Global Vision Media Focus
Das Unternehmen wurde insgesamt 15 Mal im chinesischen Staatsfernsehen CCTV erwähnt und erreichte über Parteimedien, zentrale Medien und lokale offizielle Medien insgesamt 50 Millionen Menschen.
Erforschung automatischer Methoden zur Landparzellenextraktion auf Basis von Satellitenfernerkundungsbildern
Hintergrund Einführung
Die Parzellenextraktion ist eine grundlegende Aufgabe in der Fernerkundungsinterpretation, im Landressourcenmanagement und in der landwirtschaftlichen Geoinformationstechnologie. Sie bezeichnet die Bestimmung der räumlichen Ausdehnung einzelner Parzellen anhand von Satellitenbildern, UAV-Bildern oder anderen Fernerkundungsdaten, wodurch Flächenobjekte mit klar definierten Grenzen entstehen. Für das landwirtschaftliche Produktionsmanagement ist die genaue Erfassung von Parzellengrenzen unerlässlich für die Ackerlandregistrierung, die Pflanzenüberwachung, die Ertragsschätzung, die Landnutzungserhebung und die Verteilung von Agrarsubventionen. Traditionelle Parzellenextraktionsmethoden basieren häufig auf manueller visueller Interpretation oder traditionellen Bildverarbeitungsverfahren wie Kantendetektion und Clustersegmentierung. Diese Methoden sind in Gebieten mit regelmäßigen Parzellen, klaren Bildern und deutlichen Unterschieden in den Landmerkmalen effektiv, stoßen aber bei komplexen landwirtschaftlichen Szenarien an ihre Grenzen.
Beispielsweise variiert die Größe von Parzellen in verschiedenen Regionen stark, und manche kleine Ackerflächen weisen fragmentierte und unregelmäßige Grenzen auf. Auch zwischen verschiedenen Jahreszeiten, Sensoren und Bildern mit unterschiedlichen Auflösungen bestehen erhebliche Unterschiede. Gleichzeitig können Faktoren wie Straßen, Gräben, Feldwälle und Vegetationsschatten die Grenzerkennung beeinträchtigen. Daher haben traditionelle Methoden Schwierigkeiten, unter großflächigen und komplexen Bedingungen eine stabile Genauigkeit zu gewährleisten.
Die Entwicklung von Deep-Learning-Technologien hat in den letzten Jahren neue Ansätze für die automatische Parzellenextraktion ermöglicht. Die Forschung hat die Extraktion von Ackerlandgrenzen von der traditionellen „Randpixelerkennung“ hin zur „Parzellensegmentierung“ transformiert. Das bedeutet, dass nicht mehr nur die Zugehörigkeit eines Pixels zur Grenze bestimmt wird, sondern die vollständige Ausdehnung jeder einzelnen Parzelle direkt ermittelt wird. Dieser Ansatz erhält die Integrität der Parzellenobjekte besser und reduziert Probleme wie überlappende benachbarte Parzellen, Grenzbrüche und nicht erkannte Parzellen. Bestehende Forschungsarbeiten haben zudem Datensätze mit Satellitenbildern unterschiedlicher Auflösung und einer großen Anzahl annotierter Parzelleninstanzen erstellt. Die Bildauflösungen reichen von ca. 0,25 Metern bis 10 Metern und ermöglichen die Anpassung an die Anforderungen der Ackerlandextraktion in verschiedenen Maßstäben.
Modellstruktur
Das Modell zur Extraktion von Landparzellen ist ein durchgängig automatisiertes Extraktionsmodell für Satellitenfernerkundungsbilder. Es besteht aus sechs Teilen: Satellitenbild, Vorverarbeitung, Modell zur Extraktion von Landparzellen, Umwandlung der Instanzergebnisse in Vektoren, Zusammenführung gleicher Vektorergebnisse und Vektorausgabe (siehe Abbildung 1).
Abbildung 1.Modellverarbeitungsablauf
Zunächst verwendet das Modell Satellitenbilder als Eingangsdaten und nutzt Informationen zu Merkmalen wie Ackerland, Straßen, Gräben und Feldrändern, um die Grundlage für die Identifizierung von Parzellengrenzen zu schaffen. Anschließend werden die Eingangsbilder vorverarbeitet, einschließlich Bildzuschnitt, Koordinatenregistrierung, Formatstandardisierung, Normalisierung und Bildsegmentierung. Darauf aufbauend führt das Parzellenextraktionsmodell eine Merkmalsanalyse und Instanzsegmentierung der vorverarbeiteten Bilder durch und unterscheidet benachbarte Parzellen, um Überlappungen oder Fehlsegmentierungen zu vermeiden. Die vom Modell ausgegebenen Instanzergebnisse müssen weiter transformiert werden…VektordatenDabei werden die Umrisse von Grundstücken aus einer Maske extrahiert und geschlossene Polygone für die räumliche GIS-Analyse generiert. Da großflächige Satellitenbilder typischerweise in mehrere Bildausschnitte segmentiert werden, kann dasselbe Grundstück in verschiedenen Ausschnitten mehrfach identifiziert oder segmentiert werden. Daher ist es notwendig, Vektorergebnisse desselben Grundstücks zusammenzuführen, um doppelte Umrisse zu eliminieren und die Integrität der Grundstücksmorphologie zu erhalten. Das Modell liefert schließlich vollständige Grundstücksvektoren, die in gängigen Geodatenformaten wie Shapefile und GeoJSON gespeichert und für Grundstücksstatistiken, Flächenberechnungen usw. verwendet werden können.LandnutzungsanalyseUnd Raumplanung und -management.
Ergebnisdarstellung
Abbildung 2 zeigt die Vektorausgabe des Modells. Das Modell kann regelmäßig bewirtschaftete Flächen, große zusammenhängende Ackerflächen und auch kleinere, fragmentierte Ackerflächen präzise identifizieren. In Gebieten mit klaren Grenzen und regelmäßiger Parzellenanordnung stimmen die Extraktionsergebnisse weitgehend mit den tatsächlichen Parzellengrenzen überein. Auch in Gebieten mit dicht bebauten Parzellen und komplexen Formen erzielt das Modell eine gute Parzellentrennung und reduziert so die Wahrscheinlichkeit einer versehentlichen Zusammenführung benachbarter Parzellen. Die auf Deep-Learning-basierter Instanzsegmentierung beruhende Parzellenextraktionsmethode verbessert effektiv den Automatisierungsgrad und die Genauigkeit der Ackergrenzenidentifizierung und leistet damit einen wichtigen technischen Beitrag zur landwirtschaftlichen Fernerkundung und zum optimierten Landressourcenmanagement.
Abbildung 2.Vektorergebnisse