生物土壤结皮的监测能够助力矿区地表生态恢复工作的有效开展，基于无人机遥感获取生物土壤结皮信息受到广泛关注。矿区地表生物土壤结皮生长零散、不均匀以及野外环境的复杂性，导致通过影像进行生物土壤结皮提取存在难度。本研究基于深度学习模型分类的高精度和高效率目标，分别提出一种基于改进UNet++模型和一种基于轻量级DeeoLabV3+模型的生物土壤结皮提取方法。首先基于UNet++模型的网络结构优选最佳的Epoch、Backbone、损失函数，得到以ResNeXt为骨干、以软交叉熵组合Dice Loss为损失函数的改进的UNet++模型，并与UNet++和U-Net网络模型的测试结果进行对比分析，结果表明改进的UNet++模型的分类效果最好，生物土壤结皮的精确率为97.88%。然后以DeepLabv3+模型为基础，将DeepLabv3+原始的骨干网络Xception网络变为MobileNetV2轻量级网络，将原DeepLabv3+中ASPP模块的膨胀率进行优化改进，并与原始的DeepLabV3+模型以及将DeepLabV3+的DCNN结构转换成MobileNetV2网络的模型进行对比，结果表明本研究提出的基于轻量级DeepLabv3+模型训练时间是改进的UNet++模型的四分之一，模型大小上是改进的UNet++模型的近十分之一，能快速且较为精准的提取生物土壤结皮。在精度方面，改进的UNet++在提取精度方面具有明显的优势；在训练时间以及模型大小上，轻量级DeepLabV3+模型具有更大的优势。本研究所提出的方法适用于生长不均匀、环境复杂的生物土壤结皮提取，并取得了较好的效果，为研究干旱地区生物土壤结皮的发育规律提供了良好的数据支撑，进一步探索了深度学习模型在矿区地表信息获取研究领域中的应用。

1 引言
2 材料与方法
2.1 数据源与研究区概况
2.1.1 研究区概况
2.1.2 研究方法
2.1.3 数据采集与处理
2.2 改进UNet++模型的网络结构
2.3 轻量级DeepLabV3+模型的网络结构
2.4 评价指标
3 结果
3.1 基于高精度的UNet++模型的生物结皮提取
3.2 基于高效率的DeepLabv3+模型的生物结皮提取
3.2.1 Epoch参数的优选结果
3.2.2 不同模型的分类结果比较
3.3两种模型实验结果分析
4 讨论与分析
4.1改进UNet++模型的讨论与分析
4.2轻量级DeeoLabV3+模型的讨论与分析
4.3研究意义和局限性
5 结论

张帆,胡振琪,于亮,等.基于深度学习和无人机遥感的矿区地表生物土壤结皮提取研究[J/OL].煤炭学报,1-12[2025-02-28].https://doi.org/10.13225/j.cnki.jccs.2024.1066.