摘要: 在现代化农业生产管理中,不同类型作物的空间分布是重要的农情信息。从卫星遥感影像中识别农田种类,是获取该类信息的基本途径之一。虽然目前用户可选择的遥感影像地物识别算法较为丰富,但进行可靠的农田分类依旧具有一定的挑战性。该文选取了3类具有代表性的深度卷积语义分割模型,包括UNet,ResUNet和SegNext,对比其在河套灌区高分二号遥感影像上的作物分类性能。在3类算法的框架内,共实现了9种具有不同复杂度的模型,以分析各个网络结构在农田遥感影像作物分类中的性能差异,从而为后续的相关模型研究提供一些优化思路与实验基础。实验结果说明,具有6层网络结构的UNet取得了最高的总精度(88.74%),而6层SegNext的精度最差(84.33%);具有最高模型复杂度的是ResUNet,但对于研究数据集,这类算法的过拟合现象最为严重;在计算效率方面,ResUNet也显著低于另外2类算法。