基于深度學習的耕地“非農(nóng)化”遙感監(jiān)測初探

石婷婷，戴 騰，厲芳婷，王愛華

（1.湖北省航測遙感院，湖北 武漢 430074；2.湖北省測繪工程院，湖北 武漢 430074；3.山東省國土測繪院，山東 濟南 250013）

2020年9月15日我國發(fā)布了最高規(guī)格的保護耕地“非農(nóng)化”文件——《關于堅決制止耕地“非農(nóng)化”行為的通知》，嚴格管理違規(guī)占用耕地綠化造林、超標準建設綠色通道、違規(guī)占用耕地挖湖造景、占用永久基本農(nóng)田擴大自然保護用地、違規(guī)占用耕地從事非農(nóng)建設、違法違規(guī)批地用地等6類耕地“非農(nóng)化”行為[1]。面對這項“最嚴令”，亟需有效手段來保證落實。因此，有效利用遙感監(jiān)測手段快速發(fā)現(xiàn)耕地“非農(nóng)化”的變化情況顯得尤為重要。

本文重點圍繞耕地“非農(nóng)化”行為中的占用耕地挖田造湖、挖湖造景、開挖推土區(qū)以及建設建筑物、構(gòu)筑物、道路等，基于高分辨率衛(wèi)星影像、第三次全國土地變更調(diào)查等資料，探索利用深度學習等遙感衛(wèi)星影像變化監(jiān)測方法實現(xiàn)耕地“非農(nóng)化”疑問圖斑的快速發(fā)現(xiàn)，輔以人工內(nèi)業(yè)判別的方式，構(gòu)建耕地“非農(nóng)化”遙感監(jiān)測的技術流程。

1 深度學習

深度學習作為一個新興的研究熱點，在計算機識別、圖像處理、語言識別、自然語言處理等各領域都取得了一定的成果。隨著高分辨率遙感影像的不斷普及與應用，以卷積神經(jīng)網(wǎng)絡為代表的深度學習在圖像學習領域的效果更是驚人。深度學習擁有更深的網(wǎng)絡層次和豐富的網(wǎng)絡結(jié)構(gòu)，可通過神經(jīng)元逐層傳遞特征信息，每一層還能對前層傳遞的特征進一步挖掘?qū)W習，再通過反復迭代達到全局最優(yōu)點，因此有能力通過學習大規(guī)模數(shù)據(jù)樣本來解決問題[2]。

近年來，很多研究人員將深度學習應用于衛(wèi)星遙感影像目標地物監(jiān)測和變化信息監(jiān)測中，設計了很多優(yōu)秀模型[2]，得到了很好的監(jiān)測成果，如陳一鳴[2]等提出了一種改進的基于U-Net的深度學習方法，采用隨機梯度下降與Momentum組合的優(yōu)化方法訓練深度學習模型以實現(xiàn)語義級別的圖像分割，進而準確識別較復雜的新增建筑物；Ham S[3]等提出了端到端的密集反卷積神經(jīng)網(wǎng)絡，將遙感衛(wèi)星圖像上的抽象特征與細節(jié)特征相結(jié)合，自動檢測建筑物效果較好；宋業(yè)沖[4]等提出了一種基于集成學習的U-Net雙網(wǎng)絡變化信息融合的光伏用地變化檢測方法，極大地提高了分類精度；陳前[5]等分別建立了水體分類數(shù)據(jù)集和水體語義分割數(shù)據(jù)集，構(gòu)建并訓練卷積神經(jīng)網(wǎng)絡和DeepLab V3網(wǎng)絡，水體提取效果均較好；張鑫龍[6]等通過考慮領域信息的改進變化矢量分析法和灰度共生矩陣方法減少了變化檢測時局部對比不一致產(chǎn)生的誤差，設置采樣區(qū)間從可能的變化和未變化區(qū)域中選取像元作為樣本，利用深度玻爾茲曼機進行模型訓練，進而進行變化檢測。本文利用基于DeepLab V3+語義分割的深度學習網(wǎng)絡提取遙感影像中耕地轉(zhuǎn)變?yōu)榻ㄖ铮ê瑯?gòu)筑物、道路）、水域、推土區(qū)的變化圖斑，從而實現(xiàn)耕地“非農(nóng)化”遙感監(jiān)測成果的快速獲取。

2 耕地“非農(nóng)化”遙感監(jiān)測技術路線

2.1 數(shù)據(jù)來源與預處理

本文首先采集高分一號、高分六號、資源系列等高分辨率衛(wèi)星影像數(shù)據(jù)，數(shù)字高程模型及其覆蓋監(jiān)測區(qū)域的控制資料，監(jiān)測范圍境界矢量數(shù)據(jù)，第三次全國土地利用變更調(diào)查數(shù)據(jù)等，并檢查數(shù)據(jù)的規(guī)范性和完整性；再通過坐標轉(zhuǎn)換、投影變換、數(shù)據(jù)融合、數(shù)據(jù)提取等對數(shù)據(jù)進行預處理。

2.2 技術流程

本文設計的基于深度學習的耕地“非農(nóng)化”遙感監(jiān)測技術流程如圖1所示。

圖1 耕地“非農(nóng)化”遙感監(jiān)測技術流程圖

2.2.1 影像處理

本文以覆蓋研究區(qū)的已有正射影像成果為控制源，采用密集匹配的方式采集控制點，并對滿足數(shù)據(jù)源要求的影像進行正射糾正處理；再對糾正后的影像進行融合、色彩合成處理，按縣域范圍進行鑲嵌裁切，得到縣域數(shù)字正射影像成果。影像處理為tif格式4通道影像，第四通道為近紅外通道。

2.2.2 自動變化監(jiān)測提取

本文借鑒陳前[5]等的研究方法設計了基于深度學習的遙感監(jiān)測方法。本文利用該方法對兩期遙感影像進行建筑物（含構(gòu)筑物、道路）、水域（挖田造湖、挖湖造景）、推土區(qū)的變化監(jiān)測，并自動提取變化監(jiān)測結(jié)果。耕地“非農(nóng)化”遙感監(jiān)測指標體系如表1所示。

表1 耕地“非農(nóng)化”遙感監(jiān)測指標體系

1）耕地中新增建筑物（含構(gòu)筑物、道路）監(jiān)測。建筑物、構(gòu)筑物、道路相對于耕地的光譜差異較大，容易區(qū)分。本文基于前期獲取的廣泛的源圖像和已標注耕地中建筑物、構(gòu)筑物、道路特征的標記圖，以DeepLab V3+語義分割模型為編碼器輸出特征圖，利用ResNeSt神經(jīng)網(wǎng)絡進行學習；然后將訓練好的模型分別輸入前、后兩期遙感影像進行建筑物（含構(gòu)筑物、道路）區(qū)域識別；最后將前、后兩期識別結(jié)果相減即可得到新增變化區(qū)域。

2）耕地中新增水域監(jiān)測。DeepLab V3+語義分割水體對于水體范圍較大的山區(qū)地帶效果較好[5]，本文采用DeepLab V3+網(wǎng)絡方法提取山區(qū)地帶的水域，采用NDWI水體指數(shù)法提取坑塘湖泊較多的平原地帶水域；再將前、后兩期水域提取結(jié)果相減即可得到新增水域變化區(qū)域。針對NWDI方法誤提山體陰影為水域的情況，本文利用耕地范圍提取等后處理手段進行剔除。

3）耕地中新增推土區(qū)監(jiān)測。推土區(qū)多為建筑工地設施用地或新開工工地，影像上紋理粗糙、亮度明顯增大。本文采用與建筑物相同的方法制作推土區(qū)樣本，再基于ResNeSt神經(jīng)網(wǎng)絡進行模型訓練，然后分別將模型輸入前、后兩期遙感影像中進行推土區(qū)識別，最后將前、后兩期識別結(jié)果相減即可得到新增推土區(qū)變化區(qū)域。

2.2.3 自動提取結(jié)果后處理

本文基于第三次全國土地利用變更調(diào)查數(shù)據(jù)中的耕地類型數(shù)據(jù)，通過提取、合并等處理形成縣域耕地范圍數(shù)據(jù)；再疊合自動提取的變化圖斑，利用空間分析方法進行空間數(shù)據(jù)整合；然后剔除區(qū)位重復圖斑，合并鄰近圖斑；最后利用圓形度、最小面積等指標剔除細碎圖斑等手段去除偽圖斑。

2.2.4 交互式疑問圖斑判讀

針對自動提取結(jié)果中由于耕地季節(jié)性光譜信息差異導致的錯分、混分，本文采用人工編輯的方式進行交互式判讀，即針對經(jīng)過后處理的耕地“非農(nóng)化”變化監(jiān)測圖斑，以兩期影像融合影像為輔助數(shù)據(jù)，通過卷簾工具進行人工判讀，排除偽變化圖斑，從而進一步提高變化監(jiān)測結(jié)果的準確性。

2.2.5 數(shù)據(jù)整合與變化圖斑統(tǒng)計

本文對提取的各類型變化圖斑進行數(shù)據(jù)整合，形成最終的變化監(jiān)測成果；并統(tǒng)計各類變化圖斑數(shù)量，制作監(jiān)測報告。

2.3 實驗分析

受影像覆蓋不完整的影響，本文選取紅安縣重疊度較高的兩景高分一號衛(wèi)星遙感影像進行實驗，時相分別為2020年9月和2020年11月，實驗重疊區(qū)域面積為1 555 km2，約占紅安縣縣域面積的86.6%。本文分別對兩期影像進行正射糾正處理；再利用內(nèi)嵌深度學習模型的耕地“非農(nóng)化”疑問圖斑自動變化提取軟件分別提取建筑物（含構(gòu)筑物、道路）、水域、推土區(qū)的變化疑問圖斑；然后根據(jù)占用耕地情況進行圖斑去偽處理；最后利用兩期遙感影像進行人工解譯分析。識別提取的耕地“非農(nóng)化”疑問圖斑個數(shù)如表2所示，提取的耕地“非農(nóng)化”疑問圖斑示例如圖2、3所示。

圖2 疑似亂占耕地建房圖斑

表2 紅安縣耕地“非農(nóng)化”遙感監(jiān)測疑問圖斑統(tǒng)計表/個

通過交互式人工判讀發(fā)現(xiàn)，在不考慮變化監(jiān)測圖斑邊界精度的前提下，本文方法識別的疑問圖斑仍存在較多的錯分情況，主要表現(xiàn)為季節(jié)性原因?qū)е洛e提水域變化圖斑、影像質(zhì)量不一致導致錯提建筑物變化圖斑等；但相對于全人工變化識別而言，該方法大大縮短了耕地“非農(nóng)化”遙感監(jiān)測要求的響應時間，減少了人工判別的工作量。在模型訓練準確度上，還需進一步增加不同衛(wèi)星影像的訓練樣本來改進算法、增強模型的泛化能力。

圖3 疑似挖湖造景圖斑

3 結(jié)語

在耕地“非農(nóng)化”禁止令越來越嚴格的背景下，如何快速發(fā)現(xiàn)新增耕地“非農(nóng)化”建設，有的放矢地去監(jiān)督去恢復，是當前自然資源管理部門迫在眉睫的任務。針對違規(guī)占用耕地挖建水域、開挖推土區(qū)、建筑物（含構(gòu)筑物、道路）等非農(nóng)化建設的典型耕地“非農(nóng)化”行為，本文探索了利用前、后兩期衛(wèi)星影像，基于深度學習算法的疑問圖斑快速識別技術路線，為耕地“非農(nóng)化”遙感監(jiān)測的推廣應用提供了新思路，具有重要的參考和應用價值。下一步將在亂占耕地進行綠化造林等方面開展研究，全面覆蓋耕地“非農(nóng)化”遙感監(jiān)測內(nèi)容。