深度學習支持下的丘陵山區耕地高分辨率遙感信息分區分層提取方法

劉 巍,吳志峰,駱劍承,孫營偉,吳田軍,周 楠,胡曉東,王玲玉,周忠發

1. 中國科學院空天信息創新研究院遙感科學國家重點實驗室，北京 100101； 2. 中國科學院大學,北京 100049； 3. 廣州大學地理科學學院，廣東 廣州 510006； 4. 長安大學地質工程與測繪學院，陜西 西安 710064； 5. 貴州師范大學喀斯特研究院，貴州 貴陽 550001

實時、精確的農業信息是促進農業現代化發展的重要前提和關鍵環節[1]，同時也對國家制定農業政策、保證糧食安全具有重要的意義[2-3]。早期的農業信息主要是通過實地采集的方式進行統計并匯總。雖然數據較為精確，但在大面積的農業信息調查時，需要耗費極其昂貴的時間成本與物力成本，并且獲得的結果具有滯后性，利用價值大大降低[4]?，F代農業的不斷發展，迫切需要新的技術和手段來提高農業信息獲取的水平。遙感技術作為大范圍、快速獲取地球表面信息的唯一方式，已成為及時掌握農業信息的有效途徑。

耕地分布信息是最重要的農業信息之一[5]，其對于農田長勢監測、農業產量預測、農業風險評估等[6-9]應用均具有重要價值[10]。因此，從20世紀70年代開始，歐美等國就已經開始研究如何利用遙感技術提取耕地的空間分布信息[11-15]。傳統的方法是使用基于像素的網格進行區域或全球尺度的耕地分布制圖，或者是對大范圍平原區域密集分布的耕地進行提取。但由于“同物異譜”和“同譜異物”現象以及混合像元的普遍存在，像素級方法所提取的耕地信息的精度十分有限，只能宏觀上獲得大尺度的耕地空間分布信息，而在中小尺度上并不適用。此外，現有研究多位于地勢較為平緩的平原地區，多是鑒于平原區耕地的形態較為規整且分布密集、作物種植類型單一，是遙感應用的理想場所，而與平原地區不同，面向山地區域的遙感耕地信息提取研究甚少，因為地形復雜區域的研究存在更多困難。以我國西南山區為例，主要的挑戰在于：山地區域人地矛盾緊張，農業以小農形態為主，耕地零散分布于山區各地，而且形態各異，大多細小破碎，種植的農作物種類繁多，且大多是一年多熟，因而種植結構極其復雜；此外，山地區域崎嶇的地形特征和特殊的水熱條件，導致空間異質性大，耕地信息提取困難加大[16]。因此，開展山地區域的耕地信息提取研究具有重要的現實意義和應用價值。

隨著遙感影像空間分辨率的不斷提高，其所能呈現的地物特征更加詳細，亞米級影像基本可以準確地界定地物的形態和類型，這為山地區域零散分布的破碎耕地信息提取給予了數據保障。隨后，農業遙感的研究對象也從以往的大范圍、大體積的“密集農田區”向更加精細的“耕地地塊”轉變。而在技術方法層面，也從原有的像元級方法過渡到對象級方法[17]。這是由于基于對象的方法可以充分利用高空間分辨率遙感影像(簡稱高分辨率遙感影像)的空間信息和專家知識進行推理分析[18]，具有明顯的優勢[19-21]，其最關鍵問題是如何獲取邊緣精準的影像對象。傳統上是采用影像分割的方法來獲取對象，即利用了影像的光譜、紋理信息，基于像元的同質性，自底向上聚合形成影像對象[22]。但由于分割獲取影像對象的方法本質上沒有考慮影像所具有的形態信息、上下文語義信息等高層特征，是基于光譜特征的像素聚合，而沒有充分利用高分辨率遙感影像所具有的其他特征[23-24]。因此，分割方法所獲得的對象單元與人們對實際目標地物的形態往往并不匹配，進而導致對象級的分類結果無法轉換成具有實際地理實體意義的解譯成果。

在目前的實際工作中，高分辨率遙感影像解譯工作主要還是由人工目視來完成。究其原因是人在進行高分辨率遙感影像目標識別時，能夠分層次地感知影像上所呈現的形態、紋理等空間特征，并對所獲得的視覺信息進行分層提取，從而實現對地物目標信息的精準提取。因此，如何充分利用高分辨率遙感影像所具有的豐富特征，模擬人的視覺感知機制，提取與實際地物目標相符合的地理圖斑單元(如本文關注的耕地地塊)是關鍵所在。

近年來，深度學習技術在圖像分類領域的研究取得了巨大進步，尤其卷積神經網絡能夠在多個尺度上學習和表達多種視覺特征，在自然圖像分析領域取得了巨大的成功[25-28]。隨后，利用以卷積神經網絡為代表的深度學習模型進行高分辨率遙感影像信息提取的研究日益升溫。例如文獻[29]探索了深度卷積神經網絡在高分辨率遙感影像中進行信息提取的可行性，表明其相比于傳統的方法具有更好的性能，文獻[30]將卷積神經網絡應用于遙感影像的分類研究，使得分類結果獲得了顯著的提升，文獻[31]設計了一種3D卷積神經網絡用于從遙感數據中提取時空特征，并進行農作物的分類，取得了良好的效果。但是，目前這些基于深度學習技術的遙感信息提取研究，總是意圖采用一種深度學習模型實現遙感影像中所有地物目標的分類與提取，卻始終無法達到人工目視解譯的效果。究其原因，是在地表這一復雜環境中，不同地物類型之間千差萬別，特別是在山地區域中，高度復雜的種植結構以及高強度的空間異質性導致了多樣化的種植方式和耕地類型，理論上僅利用一種模型方法難以構建地物目標從影像空間向地理空間的完全映射關系，無法體現地理分異特征[32]。因此分區分層的地理學思想被借鑒用于山地區域遙感信息提取模型中[33-34]。本文將在地理學分析思想指導下對復雜地表空間進行有序重構，按照分區分層思路將影像空間分解為若干相對獨立的地物提取算法的組合，即每一類地物都需按照其特定的視覺特征分別設計深度學習的提取算法。但如何根據地理景觀分異規律的先驗認知，設計合理有效的逐級分區式分類方法，是需要在模型中考慮的。

綜上所述，本文將在分區分層的地理學思想指導下，借助深度學習技術的優勢，提出了一種復雜山區環境下的耕地形態信息提取方法，主要的實現思路是：①針對復雜的地表情況，建立山區的分區分層體系，根據地形特征劃分成不同的地理區塊，保證每個區塊內的地理要素條件和地形特點相對一致；再根據每個區域內耕地的視覺特征，將耕地劃分為不同的亞類型，原則是每個類型的耕地具有相似的視覺特征；②針對高分辨率遙感影像所具有的豐富特征，采用擅長學習和表達視覺特征的深度學習模型進行耕地提取。根據各類型的耕地在高分辨率遙感影像上所呈現視覺特征差異，分別針對性地選擇和設計深度學習提取模型；③使用所設計的深度學習模型對各類型的耕地進行分層式的逐級提取，進而再對分層提取的結果進行融合后處理，最終得到完整的耕地信息提取結果。研究區的試驗驗證了該方法對于山區復雜環境下耕地信息提取的可行性與有效性。

1 研究方法

復雜多變的地表系統中，在不同地形條件、不同耕作方式以及不同季節里，山區耕地都會因其作用機制的不同而呈現出千差萬別的空間形態特征，在高分辨率遙感影像上相鄰耕地也因其視覺形態上的不一致而可被區分，總而言之，視覺形態信息是基于高分辨率遙感影像進行耕地信息提取的主要特征依據。因此，本文根據丘陵山區耕地在高分辨率遙感影像上所呈現的視覺形態特征，在對其總結描述的基礎上，遵循“分區分層感知”的地理圖斑智能計算理論[35]，模擬人的視覺感知機制，設計了面向復雜山區的耕地形態信息提取方法。主要包含兩個部分：①分區分層的結構分解過程，根據山區的地形特征和耕地的影像視覺特征建立分區分層系統，將復雜多樣的山區耕地逐級劃分成幾種相對一致的亞類型；而后是解析重組過程，根據每種類型耕地所呈現的視覺特征，分別選取并改進合適的深度學習模型分層提取各類型的耕地，以避免邏輯上的分類錯誤，同時也提高分類效率；②將多個耕地亞類型的提取結果進行融合與后處理，得到完整的一期耕地提取結果圖。

1.1 地理分區

山地區域中，本文利用道路/水系/地形線等線狀要素，通過切割方式將試驗區劃分為若干塊，使得每個區塊內的地形條件相對一致，而驅動其中某一種耕地占據主導。保證了區塊之間的相對獨立性，使得提取過程只限定在區塊之內，避免了誤差傳播。根據山區的地形特點和在遙感影像上所呈現的視覺特征，將山區劃分為平壩區、山坡區和林草區3種類型的區域。各區域特點如圖1所示：①平壩區是山區或丘陵地帶的局部平原，主要分布于山間構造盆地、山間河谷和山麓平原，地勢較為平坦，其間主要分布有規則耕地；②山坡區主要指山頂與平壩區之間的傾斜面，是山頂與山麓之間無大片林草覆蓋的區域，其間主要分布有梯田和坡耕地；③山區林地和草地間分布有獨特特征的林間耕地，因此將大片林地和草地分布的區域單獨劃分為林草區。

1.2 耕地分層

在不同的山地分區區域中，由于所處的地形差異，耕地在遙感影像上呈現出不同的視覺特征。因此，本文根據高分辨率遙感影像上耕地的幾何特征和紋理特征，將其劃分為4種類型，分別為：平壩區的規則耕地、山坡區的梯田和坡耕地以及林草地中零散分布的林間耕地。各類型耕地的特征歸納于表1。

表1 4種類型耕地的特征

另外，圖2截取了各類型耕地的高分辨率遙感影像，對其視覺特征加以說明：①規則耕地主要處于地勢較為平緩的平壩區，其邊界清晰，內部紋理較為均勻，在空間上分布相對整齊，形態比較規則，作物種植類型也較為單一。因此可以設計深度學習的邊緣模型提取邊界信息，再通過“線構面”的空間特征后處理構建地塊對象；②山坡區中主要分布有梯田和坡耕地，梯田地塊的邊界清晰，紋理均勻，相比于規則耕地地塊，其形態較為細小狹長，因此需要設計更為聚焦的深度學習邊緣模型，實現對更為精細邊界的提?。虎燮赂氐倪吘壧卣魇帜：蚧静淮嬖冢倚螒B各異，主要靠裸露土壤或作物冠層的紋理結構加以辨別，因此需要通過深度學習紋理分割模型進行識別；④大片的林草區中零散分布有林間耕地，由于種植十分隨意，隨時可能撂荒，其紋理特征與草地或低矮灌木林地相似，且邊緣形態特征也比較模糊，因此本文在基于林草地語義分割的基礎上，再針對其中的破碎圖斑采用深度學習紋理模型進行耕地的識別。

1.3 耕地信息的分區分層提取

根據上述構建的地理分區系統和耕地分層體系，以及對每一層耕地在影像上呈現視覺差異機制的對比分析，本文設計了基于分區分層思想實現山區耕地提取的流程，其關鍵在于在地塊尺度上對每一種耕地的形態特征分別設計機器學習算法進行解析與提取，再對每一塊耕地優化重組，形成完整的耕地制圖工作，具體流程如圖3所示：①根據分區系統和山區地形特點，將試驗區劃分為平壩區和山地區；②分別在平壩區和山坡區中選擇典型規則耕地與典型的梯田、坡耕地、林草區、林間耕地進行樣本制作，得到用于耕地提取的5種類型樣本集；③使用制作好的樣本集，分別采用HED模型[36]、RCF模型[37]、D_LinkNet模型[38]、U_Net模型[39]和Inception模型[40]進行模型訓練，并分別得到規則耕地、梯田、坡耕地、林草區和林間耕地5種提取模型；④分別用訓練好的模型依次提取耕地，先提取規則耕地，再用所提取的規則耕地作為掩膜后提取梯田，接著以所提取的規則耕地和梯田作為新的掩膜提取坡耕地，進而再以前3個提取結果作為掩膜提取林草區，最后在林草區中提取林間耕地；⑤將上述得到的4種類型耕地分布圖疊加，得到最終完整的耕地圖斑分布圖。

1.4 分層提取的深度學習模型

本文設計的流程中對不同耕地類型進行了差異化的深度學習模型使用，但其構建過程大致相同(如圖4所示)，主要包括數據預處理、樣本制作、深度學習模型訓練和后處理4個部分：①首先對所選取的高分辨率遙感影像進行必要的預處理，經過幾何校正、輻射定標、圖像鑲嵌、裁剪等步驟獲得研究區可分析的影像數據；②分別選取各類型耕地的典型區域進行樣本制作，保證樣本量的典型性、分布均勻性及充足性；③將樣本輸入相應的網絡模型進行模型學習，得到訓練好的提取模型；④使用該模型在研究區影像上進行預測，并對預測結果圖使用膨脹、腐蝕等數學形態學方法提取骨架線，再轉換成矢量線后構建形成面狀多邊形的耕地圖斑；⑤檢查所得到的耕地圖斑結果，對于漏提、錯提的區域，進行樣本增補或修正工作，反饋后重新訓練以強化該模型，最終通過這種迭代反饋的增強方式，多輪訓練后獲得相對滿意的結果。下面，對流程中所采用的幾個深度網絡模型進行介紹。

圖1 3種類型的地理區域Fig.1 Three types of geographical areas

圖2 耕地視覺特征示意Fig.2 Schematic diagram of visual features of cropland

圖3 分區分層的耕地提取流程Fig.3 A divided and stratified extraction method of cropland information

圖4 深度學習模型訓練與預測過程Fig.4 Training and prediction processes of deep learning model

(1) 對于規則耕地，該類型耕地形態較為規則，邊界清晰，排列緊湊。本文采用了holistically-nested edge detection (HED)網絡進行提取。該網絡可以進行端到端的邊緣預測，其構造是在VGG網絡[41]的基礎上，增加了多個側向輸出層，并與每個卷積池化階段(stage)的最后一個卷積層相連，將網絡中每層學習到的結果通過側向層輸出，并采用一個權重融合層來綜合利用這些側向輸出的結果，實現了對影像多尺度特征的學習。另外，其在多層網絡中不斷繼承和學習邊緣特征，最終可得到更加精準的耕地邊界線，經過“線構面”后得到規則耕地圖斑也更加可靠。

(2) 山地區的梯田分布較廣，邊緣特征也十分明顯，內部紋理均勻，但相對于規則耕地，其形態更為狹小細長，因此對于邊緣特征提取的要求更為精準。對此，本文采用RCF網絡模型進行梯田的提取。在HED模型的基礎上，RCF模型充分利用了每個池化階段的所有卷積層的輸出特征，并且通過去掉第3級池化層來實現對更為精細邊緣線的提取與生成，因而可以捕捉更多的邊緣特征。最后，再通過數學形態學處理方法和自適應對象生成的算法來得到梯田圖斑。

(3) 山區的山地坡面上土地質量較差，存在大量種植比較隨意的坡耕地，這類耕地內部常有雜樹雜草生長，撂荒隨時，邊緣形態較模糊，但其往往具有獨特的紋理特征。在高分辨率遙感影像上主要通過內部的紋理特征進行區分。在技術上，本文采用了D_LinkNet的語義分割模型提取坡耕地信息，D_LinkNet網絡是以LinkNet為主體，通過在中心部分增加膨脹卷積層，擴大接受域，從而能夠綜合多尺度特征，有助于處理坡耕地復雜性的問題。

(4) 在山區成片的林草用地中也會有零散分布的耕地，邊緣一般較為模糊，視覺特征與草地接近，但仍具有獨特的紋理特征，直接提取會存在諸多錯提與漏提。因此，本文采用分步提取的方法，逐步識別林間耕地。由于U_net網絡通過一個下采樣過程進行特征的提取，并在上采樣過程中聯合了下采樣提取的特征信息，從而將多尺度特征融合在一起，減少了信息的損失，十分適合用于超大影像分割任務，因此本文首先利用U_net網絡，在語義上通過大尺度分割對零散耕地和林草地之間進行區分，再在分割圖斑的基礎上，針對大量零散圖斑，利用Inception紋理模型訓練林間耕地的紋理特征，識別各個圖斑的耕地/非耕地屬性，從而實現針對每個零散圖斑進行耕地類型的判別。具體提取流程如圖5所示。

2 試驗與分析

2.1 研究區概況

為了驗證提出的上述方法，本文選擇了貴州中部的息烽縣作為試驗區。如圖6所示，息烽縣位于我國西南的山地區域，地理位置東經106°27′至106°53′，北緯26°57′至27°19′之間，在貴州第一大江烏江南岸，總面積1 036.5 km2。當地大部分為低中丘陵地，碳酸巖分布廣，屬于典型的喀斯特地貌區。該縣地勢北部低、南部高，地形起伏多變，種植地塊狹小破碎、形態多變、種植類型繁多(玉米、油菜、水稻、果樹、草藥等)且結構復雜，是我國西南山區的一個代表性區域。

2.2 試驗數據

試驗前，筆者分析比較了包括北京2號、高分2號在內的多種亞米級遙感影像數據的覆蓋率。但由于貴州省屬于多云多雨地區，大多影像云量比例高，數據獲取難度大。因此，最終采用了空間分辨率為0.53 m的Google Earth高分辨率遙感影像進行試驗。所使用的影像由多期影像裁剪鑲嵌而成，其合成影像的時間跨度從2016年2月至2019年4月。

2.3 試驗結果

使用上文所述方法，筆者得到了以圖斑為基本對象的息烽縣耕地空間分布圖，如圖7所示。所提取的各類型耕地信息統計于表2。

表2 不同類型耕地的統計

2.4 精度評價與分析

為了驗證分區分層方法的提取精度，選取了3塊1000×1000像素大小的區域作為驗證集，分別為HJC(合箭村)、TTC(天臺村)、LLC(鹿龍村)，如圖11(a1)—(a3)所示，對3個地區的耕地類型進行人工標注，標注結果如圖8(b1)—(b3)所示。另外，為了展現本文方法的優勢，傳統的耕地信息提取方法被用于比較試驗，包括不采用分區分層的基于像素的方法(簡稱基于像素的方法)和不采用分區分層的基于對象的方法(簡稱基于對象的方法)。在對比試驗中首先采用了目視判別的方法進行了定性視覺評價。圖8的(c1)—(c3)、(d1)—(d3)和(e1)—(e3)為分別使用分區分層方法、基于對象的方法和基于像素的方法提取結果，3種方法提取結果的局部放大圖如圖9所示。

圖5 耕地提取流程Fig.5 The extraction process of cropland

圖6 本文研究區：貴州省息烽縣Fig.6 Study area:Xifeng County, Guizhou Province

圖7 息烽縣耕地空間分布Fig.7 Cropland spatial distribution map of Xifeng County

圖8 3種方法的分類結果Fig.8 Cropland extraction results of three methods

在此基礎上，采用分類準確率(PA)、交并比(IoU)、Kappa系數和總體精度(OA)進行定量的精度指標評價，其中分類準確率是以影像像元為統計單元，與實際標注的地物類型進行比較后計算得出其準確率值，可以反映耕地類型提取的正確率。具體的，根據4種類型耕地與非耕地的混淆矩陣對研究區的耕地提取總體分類精度和Kappa系數進行了計算，3種方法的定量評價指標對比如表3所示。此外，基于面積的交并比(IoU)指標被進一步用來計算所提取的耕地圖斑與實際耕地地塊的貼合程度，基于實際標注的地塊進行了交并比的計算，分類準確率和交并比的計算公式如下

(1)

(2)

式中，A是所提取的耕地圖斑面積；B是所對應的實際耕地地塊的面積；TP和FP分別表示正確分類和錯誤分類。交并比指標的計算結果如表4所示。

圖9 3種方法耕地提取結果的局部放大Fig.9 Partial enlargement maps of cropland extraction results of three methods

表3 試驗結果定量評價指標對比

表4 3種方法的IoU統計結果

結合上述結果，本文開展以下分析與討論：①由表3可知，本文提出的分區分層方法在Kappa系數和總體精度方面都優于傳統的方法，其中總體分類精度比基于像素的方法和基于對象的方法分別高13.35%和9.81%，Kappa系數分別高28.11%和18.19%；②從圖9可知，本文分區分層的方法獲得的耕地地塊更為完整，更符合實際地塊的形態，且能有效對識別不同形態和類型的耕地；而由于高分辨率遙感影像中“同物異譜”和“同譜異物”的現象，基于像素的方法提取結果中存在大量的噪點，基于對象的方法一定程度上降低了耕地噪點，但是分割對象鋸齒嚴重，且存在不少漏提或誤提，更重要的是兩類方法均無法準確提取耕地邊界；對比地，本文方法可以較好地避免“椒鹽噪聲”的出現，且提取的耕地邊界能保持其形態的完整性；③表4中所列為反映提取結果與實際地塊形態貼合程度的IoU指標，可以看到，本文方法的總體IoU均值比基于像素的方法和基于對象的方法分別高28.96%和10.54%，尤其在坡耕地和林間耕地的形態提取效果上，本文方法比基于像素的方法分別高34.05%和34.79%，比基于對象的方法分別高17.22%和28.25%，這說明本文方法提取的耕地地塊與實際耕地地塊的形態更為接近。綜合上述3個方面說明，基于分區分層思想的耕地提取結果明顯優于傳統方法，值得進一步研究研究和應用推廣。

3 討 論

本文針對山區耕地信息提取的實際需求，提出了一種分區分層的耕地信息提取方法。通過研究區的實驗和方法對比分析，開展以下幾個方面的討論。

(1) 本文通過分區控制的方法，將復雜的丘陵山區劃分為內部條件相對一致的地理區塊，有效抑制了山區復雜地形背景噪聲的影響。而耕地分層分級的提取方法，則充分考慮了各類型耕地的特點，避免了不同類型耕地之間的相互干擾，使得樣本制作和提取模型訓練難度大大降低，有效減少了漏提率和錯提率。

(2) 相對于傳統的只利用影像光譜信息的提取方法，利用深度學習技術進行耕地信息提取，獲得了較為準確的耕地邊界信息，而從目視判別的結果來看，深度學習技術所提取的耕地更接近實際耕地的形態，更符合人的視覺感知和對地塊的理解，這充分說明了該類技術在模擬人的視覺感知機制方面具有明顯優勢。

(3) 在構建的提取過程中，本文按照規則耕地、梯田、坡耕地、林間耕地的順序依次提取，并將上一步的結果作為掩膜進行下一步提取的約束。這種分層逐級提取的方式，大幅減少了誤提取率，同時也簡化了4種類型耕地提取結果的融合后處理過程，便于得到完整的、拓撲關系準確的耕地空間分布。

4 總 結

目前遙感信息提取的研究，主要集中在對單一方法的優化調整以及多種方法相結合改造這兩個方面。但筆者認為，意圖使用單一方法或多種方法的簡單組合而去實現復雜遙感信息的準確提取，都存在弊端，主要原因是忽略了實際地理環境的空間異質性和地物特征的多樣性特點。而本文在丘陵山區這一復雜地表環境下，在地理學分析思想和地理圖斑“分區分層感知”理論的指導下，對傳統遙感地學分析的分區分層方法進行了新的發展，在對高分辨率遙感影像視覺特征的分層特征進行對比分析的基礎上，結合深度學習技術，提出了一個分區分層的丘陵山區耕地提取方法，在技術上，本文基于地表地形特征和耕地的視覺特征差異，對耕地形態信息進行逐級分解，每一類地塊的提取過程被拆解為幾何邊緣、紋理結構、語義關系等具體的特征提取算法，靈活運用深度學習模型，針對性地構建自適應可控的主動訓練環境與特征提取模型，所提取的耕地地塊也更符合人對該地物的先驗認知。試驗的定性與定量對比也充分驗證了其的可行性。針對該方法，筆者需要在未來的研究中進一步研究以下幾個方面的問題。

(1) 由于山區空間異質性高，3大地理區塊中都會存在小片其他類型的地理區塊難以被完全區分出來，這些小片區塊中往往分布有不同類型的耕地。雖然本文采用了分層逐級提取的策略，但是由于規則耕地和梯田、坡耕地和林間耕地具有一定的相似性，這些誤提難以避免。因此，改進各類型耕地的深度學習提取模型，有望進一步提高耕地提取的精度。

(2) 規則耕地和梯田都是先使用邊緣模型進行邊緣信息的提取，再通過構線成面得到的耕地地塊。而山區耕地往往與林地、建筑、水塘等其他地類交錯分布，因此在由線構面的過程中其他地類的部分邊緣線會混雜在耕地地塊之中，導致誤提。對于這些誤提取地塊，當數量較多時，人工修正的后處理工作量不小。因此，在未來的研究中，可以考慮利用多期影像數據計算地塊上地物的時序變化特征，以此來區分耕地和非耕地地塊。

(3) 由于山地區域的種植結構十分復雜，同一塊耕地中也種植有多種作物，這種套種現象導致了部分規則耕地和梯田過于破碎。而在提取結果中，一些細小邊界不易被提取出來，從而漏提了部分碎小地塊，這方面還需要對深度邊緣模型作進一步改進，以期提高對精細碎小邊緣的識別與提取能力。

(4) 本文選擇息烽縣這一地形復雜、地類豐富的典型山地區域作為了一個難度較大的試驗區。試驗結果證明了分區分層方法具有很好的適用性，可以考慮推廣到其他地區開展耕地信息的提取。根據本文所提取的耕地圖斑形態信息，可以制作形成精細的耕地空間分布圖和面積統計信息，并以其地塊為基礎識別作物種植類型，從而可支撐完成高精度的山地區域種植結構制圖工作；在耕地地塊基礎上，還可以進一步融合土壤、水文、地形、氣候氣象、社會經濟指標等其他信息，開展種植適宜性評價與結構優化分析，為制定科學的農業規劃與政府決策提供有力支撐。