基于高分遙感的耕地監(jiān)測關(guān)鍵技術(shù)研究

劉 專，潘 棟*，胡賽花

(1.湖南第二測繪院，湖南長沙 410029；2.南方丘陵區(qū)自然資源監(jiān)測監(jiān)管重點實驗室，湖南長沙 410029)

近年來，人口快速增長與耕地數(shù)量逐漸減少間的矛盾日益突出，再加上地區(qū)沖突、氣候變化、經(jīng)濟衰退、新冠肺炎疫情等影響，導(dǎo)致我國糧食安全面臨大考，迫切需要執(zhí)行最嚴(yán)格的耕地保護制度。2020年，我國相繼下發(fā)《國務(wù)院辦公廳關(guān)于堅決制止耕地“非農(nóng)化”行為的通知》《國務(wù)院辦公廳關(guān)于防止耕地“非糧化”穩(wěn)定糧食生產(chǎn)的意見》，要求堅決守住耕地紅線。傳統(tǒng)的耕地監(jiān)測主要采用人工目視解譯等方法，該方法工作強度大、效率低、易出錯，已經(jīng)難以適應(yīng)當(dāng)前耕地常態(tài)化監(jiān)測監(jiān)管形勢需求。大數(shù)據(jù)、人工智能、5G、區(qū)塊鏈、知識圖譜、空間信息等高新技術(shù)的迅猛發(fā)展和交叉融合，為耕地保護監(jiān)測監(jiān)管提供了必要的技術(shù)支撐和保障條件。研究耕地遙感監(jiān)測關(guān)鍵技術(shù)對于提升自然資源管理現(xiàn)代化水平、全面壓實耕地保護責(zé)任、保障社會安定和國家安全具有非常深遠(yuǎn)的意義。鑒于此，筆者從耕地減少和耕地增加2個方面開展耕地監(jiān)測，闡述了耕地監(jiān)測的主要流程，研究了耕地監(jiān)測流程中高分遙感智能解譯等關(guān)鍵技術(shù)，并以A縣2022年第1季度耕地監(jiān)測為工程實例，對智能提取結(jié)果進(jìn)行了精度分析，測算了查全率和準(zhǔn)確率2項評價指標(biāo)，滿足耕地監(jiān)測需求，旨在拓展人工智能在耕地監(jiān)測中的創(chuàng)新應(yīng)用，進(jìn)一步提升了耕地監(jiān)測監(jiān)管現(xiàn)代化水平。

1 總體設(shè)計

耕地監(jiān)測內(nèi)容主要分為新增耕地、批準(zhǔn)范圍內(nèi)耕地減少、耕地“非農(nóng)化”和耕地“非糧化”4個方面。其中，新增耕地主要包括補充耕地項目增加、耕地整改恢復(fù)增加和農(nóng)民自主開墾增加；批準(zhǔn)范圍內(nèi)耕地減少是指在用地審批紅線范圍內(nèi)耕地減少的情況；耕地“非農(nóng)化”主要包括非農(nóng)化違法用地、公共服務(wù)設(shè)施、農(nóng)民建房、臨時用地等占用耕地的行為；耕地“非糧化”主要包括設(shè)施農(nóng)用地、農(nóng)村灌溉設(shè)施、農(nóng)村道路、農(nóng)業(yè)結(jié)構(gòu)調(diào)整、坑塘水面等占用耕地的行為，如表1所示。

監(jiān)測更新機制。建立“月發(fā)現(xiàn)、季小結(jié)、年總結(jié)”監(jiān)測更新機制。“月發(fā)現(xiàn)”是指每月根據(jù)當(dāng)月采集的衛(wèi)星影像，對比上年末1 m分辨率衛(wèi)星影像，提取新增耕地、耕地非糧化和非農(nóng)化圖斑；“季小結(jié)”是指每季度根據(jù)當(dāng)季采集的衛(wèi)星影像，對比上年第4季度1 m分辨率衛(wèi)星影像，提取新增耕地、耕地非糧化和非農(nóng)化圖斑。“年總結(jié)”是指年末根據(jù)年度衛(wèi)星影像，對比上年第4季度1 m分辨率衛(wèi)星影像，提取新增耕地、耕地“非農(nóng)化”和耕地“非糧化”圖斑。

最小上圖面積。新增耕地圖斑最小上圖面積為400 m，耕地“非糧化”(除設(shè)施農(nóng)用地)圖斑最小上圖面積為400m，耕地“非農(nóng)化”和設(shè)施農(nóng)用地圖斑最小上圖面積為200 m。

耕地監(jiān)測流程大致可分為以下4個階段：

資料收集與處理階段。收集年度國土變更調(diào)查數(shù)據(jù)、地理國情監(jiān)測數(shù)據(jù)、用地審批數(shù)據(jù)、增減掛鉤數(shù)據(jù)、補充耕地項目數(shù)據(jù)、永久基本農(nóng)田劃定數(shù)據(jù)、高分遙感影像數(shù)據(jù)等。對收集的數(shù)據(jù)進(jìn)行統(tǒng)一坐標(biāo)轉(zhuǎn)換、影像預(yù)處理等。

遙感解譯階段。首先建立樣本庫，立足大量樣本訓(xùn)練，利用深度學(xué)習(xí)算法智能提取耕地變化圖斑，然后利用人機交互解譯，補充提取自動解譯漏提圖斑。

表1 耕地監(jiān)測內(nèi)容

外業(yè)調(diào)查核實階段。對提取的耕地變化圖斑全部開展外業(yè)調(diào)查核實，查明各圖斑的變化類型、變化范圍等實地情況，去除內(nèi)業(yè)提取發(fā)現(xiàn)的偽變化圖斑。

數(shù)據(jù)庫建設(shè)與清單形成階段。根據(jù)外業(yè)調(diào)查核實結(jié)果，建立耕地變化監(jiān)測成果數(shù)據(jù)庫，并生成耕地變化清單。

2 關(guān)鍵技術(shù)

變化樣本庫建設(shè)。

(1)基本要求。綜合利用國土調(diào)查等帶有標(biāo)簽的地表覆蓋分類數(shù)據(jù)及相關(guān)公開的帶有類別標(biāo)記的遙感影像數(shù)據(jù)庫，考慮樣本的純度、數(shù)量、分布等因素，樣本采集要求盡可能選擇采集地區(qū)的所有地類；每一種地類分布情況和表現(xiàn)形式要有典型代表性，記錄樣本的地類名稱、成像時間、地理坐標(biāo)等屬性信息須完整，建立新增耕地、耕地非糧化和非農(nóng)化等耕地變化樣本數(shù)據(jù)庫。

(2)樣本規(guī)格。像素值為1 024×1 024的3組圖片，其中x文件夾包含2張jpg和y文件夾內(nèi)1張png。jpg代表前后時影像，png代表標(biāo)記二值圖(圖1)。其中，二值圖由白色區(qū)域(像數(shù)值為255)代表標(biāo)記的變化區(qū)域，反之黑色區(qū)域(像數(shù)值為0)代表未發(fā)生變化區(qū)域。如果將這一組樣本輸入訓(xùn)練模型，人工智能會將白色區(qū)域標(biāo)記為正樣本，黑色區(qū)域標(biāo)記為負(fù)樣本。所以1組樣本可以包含正樣本、負(fù)樣本，也可以只包含負(fù)樣本(如云霧的負(fù)樣本二值圖可為全黑)。

圖1 變化樣本庫樣本Fig.1 Change sample library sample

構(gòu)建深度學(xué)習(xí)模型。深度學(xué)習(xí)采用卷積神經(jīng)網(wǎng)絡(luò)模型，模型為特征提取層、金字塔池化層、特征融合輸出層和全連接層4個部分，框架如圖2、3所示。基于樣本構(gòu)建并優(yōu)化遙感影像深度學(xué)習(xí)模型，整體工作分為2個階段，即訓(xùn)練和處理。

圖2 變化檢測網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.2 Change detection network structure schematic

圖3 深度學(xué)習(xí)算法模型構(gòu)建Fig.3 Deep learning algorithm model construction

訓(xùn)練階段主要是基于大數(shù)據(jù)(即訓(xùn)練數(shù)據(jù)和標(biāo)注真值)和設(shè)計好的神經(jīng)網(wǎng)絡(luò)，不斷地調(diào)節(jié)參數(shù)，如網(wǎng)絡(luò)的層數(shù)等，深度學(xué)習(xí)算法由數(shù)據(jù)驅(qū)動，模型結(jié)構(gòu)中的參數(shù)對深度學(xué)習(xí)的結(jié)果有明顯影響。參數(shù)調(diào)整目的是為每個參數(shù)尋找最優(yōu)值，以改善模型正確率。同時，根據(jù)驗證結(jié)果對模型進(jìn)行修正，迭代訓(xùn)練樣本、調(diào)整模型參數(shù)，最終得到最優(yōu)網(wǎng)絡(luò)模型和參數(shù)。

處理階段基于學(xué)習(xí)階段得到的網(wǎng)絡(luò)模型和參數(shù)，針對業(yè)務(wù)數(shù)據(jù)進(jìn)行全自動的處理，得到處理結(jié)果。

模型訓(xùn)練與優(yōu)化。神經(jīng)網(wǎng)絡(luò)輸入為訓(xùn)練數(shù)據(jù)，輸出為當(dāng)前網(wǎng)絡(luò)狀態(tài)下的預(yù)測結(jié)果，使用已有的真值進(jìn)行監(jiān)督，利用當(dāng)前神經(jīng)網(wǎng)絡(luò)的預(yù)測輸出與真值計算損失函數(shù)，然后使用梯度反向傳播算法將損失值在神經(jīng)網(wǎng)絡(luò)中進(jìn)行反向傳遞，計算神經(jīng)網(wǎng)絡(luò)中每個參數(shù)的更新梯度值，從而對整個神經(jīng)網(wǎng)絡(luò)優(yōu)化。在實際網(wǎng)絡(luò)訓(xùn)練中，采用隨機梯度下降法(SGD)等優(yōu)化算法，使得神經(jīng)網(wǎng)絡(luò)能夠收斂到一個好的狀態(tài)。隨機梯度下降法(SGD)在每次迭代的過程中會選取一部分樣本(例如50個，稱為1個mini-batch)，使用這部分樣本通過梯度反向傳播算法對神經(jīng)網(wǎng)絡(luò)中的每個參數(shù)進(jìn)行1次優(yōu)化更新；然后在下1次迭代時重新選擇一部分樣本，在上1次優(yōu)化的基礎(chǔ)上對神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行進(jìn)一步優(yōu)化更新；整個優(yōu)化過程如此迭代進(jìn)行。

模型驗證。利用已知真值信息，驗證不同地形、不同地表覆蓋等條件下相關(guān)深度學(xué)習(xí)算法模型的可用性與普適性，若能夠較好地檢測出結(jié)果，則提交模型接口，開展線上試運行；若漏檢較多，則有針對性地補充未檢測出的樣本信息，微調(diào)網(wǎng)絡(luò)結(jié)構(gòu)，迭代優(yōu)化模型，直至效果滿意為止。

典型地物樣本庫建設(shè)。

(1)基本要求。地物分類樣本通過地理國情監(jiān)測成果獲得。找到當(dāng)前時期的國情監(jiān)測成果的矢量和對應(yīng)的影像，以縣為單位，將分幅影像拼接為完整的縣，必須要求以縣為單位的矢量不可出現(xiàn)影像無覆蓋區(qū)域，矢量地類與影像出現(xiàn)嚴(yán)重不套和的情況(圖4)。

圖4 典型地物樣本庫樣本Fig.4 Samples from the sample library of typical ground objects

(2)樣本規(guī)格。像素值為1 024×1 024的2組圖片，其中包含1張jpg影像和標(biāo)記圖png以下為1組示例樣本。一張標(biāo)記圖必須將影像上所有的地類標(biāo)記，一組典型地類樣本組包含多個地類的標(biāo)記，當(dāng)前像素點不同的值代表了不同的地類，其中白色代表水域，黑色代表種植植被，不用的灰度值分別代表建筑區(qū)、道路、林草覆蓋等。

Deep Lab網(wǎng)絡(luò)模型構(gòu)建。結(jié)合典型地物識別樣本庫，實現(xiàn)全自動、快速、高精度分類，并使算法的分類能力在不斷的應(yīng)用過程中智能迭代提升，實現(xiàn)典型地物信息提取識別。Deep Lab 系列語義分割模型是針對圖像進(jìn)行像素級分類任務(wù)而設(shè)計的。像素級分類任務(wù)在計算機視覺中屬于底層任務(wù)，因此特征圖的尺寸和空間不變性對任務(wù)性能的影響更大。

在處理像素級分類任務(wù)中存在2個普遍困難：首先，為了使網(wǎng)絡(luò)模型學(xué)習(xí)到更多抽象特征，在編碼階段會不斷地執(zhí)行下采樣操作，該操作導(dǎo)致了特征的分辨率不斷降低，并最終導(dǎo)致預(yù)測任務(wù)中需要的富含豐富空間上下文信息的密集特征無法被提取；其次，在面對不同尺度的目標(biāo)時，如何有效提取不同尺度的物體特征也是一個棘手的問題。為了解決提取密集特征的問題，Deep Lab 利用了空洞卷積提取密集特征來執(zhí)行像素級分類任務(wù)，空洞卷積本質(zhì)是常規(guī)的卷積中添加空洞，通過空洞增加感受野之后，通過一定的膨脹率提升感受野，保持了原有特征圖的分辨率。

3 工程應(yīng)用

工程應(yīng)用以A縣2022年第1季度為例。

A縣縣域面積接近2 100 km，截至2021年11月1日，該縣常住人口約為80萬人，由山地、丘陵、崗地、平原、水面等地貌構(gòu)成。采用的遙感影像為2022年第1季度遙感影像和2021年第4季度遙感影像，對應(yīng)參數(shù)如表2所示，參考數(shù)據(jù)為2020年度國土變更調(diào)查成果。

表2 高分遙感對應(yīng)參數(shù)

耕地遙感監(jiān)測提取變化圖斑示例如表3所示。監(jiān)測類型分別為新增耕地、耕地非糧化和耕地非農(nóng)化。

表3 耕地遙感監(jiān)測提取變化圖斑示例

接下表

接下表

監(jiān)測結(jié)果。

(1)遙感信息智能提取情況。利用遙感影像變化圖斑智能提取技術(shù)，根據(jù)A縣2022年第1季度遙感影像數(shù)據(jù)和2021年第4季度遙感影像對比分析，提取變化圖斑269個，經(jīng)過外業(yè)調(diào)查核實后，確定實際變化圖斑207個，其中新增耕地圖斑 31個；批準(zhǔn)范圍內(nèi)耕地圖斑75個；耕地“非農(nóng)化”圖斑21個；耕地“非糧化”圖斑80個。

(2)實際監(jiān)測情況。采用智能提取+人機交互提取耕地變化圖斑的方式，A縣2022年第1季度耕地監(jiān)測情況為：提取變化圖斑 304個，經(jīng)過外業(yè)調(diào)查核實后，確定實際變化圖斑255個，其中新增耕地圖斑44個；批準(zhǔn)范圍內(nèi)耕地82個；耕地“非農(nóng)化”圖斑22個；耕地“非糧化”圖斑107個。

精度分析。

(1)查全率。查全率()是衡量遙感影像變化圖斑智能提取技術(shù)提取變化圖斑能力的一種尺度，指智能提取技術(shù)提取的實際變化圖斑個數(shù)()與實際變化圖斑個數(shù)()之比，用公式可表示為:

本次查全率為81%，查全率較高。

(2)準(zhǔn)確率。準(zhǔn)確率()是衡量遙感影像變化圖斑智能提取技術(shù)提取變化圖斑正確程度的一種尺度，指智能提取技術(shù)提取的實際變化圖斑個數(shù)()與智能提取技術(shù)提取的變化圖斑個數(shù)()之比，用公式可表示為:

準(zhǔn)確率為77%，智能提取技術(shù)提取圖斑正確率滿足要求，證明該方法可有效地運用于耕地遙感監(jiān)測中。

4 小結(jié)

(1)該研究對耕地監(jiān)測內(nèi)容進(jìn)行了細(xì)化分類，從耕地減少和耕地增加2個方面監(jiān)測，耕地監(jiān)測內(nèi)容主要分為新增耕地、批準(zhǔn)類耕地減少、耕地非糧化和耕地非農(nóng)化4個方面的類型。

(2)高分遙感解譯作為整個耕地監(jiān)測技術(shù)流程中最關(guān)鍵的核心，在研究遙感影像變化圖斑智能提取技術(shù)的基礎(chǔ)上，補充研究了典型地物要素智能識別提取技術(shù)，并以A縣2022年第1季度耕地監(jiān)測為工程實例，對智能提取精度進(jìn)行了分析，查全率為81%，準(zhǔn)確率為77%，工作效率是傳統(tǒng)人工目視解譯的3倍，滿足耕地監(jiān)測需求。

(3)該研究拓展了人工智能在耕地監(jiān)測中的創(chuàng)新應(yīng)用，進(jìn)一步提升了耕地監(jiān)測監(jiān)管現(xiàn)代化水平，對相關(guān)部門全面壓實耕地保護責(zé)任提供決策依據(jù)，采取有關(guān)措施具有十分重要的意義。