地塊尺度的山區(qū)耕地精準(zhǔn)提取方法

周 楠，楊 鵬，魏春山，沈占鋒，余娟娟，馬曉宇，駱劍承

地塊尺度的山區(qū)耕地精準(zhǔn)提取方法

周 楠1,2，楊 鵬1，魏春山1，沈占鋒1,2※，余娟娟3，馬曉宇4，駱劍承1,2

（1. 中國科學(xué)院空天信息創(chuàng)新研究院，北京 100101；2. 中國科學(xué)院大學(xué)，北京 100049；3. 河海大學(xué)地球科學(xué)與工程學(xué)院，南京 211100；4. 河北工程大學(xué)地球科學(xué)與工程學(xué)院，邯鄲 056000）

山地丘陵區(qū)域耕地資源稀缺，耕地碎片化現(xiàn)象嚴(yán)重，耕地地塊細小狹窄且結(jié)構(gòu)復(fù)雜，導(dǎo)致了地塊級別的耕地信息難以快速、精準(zhǔn)獲取，阻礙了基于高分辨率遙感影像的精準(zhǔn)數(shù)字農(nóng)業(yè)服務(wù)在山地丘陵地區(qū)的應(yīng)用。現(xiàn)有基于邊緣檢測/語義分割的耕地提取方法忽略了地塊的結(jié)構(gòu)化特征，對于狹長地塊提取效果不佳，存在邊界模糊問題。針對上述問題，該研究以西南山區(qū)湖南省邵東縣為研究區(qū)，提出一種面向地塊尺度的山區(qū)耕地遙感影像高精度提取方法。該研究模型主要有以下特征：1）將耕地邊緣作為獨立于耕地地塊外的新類別，使得語義分割能夠更好地區(qū)分耕地地塊邊緣和內(nèi)部區(qū)域；2）級聯(lián)語義分割網(wǎng)絡(luò)和邊緣檢測網(wǎng)絡(luò)，實現(xiàn)耕地邊緣線特征和面特征的融合，使耕地邊緣特征強化，提高耕地地塊邊緣檢測精度；3）針對高分影像中耕地邊緣像素遠少于耕地內(nèi)部像素問題，借助聚焦訓(xùn)練方法，使模型在訓(xùn)練過程中更加關(guān)注邊緣像素，提高邊緣檢測精度。試驗結(jié)果證明，該研究提出的方法在測試集上分類準(zhǔn)確率和交并比分別為92.91%和82.84%，相比基準(zhǔn)方法分別提升4.28個百分點和8.01個百分點。該研究所提取的耕地地塊相比于現(xiàn)有方法更符合耕地的實際分布形態(tài)，為地塊尺度的耕地信息精準(zhǔn)提取提供了實用化方法。

遙感；高分辨率影像；山區(qū)；語義分割；邊緣檢測；耕地地塊

0 引 言

數(shù)字農(nóng)業(yè)是在整個生長季節(jié)監(jiān)測耕地的重要手段。及時準(zhǔn)確的農(nóng)業(yè)信息是國家制定農(nóng)業(yè)政策的重要依據(jù)，對保證糧食安全有著重要的意義[1-3]。早期的耕地邊界信息主要是通過人工繪制的方式進行采集，雖然數(shù)據(jù)較為準(zhǔn)確，但需要耗費大量的人力和物力，阻礙了精準(zhǔn)數(shù)字農(nóng)業(yè)的發(fā)展。隨著科學(xué)技術(shù)的發(fā)展，越來越多的遙感對地觀測技術(shù)被用于種植面積統(tǒng)計、作物病蟲害監(jiān)測以及作物產(chǎn)量預(yù)估[4]。隨著衛(wèi)星遙感影像的空間分辨率不斷提高，其所能呈現(xiàn)的地物視覺特征更加精細，亞米級高分辨率遙感影像基本可界定地物的形態(tài)和類型，使得遙感地物細粒度分類和精準(zhǔn)監(jiān)測成為可能。農(nóng)業(yè)遙感的耕地提取對象從過去的大范圍、大面積的密集耕地區(qū)向更加精準(zhǔn)的耕地地塊轉(zhuǎn)變[5]。

大多數(shù)傳統(tǒng)方法利用圖像分割方法對多期、高空間分辨率和多光譜影像進行耕地提取。Rydberg等[6]結(jié)合多光譜遙感影像數(shù)據(jù)用基于邊緣檢測的圖像分割技術(shù)進行耕地邊界線提取。Yan等[7]利用植被指數(shù)和邊緣檢測對多期遙感影像進行耕地提取。Hong等[8]針對規(guī)則耕地設(shè)計了一套數(shù)學(xué)方法用于農(nóng)田邊界提取。這些方法通常需要結(jié)合多源遙感影像中耕地地塊大小、形狀、紋理等先驗知識人為設(shè)計特征或參數(shù)。傳統(tǒng)的提取方法多基于光譜特征的像素聚合，本質(zhì)上未有效利用圖像的上下文語義、形態(tài)等高階特征，并且忽略了高分遙感影像的其他空間特征，難以在復(fù)雜地形區(qū)域獲取地塊級耕地信息[9-12]。

深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolution Neural Network，DCNN）[13]可從樣本集中自動學(xué)習(xí)出具有代表性特征的能力，其為高分辨率遙感影像地塊提取提供了新的思路。Wu等[14]探索了深度學(xué)習(xí)在高分遙感影像中進行地物提取的可行性，結(jié)果表明其相比于傳統(tǒng)的方法具有更好的性能。Gong等[15]設(shè)計了一種三維卷積神經(jīng)網(wǎng)絡(luò)來從遙感數(shù)據(jù)中獲取時空特征，并進行農(nóng)作物的分類，取得了良好的精度。目前很多基于DCNN的耕地提取方法[16-18]采用語義分割模型來獲取耕地對象，即利用了圖像的紋理、光譜信息，基于像元的同質(zhì)性，自底向上聚合形成待提取的圖像對象[19]。由于耕地地塊往往直接相鄰，相鄰地塊之間共享邊界，在這種情況下，語義分割將產(chǎn)生粘連的多邊形對象。分區(qū)分層分級思想[20-22]為基于高分辨率遙感影像的地塊尺度的耕地提取提供了解決方案，Xia等[23]提出了一種從高分遙感影像上提取耕地地塊的流程，該流程利用邊緣檢測模型RCF[24]和語義分割模型U-Net[25]分別獲取耕地的邊緣和屬性信息。這類方法在模型推理階段所獲取的耕地邊緣和語義特征沒有實現(xiàn)互聯(lián)互通，當(dāng)面向耕地地塊狹長細小、邊界模糊等遙感場景時，無法進行特征互補，導(dǎo)致其在地塊形態(tài)精準(zhǔn)提取效果上表現(xiàn)不佳。

針對上述存在的問題，本文提出了一種基于高分辨率遙感影像的針對山區(qū)復(fù)雜形態(tài)的耕地地塊精準(zhǔn)提取方法來打破“特征孤島”的局面，實現(xiàn)耕地地塊邊緣和語義特征的互聯(lián)互通，主要的思路是：級聯(lián)語義分割模型和邊緣檢測模型，利用增強邊界類和聚焦訓(xùn)練的方法來強化訓(xùn)練樣本。通過訓(xùn)練得到有效的耕地地塊提取模型，并驗證其性能。

1 研究區(qū)及數(shù)據(jù)

1.1 研究區(qū)概況

本文選擇湖南省邵陽市邵東縣作為試驗區(qū)。邵東縣位于中國西南部的山地區(qū)域，地理位置東經(jīng)111°30′～112°5′，北緯26°50′～27°28′，在邵陽市東郊，總面積1 768.75 km2。如圖1所示，該縣境內(nèi)屬湘中丘陵地帶，丘崗地占全縣總面積的61.18%，山地占21.69%，平原多為溪谷平原，僅占10.85%。研究區(qū)耕地細碎化現(xiàn)象嚴(yán)重，耕地地塊細長狹小且結(jié)構(gòu)復(fù)雜，是中國西南丘陵地區(qū)的一個代表性區(qū)域。

1.2 數(shù)據(jù)來源及預(yù)處理

試驗區(qū)衛(wèi)星影像源來源于Google Earth，其空間分辨率為0.53 m，包含RGB三個波段。西南地區(qū)多云多雨，大多影像云量占比高，單期無云影像數(shù)據(jù)獲取難度較大。因此試驗所使用的影像由多期影像裁剪鑲嵌而成，時間跨度從2018年3月至2019年4月。

對試驗數(shù)據(jù)進行耕地樣本采集，利用ArcGIS軟件進行樣本繪制，共得到1 000張512×512像素大小的影像切片。隨機選取600張作為訓(xùn)練集，200張作為驗證集，200張作為測試集。在訓(xùn)練階段，每張高分影像有耕地紋理和耕地邊緣兩種標(biāo)簽，其中紋理標(biāo)簽為二值圖，0表示背景，1表示耕地。耕地邊緣標(biāo)簽為單像素寬的線條。

圖2截取了3種類型樣本的高分遙感影像，對其視覺特征進行說明：1）圖2a為規(guī)則耕地，在空間分布上比較整齊，其邊緣清晰，內(nèi)部紋理較為均勻；2）圖2b為狹長耕地，其地塊狹長細小，邊界清晰，內(nèi)部紋理均勻；3）圖2c為復(fù)雜種植結(jié)構(gòu)地塊，耕地的邊緣特征較為模糊且形態(tài)各異，主要依靠地塊內(nèi)部作物的紋理特征加以辨別。

2 研究方法

基于Google Earth高分遙感影像隨機選擇訓(xùn)練樣本，并利用圖形學(xué)方法增強樣本邊緣得到邊界增強樣本，接著利用樣本對本文提出的級聯(lián)網(wǎng)絡(luò)模型進行聚焦訓(xùn)練，構(gòu)建耕地地塊預(yù)測模型，并預(yù)測影像上的耕地邊緣和紋理信息，通過閉合邊緣線構(gòu)面、柵格轉(zhuǎn)矢量等后處理操作獲取耕地地塊。耕地地塊提取的整體流程如圖3所示。

本文提出的耕地提取方法結(jié)合了語義分割模型和邊緣檢測模型的優(yōu)勢，并進行了3點改進：1）將耕地邊緣作為獨立于耕地地塊外的新類別。2）級聯(lián)語義分割網(wǎng)絡(luò)U-Net[25]和改進的邊緣檢測網(wǎng)絡(luò)HED[26]。3）模型聚焦訓(xùn)練，集中學(xué)習(xí)高分辨率遙感影像中重要但代表性不足的邊緣部分。

2.1 邊界增強

本文在耕地樣本中對耕地邊界進行增強操作，將耕地邊界視為除背景和耕地紋理的第3類。在訓(xùn)練過程中，使用邊界增強后的樣本進行模型訓(xùn)練，得到的概率分布圖將會有額外的類來表示耕地邊界的概率分布，使得語義分割能夠更好區(qū)分耕地地塊邊緣和內(nèi)部區(qū)域。

2.2 級聯(lián)網(wǎng)絡(luò)

圖4為本文耕地提取模型的結(jié)構(gòu)，該模型可視為兩階段任務(wù)，先進行語義分割任務(wù)，再進行邊緣檢測任務(wù)。這類多任務(wù)網(wǎng)絡(luò)既需要高級特征也需要低級特征[27]。所提出的模型是一個級聯(lián)的深度卷積網(wǎng)絡(luò)，它主要分為兩部分：耕地紋理提取和耕地邊緣提取。

耕地紋理提取模型可選用任意的語義分割網(wǎng)絡(luò)，耕地邊界提取模型可選用任意的邊緣檢測網(wǎng)絡(luò)。級聯(lián)后的模型將耕地紋理和邊緣特征進行關(guān)聯(lián)，改善多任務(wù)網(wǎng)絡(luò)的預(yù)測結(jié)果，從而實現(xiàn)耕地地塊的精準(zhǔn)提取。本文選用UNet作為語義分割網(wǎng)絡(luò)和改進的HED作為邊緣檢測網(wǎng)絡(luò)。在整個級聯(lián)模型框架下，本文從3個方面對級聯(lián)在UNet后的HED模型結(jié)構(gòu)加以改進：1）連接UNet輸出層的特征圖和原始圖像作為模型輸入；2）1～4階段每個卷積層的輸出深度減半；3）丟棄階段5及其相應(yīng)的側(cè)向輸出模塊。改進后的HED模型結(jié)構(gòu)如圖5所示。

改進后的HED網(wǎng)絡(luò)參數(shù)較少，改進的原因：1）語義分割模型用于學(xué)習(xí)耕地和田坎的紋理特征，相比于原始遙感影像，其輸出層生成的特征圖背景相對簡單，耕地邊緣提取與耕地紋理提取相關(guān)，因此，一個相對較小的網(wǎng)絡(luò)能夠完成邊緣檢測；2）相對于耕地紋理提取問題，耕地邊緣像素遠少于非邊緣像素，雖然在損失層借助權(quán)重方法可提高邊緣像素的比重，但在不使用預(yù)訓(xùn)練模型參數(shù)的情況下，深度網(wǎng)絡(luò)容易過擬合[28]。

2.3 聚焦訓(xùn)練

聚焦訓(xùn)練（Focus Weights，F(xiàn)W）是借助加權(quán)交叉熵損失函數(shù)[25]來集中學(xué)習(xí)高分辨率遙感影像中重要但代表性不足的邊緣像素，提高邊緣檢測精度。

式中max()作用到的softmax函數(shù)；log表示算法函數(shù)；(,)表示由和為參數(shù)的已知權(quán)重；(,)表示分類函數(shù)；()表示像素的未知特征向量

本次選用基于距離變換函數(shù)的權(quán)重映射。

3 結(jié)果與分析

3.1 環(huán)境與模型訓(xùn)練

硬件平臺為I9-10900k CPU、64GB內(nèi)存和NVIDIA GeForce RTX 3080(10G) GPU，本文設(shè)計的深度學(xué)習(xí)網(wǎng)絡(luò)均在PyTorch框架下搭建。模型訓(xùn)練階段采用動量為0.9的隨機梯度下降算法進行優(yōu)化，學(xué)習(xí)率計劃采用周期學(xué)習(xí)率[29]，最大學(xué)習(xí)率為1×10-3，最小學(xué)習(xí)率為1×10-8，循環(huán)周期為40輪，共3個循環(huán)，批次大小為4，使用加權(quán)交叉熵損失函數(shù)。為了排除其他的干擾因素，本文試驗均采用相同的數(shù)據(jù)增強方法。在本文的試驗中，所采取的數(shù)據(jù)增強手段有隨機尺度裁剪、隨機旋轉(zhuǎn)、鏡像。

3.2 評價指標(biāo)

為了客觀合理地評價模型在高分辨遙感影像中進行耕地提取的精度，本文使用完整度（Completeness，Comp）、正確度（Correctness，Corr）和質(zhì)量（Quality，Qual）[30]來評價本文方法所提取耕地地塊邊界線與真值的吻合程度，使用像素準(zhǔn)確率（Pixel Accuracy，PA）、交并比（Intersection Over Union，IOU）和Kappa系數(shù)評價耕地地塊的提取精度。

3.2.1 線狀評價指標(biāo)

完整度是召回率（Recall）的一種變體，在所提取的邊界線進行緩沖區(qū)建設(shè)，用該緩沖區(qū)與真值（Ground truth）邊界線重疊部分長度和真值邊界線長度的百分比表示；正確度是準(zhǔn)確率的變體，在真值邊界線進行緩沖區(qū)建設(shè)，用該緩沖區(qū)與提取的邊界線重疊部分長度和提取邊界線長度的百分比表示；質(zhì)量是一個結(jié)合完整度和正確度的總體指標(biāo)。以上指標(biāo)計算公式為

式中L表示實際耕地邊界與所提取耕地邊界重疊的長度；L表示所提取的耕地邊界與實際耕地邊界重疊的長度；L和L分別表示實際和提取耕地邊界的長度。

3.2.2 面狀評價指標(biāo)

像素準(zhǔn)確率（PA）能夠表示像素點分類的精度，用影像中分類正確的像素點數(shù)量與像素點總數(shù)的百分比值來表示；交并比（IOU）是語義分割模型的標(biāo)準(zhǔn)評價指標(biāo)，用來表示實際標(biāo)注區(qū)域與預(yù)測區(qū)域之間的重合度。

式中TP和FP分別表示正確預(yù)測和錯誤預(yù)測的像素數(shù)量。

式中表示預(yù)測區(qū)域；表示實際標(biāo)注區(qū)域。

3.3 耕地地塊提取結(jié)果

邵東縣的耕地地塊提取結(jié)果如圖6所示，共得到77.43萬個地塊圖斑，耕地總面積為50 800 hm2。在200張512×512像素大小的測試集上進行精度評定，計算邊界提取精度Qual為61.37%，PA為92.91%。

從耕地地塊提取結(jié)果的細節(jié)圖可以看出，地塊邊緣與真值吻合度較高，部分細長狹小、模糊的地塊存在錯提、漏提的情況，整體提取結(jié)果較好（圖7）。

3.4 與現(xiàn)有方法的耕地地塊提取結(jié)果比較

在現(xiàn)有方法中，通過邊緣檢測模型獲取的耕地邊緣線構(gòu)建面狀地塊，并利用語義分割模型獲取的耕地語義信息與其進行匹配，來獲取地塊的耕地屬性。為驗證本文方法的有效性，將本文方法與現(xiàn)有基于高分遙感影像的耕地地塊提取方法進行對比，選擇具有代表性的DexiNed[31]和RCF[23]邊緣檢測網(wǎng)絡(luò)進行對比試驗，其中DexiNed為現(xiàn)有邊緣檢測模型中的最優(yōu)模型。為便于試驗對比，語義分割網(wǎng)絡(luò)選用UNet，與本文中的級聯(lián)語義分割網(wǎng)絡(luò)相同。

如表1和表2所示，本文方法在測試集上取得了各個評價指標(biāo)的最優(yōu)值，線狀評價指標(biāo)Comp、Corr和Qual分別為83.45%、70.16%、61.37%，與DexiNed和RCF相比均有一定程度的提高，分別提高7.22和5.65、0.16和14.72、4.09和13.91個百分點。面狀評價指標(biāo)PA、IOU和Kappa分別為92.91%、82.84%、84.93%。本文方法與DexiNed和RCF相比均有一定程度的提高，其PA分別提高1.98、4.28個百分點，IOU分別提高3.82、8.01個百分點，Kappa分別提高4.04、8.72個百分點。

表1 試驗結(jié)果的線狀評價指標(biāo)對比

表2 試驗結(jié)果的面狀評價指標(biāo)對比

圖8為耕地地塊邊緣強度提取效果，為清楚觀察提取結(jié)果，選取部分測試地塊的預(yù)測邊緣強度，通過圖片可以看出，本文方法在視覺上具有較好的效果。

由網(wǎng)頁端、手機移動端、微信公眾平臺三位一體的河長制信息化系統(tǒng)，將成為河長巡河、公眾監(jiān)督、流域管理的利器。其中，“人人護水APP”將成為促進公眾與政府、公眾與企業(yè)互動的網(wǎng)絡(luò)監(jiān)督平臺。

通過圖8可看出本文方法對圖2中所示的3種耕地地塊形態(tài)在測試地塊上都進行了有效的學(xué)習(xí)，在復(fù)雜遙感場景下具有較好的泛化能力。通過圖8a、8b、8c、8d和8e可以看出該方法所提邊緣強度較現(xiàn)有方法更加清晰，在狹長細小的耕地地塊提取上表現(xiàn)更好；由圖8d紅框可看出該方法對非耕地類的地塊邊界有很好的過濾效果；通過圖8e可以看出該方法在復(fù)雜種植結(jié)構(gòu)地塊上邊緣強度也可以正常預(yù)測。

4 討 論

西南山區(qū)耕地大多為破碎化地塊，地塊細小狹長，與自然地物接邊的地塊無明顯人工構(gòu)筑痕跡，導(dǎo)致其在高分辨率遙感影像上呈現(xiàn)邊緣模糊，這給大范圍耕地地塊自動化提取帶來了挑戰(zhàn)?，F(xiàn)有的基于高分影像的耕地地塊提取方法[23]割裂了耕地紋理和邊緣的聯(lián)系，使得現(xiàn)有方法在上述耕地地塊類型提取中表現(xiàn)不佳，在測試集中提取精度Qual為47.46%、IOU為74.83%。本研究僅基于耕地紋理和邊緣特征融合進行耕地地塊提取的精度Qual為61.36%、IOU為82.37%，結(jié)合聚焦訓(xùn)練策略強化耕地邊緣，精度Qual為61.37%、IOU為82.84%。先前耕地地塊提取研究中，首先利用邊緣檢測模型獲取的耕地邊緣線構(gòu)建面狀地塊，并利用語義分割模型賦予地塊屬性信息，這種兩階段方法導(dǎo)致耕地邊緣線提取過程中缺乏語義特征的監(jiān)督，使得結(jié)果中包含較多的非耕地類邊界，高分影像中“同物異譜”和“同譜異物”的特點使得這類問題更加突出。本研究級聯(lián)語義分割和邊緣檢測模型，邊緣特征在語義特征導(dǎo)向下進行模型訓(xùn)練，本文方法能夠有效過濾非耕地類邊界。

但是本研究仍存在一些局限性。西南山區(qū)多云多雨，難以獲取單一時期的高分影像，為了獲取無云影像，利用多期影像進行鑲嵌，由于不同時期影像存在色差，鑲嵌效果存在一些不確定性。在未來研究中，將考慮光學(xué)協(xié)同雷達影像，并結(jié)合遷移學(xué)習(xí)改善影像色差問題，實現(xiàn)山區(qū)耕地地塊快速精準(zhǔn)提取。

5 結(jié) 論

精準(zhǔn)的耕地地塊信息對于國家制定農(nóng)業(yè)政策具有重要參考價值，受限于山地丘陵地區(qū)破碎化和復(fù)雜的種植結(jié)構(gòu)，現(xiàn)有的耕地地塊提取方法無法滿足實際應(yīng)用需求?；诟剡吘壓驼Z義特征融合的思路，本研究實現(xiàn)了耕地地塊的精準(zhǔn)提?。?/p>

1）線模型與面模型級聯(lián)可有效融合線特征與面特征，提取精度明顯優(yōu)于單獨使用線模型或者面模型；

2）損失函數(shù)分為線損失項和面損失項兩部分，給予線損失項較大權(quán)重能夠促使模型聚焦于邊緣線的訓(xùn)練，同時補充部分面特征，有效解決了狹長地塊邊界模糊的問題；

3）在影像源質(zhì)量有保障的前提下，該研究提出的方法可通過增補少量樣本數(shù)據(jù)強化訓(xùn)練，實現(xiàn)山地丘陵地物地塊級尺度耕地快速精準(zhǔn)提取，具有一定的泛化能力。

[1] Aguilar M A, Salda?a M M, Aguilar F J. GeoEye-1 and WorldView-2 pan-sharpened imagery for object-based classification in urban environments[J]. International Journal of Remote Sensing, 2013, 34(7): 2583-2606.

[2] Shi Y, Lou Y, Zhang Z, et al. Estimation of methane emissions based on crop yield and remote sensing data in a paddy field[J]. Greenhouse Gases: Science and Technology, 2020, 10(1): 196-207.

[3] 吳炳方. 中國農(nóng)情遙感速報系統(tǒng)[J]. 遙感學(xué)報，2004(6)：481-497.

Wu Bingfang. China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004(6): 481-497. (in Chinese with English abstract)

[4] Waldner F, Diakogiannis F I. Deep learning on edge: Extracting field boundaries from satellite images with a convolutional neural network[J]. Remote Sensing of Environment, 2020, 245: 111741.

[5] 劉巍，吳志峰，駱劍承，等. 深度學(xué)習(xí)支持下的丘陵山區(qū)耕地高分辨率遙感信息分區(qū)分層提取方法[J]. 測繪學(xué)報，2021，50(1)：105-116.

Liu Wei, Wu Zhifeng, Luo Jiancheng, et al. A divided and stratified extraction method of high-resolution remote sensing information for cropland in hilly and mountainous areas based on deep learning[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(1): 105-116. (in Chinese with English abstract)

[6] Rydberg A, Borgefors G. Integrated method for boundary delineation of agricultural fields in multispectral satellite images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(11): 2514-2520.

[7] Yan L, Roy D P. Automated crop field extraction from multi-temporal Web Enabled Landsat Data[J]. Remote Sensing of Environment, 2014, 144: 42-64.

[8] Hong R, Park J, Jang S, et al. Development of a parcel-level land boundary extraction algorithm for aerial imagery of regularly arranged agricultural areas[J]. Remote Sensing, 2021, 13(6): 1167.

[9] Myint S W, Gober P, Brazel A, et al. Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery[J]. Remote Sensing of Environment, 2010, 115(5): 1145-1161.

[10]Zhang X, Wang Q, Chen G, et al. An object-based supervised classification framework for very-high-resolution remote sensing images using convolutional neural networks[J]. Remote Sensing Letters, 2018, 9(4): 373-382.

[11]Hao P, Zhan Y, Wang L, et al. Feature selection of time series MODIS data for early crop classification using random forest: A case study in Kansas, USA[J]. Remote Sensing, 2015, 7(5): 5347-5369.

[12]Gao F, Anderson M C, Zhang X, et al. Toward mapping crop progress at field scales through fusion of Landsat and MODIS imagery[J]. Remote Sensing of Environment, 2017, 188: 9-25.

[13]Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553): 436.

[14]Wu Tianfu, Hu Wei, Huang Yangyu, et al. Deep convolutional neural networks for hyperspectral image classification[J]. Journal of Sensors, 2015, 2015:1-12.

[15]Gong Jianya, Ji Shunping. Photogrammetry and deep learning[J]. Journal of Geodesy and Geoinformation Science, 2018(1): 1-15.

[16]魯恒，付蕭，賀一楠，等. 基于遷移學(xué)習(xí)的無人機影像耕地信息提取方法[J]. 農(nóng)業(yè)機械學(xué)報，2015，46(12)：274-279.

Lu Heng, Fu Xiao, He Yinan, et al. Cultivated land information extraction from high resolution UAV images based on transfer learning[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(12): 274-279. (in Chinese with English abstract)

[17] Garcia-Pedrero A, Lillo-Saavedra M, Rodriguez-Esparragon D, et al. Deep learning for automatic outlining agricultural parcels: Exploiting the land parcel identification system[J]. IEEE Access, 2019, 7: 158223-158236.

[18]Masoud K M, Persello C, Tolpekin V A. Delineation of agricultural field boundaries from Sentinel-2 images using a novel super-resolution contour detector based on fully convolutional networks[J]. Remote sensing, 2020,12(1):1-16.

[19]巫兆聰，胡忠文，張謙，等. 結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J]. 測繪學(xué)報，2013，42(1)：44-50.

Wu Zhaocong, Hu Zhongwen, Zhang Qian, et al. On combing spectral, textural and shape features for remote sensing image segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1): 44-50. (in Chinese with English abstract)

[20] 駱劍承，吳田軍，吳志峰，等. 遙感大數(shù)據(jù)智能計算[M]. 科學(xué)出版社，2020.

[21] Wei L, Jian W, Jiancheng L, et al. Farmland parcel mapping in mountain areas using time-series SAR data and VHR optical images[J]. Remote Sensing, 2020, 12(22): 3733.

[22]Liu H, Luo J, Sun Y, et al. Contour-oriented cropland extraction from high resolution remote sensing imagery using richer convolution features network[C]//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics), Istanbul,Turkey: IEEE, 2019.

[23]Xia L, Luo J, Sun Y, et al. Deep extraction of cropland parcels from very high-resolution remotely sensed imagery[C]//2018 7th International Conference on Agro-Geoinformatics(Agro-Geoinformatics), Hangzhou, China: IEEE, 2018: 405-409.

[24]Liu Y, Cheng M, Hu X, et al. Richer convolutional features for edge detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(8): 1939-1946.

[25]Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation[C]//2015 18th International Conference on Medical Image Computing and Computer-Assisted Intervention, Munich, Germany:2015: 234-241.

[26]Xie S, Tu Z. Holistically-nested edge detection[J]. InternationalJournal of Computer Vision, 2015, 125(3):3-18.

[27]Yang J, Price B, Cohen S, et al. Object contour detection with a fully convolutional encoder-decoder network[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition, Seattle, WA: IEEE, 2016:193-202.

[28]Liu Y, Yao J, Lu X, et al. RoadNet: learning to comprehensively analyze road networks in complex urban scenes from high-resolution remotely sensed images[J]. IEEE Transactions on Geoscience Remote Sensing, 2018, 57: 2043-2056.

[29]Smith L. Cyclical learning rates for training neural networks[C]//2017 17th IEEE Winter Conference on Applications of Computer Vision, Santa Rosa, CA: IEEE, 2017: 464-472.

[30]Wiedemann C, Heipke C, Mayer H, et al. Empirical evaluation of automatically extracted road axes[J]. Empirical Evaluation Methods in Computer Vision, 1998, 12: 172-187.

[31]Soria X, Riba E, Sappa A. Dense extreme inception network: towards a robust CNN model for edge detection[C]//2020 IEEE Winter Conference on Applications of Computer Vision, Snowmass, CO: IEEE, 2020: 1912-1921.

Accurate extraction method for cropland in mountainous areas based on field parcel

Zhou Nan1,2, Yang Peng1, Wei Chunshan1, Shen Zhanfeng1,2※, Yu Juanjuan3, Ma Xiaoyu4, Luo Jiancheng1,2

(1.,,100101,; 2.,100049,; 3.,,211100,; 4. School of056000,)

In mountainous and hilly areas, cultivated land resources are scarce, and the phenomenon of cultivated land fragmentation is serious. The long and narrow arable land plots are complex in structure, which makes it difficult to obtain the information of cultivated land at the land level quickly and accurately, and hinders the application of precise digital agricultural services based on high resolution remote sensing images in mountainous and hilly areas. Parcle-level cultivated land information can intuitively show the spatial distribution, boundary details of farmland, and is of great significance for precision agriculture management, distribution of planting subsidies, and agricultural resource survey. Existing edge detection/semantic segmentation networks-based farmland extraction methods ignore the structural features of the parcel, thus have limit performance for handling narrow and small plots, and there is also a blurring boundary problem. To address these issues, we proposed an accurate extraction method of cropland in mountainous area based on geographic parcels. This method combines the advantages of semantic segmentation and edge detection, and effectively extracts and integrates the linear features of the boundary and the internal texture features of the parcel, so as to improve the recognition accuracy of the cultivated land. The main features of the model in this paper are as follows: 1) The edge of cultivated land is regarded as a new class independent of cultivated land parcels, so that the semantic segmentation network can better distinguish the edge and internal area of cultivated land parcels; 2) A cascaded semantic segmentation and edge detection network is introduced to correlate the prediction of cultivated land surface and line, realize the fusion of boundary and texture features of cultivated land parcels and strengthen the edge features of cultivated land, so as to improving the accuracy of cultivated land block edge detection; 3) A focus training technique is proposed to address the problem that the edge pixels of cultivated land are far fewer than non-edge pixels, by enforcing the model pay more attention to the important but underrepresented edge pixels in high resolution remote sensing images in the training process, so as to improve the edge detection accuracy. We conduct experiments in Shaodong County, Hunan Province in the southwest mountainous area, using the Google Earth high-resolution remote sensing images as the data source, with a spatial resolution of 0.53 m. After manual selection, a total of 1000 512×512 image patches are obtained. Among them, 600 pieces are used as the training set, 200 pieces are used as the verification set, and 200 pieces are used as the test set. Experimental results show that the presented model achieves satisfying results with an overall accuracy of 92.91% and IoU (Intersection-Over-Union) of 82.84% on the test set, which was 4.28 percentage points and 8.01 percentage points higher than the baseline method respectively. Compared with the existing methods, the cultivated land extracted in this study is more consistent with the actual distribution pattern of cultivated land, which provides a practical method for accurate extraction of cultivated land information at the plot scale in mountainous and hilly regions.

remote sensing; high resolution image; hilly and mountainous areas; semantic segmentation; edge detection; cropland-parcel extraction

周楠，楊鵬，魏春山，等. 地塊尺度的山區(qū)耕地精準(zhǔn)提取方法[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(19)：260-266.doi：10.11975/j.issn.1002-6819.2021.19.030 http://www.tcsae.org

Zhou Nan, Yang Peng, Wei Chunshan, et al. Accurate extraction method for cropland in mountainous areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 260-266. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.19.030 http://www.tcsae.org

2021-06-17

2021-09-28

國家重點研發(fā)計劃項（2018YFB0505000）；國家自然科學(xué)基金項目（41971375）

周楠，博士生，中級工程師，研究方向為遙感智能計算。Email：zhounan@aircas.ac.cn

沈占鋒，博士，研究員，研究方向為高分遙感影像信息提取與分析。Email：shenzf@aircas.ac.cn

10.11975/j.issn.1002-6819.2021.19.030

TP79

A

1002-6819(2021)-19-0260-07