第九届青年地学论坛

高空间分辨率（HSR）影像是地学大数据中的重要组成部分，利用HSR影像数据提取地物特征并进行分类制图是遥感地学应用中的一项重要任务。其中，基于影像数据、结合深度学习方法提取地形部位或地貌对象已成为近年来的热点方向。由于拍摄时间、天气情况的差异，HSR影像中通常会包含一定面积的地形阴影。这些阴影一方面代表了光照的方向，隐含了地形起伏信息，具有支持地形探测的作用；另一方面又可能会对相关任务造成干扰。具体来说，由于阴影区域与非阴影区的显著色彩差异，这些阴影可能会干扰网络模型对非阴影区地貌类型的判断，破坏提取结果中地貌内涵完整性。例如，除正午时分外，由于山体的遮挡，山谷区域通常会出现阴影区与非阴影区混合的现象，而在进行山谷这一地貌对象的提取时，网络模型极易将阴影与山谷画上等号，导致非阴影区的类型错分。为解决此问题，本研究以黄土侵蚀沟为研究对象，在卷积神经网络模型中设计了地形阴影平衡机制，引导模型理解并使用HSR影像数据中的阴影信息，减弱地形阴影对地貌对象提取任务的负面影响。结果表明，本研究构建的网络模型能够有效提升提取结果的召回率和IoU，在不同小流域内均取得了较优结果。同时，本研究构建的地形阴影平衡模块可以被应用于不同网络结构中，并发挥类似的优化作用。本研究可为影像数据中地形信息的提取与应用提供参考，为地学大数据中HSR影像与DEM数据的结合提供实践探索。

高分辨率影像,地形信息,遥感地学应用