a comprehensive review integrating machine learning and bibliometric analysis ［J］. Computers and Electronics in Agriculture， 2025， 234. DOI：10.1016/j.compag.2025.110184 .
[12]	HU Qiong， WU Wenbin， SONG Qian， et al. Recent progresses in research of crop patterns mapping by using remote sensing ［J］. Scientia Agricultura Sinica， 2015， 48（10）： 1 900-1 914.
	胡琼，吴文斌，宋茜，等. 农作物种植结构遥感提取研究进展［J］. 中国农业科学， 2015， 48（10）： 1 900-1 914.
[13]	MATHUR A， FOODY G M. Crop classification by support vector machine with intelligently selected training data for an operational application ［J］. International Journal of Remote Sensing， 2008， 29（8）： 2 227-2 240.
[14]	JIA K， WU B F， LI Q Z. Crop classification using HJ satellite multispectral data in the North China Plain ［J］. Journal of Applied Remote Sensing， 2013， 7（1）. DOI：10.1117/1.JRS.7.073576 .
[15]	WANG Y M， FENG L W， SUN W W， et al. Exploring the potential of multi-source unsupervised domain adaptation in crop mapping using Sentinel-2 images ［J］. GIScience & Remote Sensing， 2022， 59（1）： 2 247-2 265.
[16]	ASGARIAN A， SOFFIANIAN A， POURMANAFI S. Crop type mapping in a highly fragmented and heterogeneous agricultural landscape： a case of central Iran using multi-temporal Landsat 8 imagery ［J］. Computers and Electronics in Agriculture， 2016， 127： 531-540.
[17]	ASHOURLOO D， SHAHRABI H S， AZADBAKHT M， et al. A novel automatic method for Alfalfa mapping using time series of Landsat-8 OLI data ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2018， 11（11）： 4 478-4 487.
[18]	HAO P Y， DI L P， ZHANG C， et al. Transfer learning for crop classification with Cropland Data Layer data （CDL） as training samples ［J］. Science of The Total Environment， 2020， 733. DOI：10.1016/j.scitotenv.2020.138869 .
[19]	PEÑA-BARRAGÁN J M， NGUGI M K， PLANT R E， et al. Object-based crop identification using multiple vegetation indices， textural features and crop phenology ［J］. Remote Sensing of Environment， 2011， 115（6）： 1 301-1 316.
[20]	MENG Jihua， HE Rongpeng， LIN Zhenxin. Status and prospects of Google Earth Engine in agricultural management research ［J］. Journal of Geo-Information Science， 2024，26（4）： 1 002-1 018.
	蒙继华，何荣鹏，林圳鑫. Google Earth Engine在农业管理中的研究现状与展望［J］. 地球信息科学学报， 2024， 26（4）： 1 002-1 018.
[21]	WOLDEMARIAM G W， GESSESSE A B， VARGAS M R. Remote sensing vegetation Indices-Driven models for sugarcane evapotranspiration estimation in the semiarid Ethiopian Rift Valley［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2024， 215： 136-156.
[22]	XU F， YAO X C， ZHANG K X， et al. Deep learning in cropland field identification： a review ［J］. Computers and Electronics in Agriculture， 2024， 222. DOI：10.1016/j.compag.2024.109042 .
[23]	CAI Z W， HU Q， ZHANG X Y， et al. Improving agricultural field parcel delineation with a dual branch spatiotemporal fusion network by integrating multimodal satellite data ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2023， 205： 34-49.
[24]	ZHANG Xinchang， HUANG Jianfeng， NING Ting. Progress and prospect of cultivated land extraction from high-resolution remote sensing images ［J］. Geomatics and Information Science of Wuhan University， 2023， 48（10）： 1 582-1 590.
	张新长，黄健锋，宁婷. 高分辨率遥感影像耕地提取研究进展与展望［J］. 武汉大学学报（信息科学版）， 2023， 48（10）： 1 582-1 590.
[25]	HONG Liang， FENG Yafei， PENG Shuangyun， et al. Classification of high spatial resolution remote sensing imagery based on object-oriented multi-scale weighted sparse representation ［J］. Acta Geodaetica et Cartographica Sinica， 2022， 51（2）： 224-237.
	洪亮，冯亚飞，彭双云，等. 面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类［J］. 测绘学报， 2022， 51（2）： 224-237.
[26]	MA L， LI M C， MA X X， et al. A review of supervised object-based land-cover image classification ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2017， 130： 277-293.
[27]	XU L， MING D P， ZHOU W， et al. Farmland extraction from high spatial resolution remote sensing images based on stratified scale pre-estimation ［J］. Remote Sensing， 2019， 11（2）. DOI：10.3390/rs11020108 .
[28]	LI Chaokui， ZENG Qiangguo， FANG Jun， et al. Road extraction in rural areas from high resolution remotesensing image using a improved full convolution network ［J］. National Remote Sensing Bulletin， 2021， 25（9）： 1 978-1 988.
	李朝奎，曾强国，方军，等. 改进全卷积网络方法的高分二号影像农村道路提取［J］. 遥感学报， 2021， 25（9）： 1 978-1 988.
[29]	SHI W Z， MIAO Z L， DEBAYLE J. An integrated method for urban main-road centerline extraction from optical remotely sensed imagery［J］. IEEE Transactions on Geoscience and Remote Sensing， 2014， 52（6）： 3 359-3 372.
[30]	SHANMUGAM L， KALIAPERUMAL V. Junction-aware water flow approach for urban road network extraction ［J］. IET Image Processing， 2016， 10（3）： 227-234.
[31]	TENG Xinpeng， SONG Shunlin， ZHAN Yongzhao. An improved road extraction algorithm from high-resolution remote sensing images based on structure tensor ［J］. Bulletin of Science and Technology， 2013， 29（2）： 175-177.
	滕鑫鹏，宋顺林，詹永照. 一种改进的基于结构张量的高分辨率遥感图像道路提取算法［J］. 科技通报， 2013， 29（2）： 175-177.
[32]	YU Z B， CHEN Z， LEI X Q， et al. SegRoadv2： a hybrid deformable self-attention and convolutional network for road extraction with connectivity structure［J］. International Journal of Digital Earth， 2025， 18. DOI：1 0.1080/17538947.2025.2480267 .
[33]	ZHU Q Q， ZHANG Y N， WANG L Z， et al. A global context-aware and Batch-independent network for road extraction from VHR satellite imagery ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2021， 175： 353-365.
[34]	LI X G， WANG Y B， ZHANG L Q， et al. Topology-enhanced urban road extraction via a geographic feature-enhanced network［J］. IEEE Transactions on Geoscience and Remote Sensing， 2020， 58（12）： 8 819-8 830.
[35]	RONNEBERGER O， FISCHER P， BROX T. U-Net： convolutional networks for biomedical image segmentation［M］// Medical image computing and computer-assisted intervention-MICCAI 2015. Cham： Springer International Publishing， 2015： 234-241.
[36]	YANG M X， YUAN Y， LIU G C. SDUNet： road extraction via spatial enhanced and densely connected UNet ［J］. Pattern Recognition， 2022， 126. DOI：10.1016/j.patcog.2022.108549 .
[37]	CHEN Z Y， WANG C， LI J， et al. Adaboost-like End-to-End multiple lightweight U-nets for road extraction from optical remote sensing images ［J］. International Journal of Applied Earth Observation and Geoinformation， 2021， 100. DOI：10.1016/j.jag.2021.102341 .
[38]	YAN K， GAO S， YAN G， et al. A global systematic review of the remote sensing vegetation indices ［J］. International Journal of Applied Earth Observation and Geoinformation， 2025， 139. DOI：10.1016/j.jag.2025.104560 .
[39]	ZHANG H Y， XIAO F F， HE W， et al. Multiyear automated mapping and price analysis of garlic in main planting areas of China using time-series remote sensing images［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2022， 15： 5 222-5 233.
[40]	GU L X， SHUAI Y M， SHAO C Y， et al. Angle effect on typical optical remote sensing indices in vegetation monitoring ［J］. Remote Sensing， 2021， 13（9）. DOI：10.3390/rs13091699 .
[41]	TASSI A， VIZZARI M. Object-oriented LULC classification in Google Earth Engine combining SNIC， GLCM， and machine learning algorithms ［J］. Remote Sensing， 2020， 12（22）. DOI：10.3390/rs12223776 .
[42]	BREIMAN L. Random forests ［J］. Machine Learning， 2001， 45（1）： 5-32.
[43]	WANG T， XU C， LIU B， et al. MCAT-UNet： convolutional and cross-shaped window attention enhanced UNet for efficient high-resolution remote sensing image segmentation ［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing， 2024， 17： 9 745-9 758.
[44]	HE X， ZHOU Y， ZHAO J Q， et al. Swin transformer embedding UNet for remote sensing image semantic segmentation［J］. IEEE Transactions on Geoscience and Remote Sensing， 2022， 60： 1-15.
[45]	DIAKOGIANNIS F I， WALDNER F， CACCETTA P， et al. ResUNet-a： a deep learning framework for semantic segmentation of remotely sensed data ［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2020， 162： 94-114.
[46]	XV X， REN J， MING Y S. Impacts of mechanized farmland transformation on ecological landscape patterns in hilly regions of Zhong County， China［J］. Scientific Reports， 2025， 15. DOI：10.1038/s41598-025-05357-7 .

[1]	罗栋梁, 刘佳, 李晓英, 杜柯飞, 金会军, 陈方方, OLGA Makarieva, 王青志. 气候变化下冰椎演化及其水文生态与灾害效应[J]. 地球科学进展, 2025, 40(8): 767-777.
[2]	刘定洲, 刘虹辰, 张锦昌, 张江阳, 周鹏程, 郭鑫, 李璐, 黄彦铭. 基于U-Net卷积神经网络的海底磁异常条带自动识别方法研究——以沙茨基海隆为例[J]. 地球科学进展, 2025, 40(8): 864-876.
[3]	宋淑华, 王振占. 大气冰云中冰晶粒子取向的研究进展及应用现状分析[J]. 地球科学进展, 2025, 40(6): 592-603.
[4]	鲁重生, 曹文庚, 庄海艳, 丛日辉, 仝艳龙, 任宇, 李祥志, 宋乐, 卢瑶, 郭记菊. 奈曼旗农牧交错带地下水水化学形成机制与背景值研究[J]. 地球科学进展, 2025, 40(12): 1363-1379.
[5]	曹文庚, 鲁重生, 庄海艳, 丛日辉, 仝艳龙, 任宇, 李祥志, 卢瑶, 王妍妍. 奈曼旗南部山区富锶—偏硅酸地下水形成机制与开发潜力[J]. 地球科学进展, 2025, 40(12): 1283-1296.
[6]	张荣, 宋乐, 马翠艳, 张娟娟, 付世骞, 任宇, 鲁重生, 曹文庚. 奈曼旗麦饭石对土壤—地下水中特征重金属的防控机制研究[J]. 地球科学进展, 2025, 40(12): 1350-1362.
[7]	徐勇, 胡迪, 洪亮. 近40年奈曼旗土地利用动态变化与时空分析[J]. 地球科学进展, 2025, 40(12): 1297-1306.
[8]	胡迪, 畅骏, 徐勇, 洪亮, 李红波, 管卫华, 钱润萱. 奈曼旗产业发展时空演变研究[J]. 地球科学进展, 2025, 40(12): 1421-1434.
[9]	曾小箕, 李嘉诚, 祝秀慧. 基于生态系统服务供需平衡的奈曼旗生态管理分区[J]. 地球科学进展, 2025, 40(12): 1404-1420.
[10]	姜琳子, 贾炳浩, 潘成臣. 气温与降水协同作用对奈曼旗土壤微生物生物量碳的影响[J]. 地球科学进展, 2025, 40(12): 1380-1393.
[11]	马渊, 邵建欣, 闫艺航, 刘程琳, 杨颖, 于建国. 奈曼天然碱矿开采—加工过程中的技术挑战与应对策略[J]. 地球科学进展, 2025, 40(12): 1267-1282.
[12]	胡帅, 赵嘉琦, 刘磊, 党蕊君, 肖瑶, 何钰龙. 红外高光谱被动遥感气溶胶研究现状及进展[J]. 地球科学进展, 2025, 40(11): 1097-1111.
[13]	王永杰, 张晓东, 唐文彬, 赵少杰, 马晋, 孟义真, 王子卫, 周纪. 星载被动微波亮温影像轨道间隙填补：进展与展望[J]. 地球科学进展, 2025, 40(1): 99-110.
[14]	范亚伟, 杜鹤强, 杨胜飞, 颜长珍, 刘秀帆, 刘欣雷. 沙尘气溶胶数值模式与资料同化的研究进展、问题与展望[J]. 地球科学进展, 2024, 39(8): 813-822.
[15]	么嘉棋, 常奂宇, 王梦然, 陈敏, 莫凡, 徐南, 温振, 曹永强. 新一代水文水资源监测卫星SWOT数据特征、应用与展望[J]. 地球科学进展, 2024, 39(4): 374-390.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Investigation of Farmland Utilization in Naiman Banner Using Time-Series Remote Sensing Imagery and Deep Learning

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Investigation of Farmland Utilization in Naiman Banner Using Time-Series Remote Sensing Imagery and Deep Learning