耕地“非農(nóng)化”遙感解譯樣本分類體系及應(yīng)用

厲芳婷，張 過，石婷婷，李 樂

耕地“非農(nóng)化”遙感解譯樣本分類體系及應(yīng)用

厲芳婷1,2，張 過1※，石婷婷3，李 樂4

（1. 武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，武漢 430079；2. 湖北省測繪工程院，武漢 430074；3. 湖北省航測遙感院，武漢 430074；4. 廣東工業(yè)大學(xué)管理學(xué)院，廣州 510520）

了解耕地“非農(nóng)化”的時空格局及其演變過程，是合理制定土地利用政策的重要依據(jù)；衛(wèi)星遙感具有大范圍的時空監(jiān)測能力，基于遙感影像進(jìn)行耕地監(jiān)測，極為高效。針對耕地“非農(nóng)化”類型復(fù)雜多樣、“非農(nóng)化”遙感監(jiān)測分類體系缺乏的問題，該研究提出了耕地“非農(nóng)化”遙感解譯樣本分類體系，進(jìn)而構(gòu)建耕地“非農(nóng)化”遙感解譯樣本庫。針對樣本采集效率低、質(zhì)量差的問題，該研究提出了一種基于地理國情監(jiān)測成果的快速樣本采集方法，用于快速獲取高精度、高可靠性的“非農(nóng)化”遙感解譯樣本。為驗(yàn)證方法的可行性和有效性，選取湖北省范圍作為研究區(qū)域，利用該研究所提出的耕地“非農(nóng)化”樣本體系和樣本采集方法，采集了覆蓋平原、丘陵、山地、高山等地形的9類樣本，并形成了深度學(xué)習(xí)模型訓(xùn)練的樣本庫；選擇EfficientNet深度學(xué)習(xí)網(wǎng)絡(luò)提取湖北省耕地“非農(nóng)業(yè)”空間分布。結(jié)果表明：1）基于地理國情監(jiān)測成果的樣本采集方法可以極大地利用地理國情監(jiān)測數(shù)據(jù)空間、屬性精度高的特點(diǎn)，快速、精確定位變化樣本。2）依據(jù)分類體系采集的樣本用于模型優(yōu)化后，樣本數(shù)量超過5 000時，模型精度有明顯提高。在驗(yàn)證區(qū)域，采用目視解譯和外業(yè)核查點(diǎn)的方式進(jìn)行精度驗(yàn)證，其正檢率分別為67.0%和76.5%，召回率分別為77.9%和76.5%。3）利用樣本體系訓(xùn)練構(gòu)建的網(wǎng)絡(luò)模型相較于全要素樣本訓(xùn)練模型，精度有顯著提高，5個核查區(qū)正檢率均提高20個百分點(diǎn)以上。因此，該研究提出的方法可以提高耕地“非農(nóng)化”遙感監(jiān)測的效率和精度，可適用于區(qū)域尺度的耕地遙感季度監(jiān)測。

遙感；分類；解譯；樣本；耕地；非農(nóng)化；精度評價

0 引 言

近年來，中國耕地存在著總體質(zhì)量差、人均面積少、耕地破壞等問題，糧食安全面臨著新的挑戰(zhàn)[1-5]。以湖北省為例，該省2010年耕地面積約531.228萬hm2，到2018年耕地面積下降至523.54萬hm2。2010—2018年間，湖北省耕地面積呈持續(xù)減少趨勢[6]。其中，中部省會城市為主的城鎮(zhèn)化進(jìn)程加快，其中心城區(qū)的城市擴(kuò)張主要表現(xiàn)為耕地用地性質(zhì)變化，遠(yuǎn)城區(qū)城市擴(kuò)張主要表現(xiàn)為耕地破碎程度加大[7]。其耕地“非農(nóng)化”典型問題主要表現(xiàn)為超標(biāo)準(zhǔn)建設(shè)綠色通道、占用耕地挖湖造景、占用永久基本農(nóng)田擴(kuò)大自然保護(hù)地、占用耕地從事非農(nóng)建設(shè)等。2021年自然資源部、農(nóng)業(yè)農(nóng)村部、國家林業(yè)和草原局聯(lián)合發(fā)文《關(guān)于嚴(yán)格耕地用途管制有關(guān)問題的通知》中提出了遏制耕地“非農(nóng)化”的要求。自然資源部辦公廳發(fā)出通知《開展2021年違法違規(guī)占用耕地重點(diǎn)問題整治的通知》進(jìn)一步明確了耕地“非農(nóng)化”4個方面的突出問題[8-10]。了解耕地“非農(nóng)化”的時空格局及其演變過程，是合理制定土地利用政策的重要依據(jù)。

衛(wèi)星遙感以其大范圍的時空監(jiān)測能力，成為耕地監(jiān)測的有效方式，能夠?qū)Ω亍胺寝r(nóng)化”進(jìn)行動態(tài)監(jiān)測監(jiān)管[11-14]。已有研究表明國產(chǎn)高分辨率遙感影像可實(shí)現(xiàn)面向水體、建筑、大棚、光伏等用地自動提取[15-19]?；谏疃葘W(xué)習(xí)網(wǎng)絡(luò)進(jìn)行土地覆蓋分類的方法可以大致分為兩類：一是對土地覆蓋全部類型選擇訓(xùn)練樣本，利用單一網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到土地覆蓋/利用分類圖；二是對土地覆蓋全部類型選擇訓(xùn)練樣本后，對每種覆蓋類型選擇不同的適宜網(wǎng)絡(luò)，組合多個網(wǎng)絡(luò)得到土地覆蓋/利用分類圖[20-22]。

基于深度學(xué)習(xí)的耕地“非農(nóng)化”遙感監(jiān)測依然存在挑戰(zhàn)。其一，耕地 “非農(nóng)化”類型多樣復(fù)雜，缺乏“非農(nóng)化”遙感監(jiān)測樣本分類體系。目前，在遙感“非農(nóng)化”監(jiān)測中，采用的不同的變化識別類型，導(dǎo)致了樣本類型不統(tǒng)一，深度學(xué)習(xí)模型訓(xùn)練得不到有效的優(yōu)化，制約“非農(nóng)化”耕地的自動識別精度[23-26]。其二，樣本采集方法決定監(jiān)測精度?；谏疃葘W(xué)習(xí)構(gòu)建變化檢測模型，需要以海量遙感樣本數(shù)據(jù)為輸入，樣本的數(shù)量和質(zhì)量決定了監(jiān)測模型的檢測精度[26-28]。有研究表明，訓(xùn)練樣本本身的質(zhì)量對分類精度的影響比分類技術(shù)本身對測量精度的影響還要大[29]。

本文針對耕地“非農(nóng)化”遙感監(jiān)測缺乏針對性解譯樣本的問題，通過對耕地轉(zhuǎn)出情況的研究分析，建立統(tǒng)一的耕地“非農(nóng)化”遙感解譯樣本分類方法，利用地理國情監(jiān)測成果的空間、時間、屬性精度的可靠性[30-32]，提出一種樣本采集方法和規(guī)則，以提高樣本采集的效率和精度。本文通過選取研究區(qū)域兩期高分辨率影像進(jìn)行數(shù)據(jù)處理，利用提出的樣本采集方法和分類體系建立研究區(qū)的耕地“非農(nóng)化”遙感解譯樣本庫，選取網(wǎng)絡(luò)模型進(jìn)行監(jiān)測模型訓(xùn)練，并采用兩種精度評價方法進(jìn)行了研究區(qū)實(shí)證分析。

１ 研究區(qū)及數(shù)據(jù)源

1.1 研究區(qū)域概況

本文研究區(qū)域選擇享有“中部糧倉”美譽(yù)的湖北省省域范圍。湖北省位于29°05′～33°20′N，108°21′～116°07′E之間。湖北省地處中國地勢第二級階梯向第三級階梯過渡地帶，地貌類型多樣，山地、丘陵、崗地和平原兼?zhèn)?。山地約占全省總面積55.5%，丘陵和崗地占24.5%，平原湖區(qū)占20%。地勢高低相差懸殊，西部有號稱“中華屋脊”的神農(nóng)架最高峰神農(nóng)頂，海拔3 106.2 m；東部平原的監(jiān)利縣譚家源附近，高程為零。漢江自西向東南，匯入長江，在湖北中南部形成了江漢平原，自古有“魚米之鄉(xiāng)”之稱，與湖南洞庭湖平原連成一片。2018年全省耕地面積為523.54萬hm2[5]，分布水田、旱地（圖1）。根據(jù)2018年度土地變更調(diào)查數(shù)據(jù)顯示，湖北人均耕地0.087 hm2，低于全國0.101 hm2的平均水平。湖北省農(nóng)作物品種豐富，南北兼有，全省耕作制度以一年兩熟為主，三、四熟為輔，農(nóng)作物復(fù)種指數(shù)230%左右。

圖1 湖北省地形分類和耕地分布

1.2 數(shù)據(jù)及預(yù)處理

研究所使用的數(shù)據(jù)集包括：高分辨率衛(wèi)星遙感影像，地理國情監(jiān)測成果矢量數(shù)據(jù)及同時相優(yōu)于1 m分辨率的正射影像底圖成果，30 m的土地利用遙感監(jiān)測數(shù)據(jù)。

高分辨率衛(wèi)星遙感數(shù)據(jù)選取2020年第3季度、第4季度國產(chǎn)光學(xué)高分辨率衛(wèi)星影像，包括資源衛(wèi)星系列、高分系列、北京二號等（圖2）。數(shù)據(jù)覆蓋情況：資源三號影像672景，高分1號影像614景，高分2號影像983景，高分6號影像132景，高分7號影像133景，北京1號影像537景，實(shí)現(xiàn)2次全省覆蓋。

圖2 2020年第三季度和第四季度影像覆蓋情況

對原始遙感影像進(jìn)行質(zhì)量檢查，剔除因云量等質(zhì)量較差的數(shù)據(jù)。對原始影像進(jìn)行全色影像正射糾正、多光譜影像正射糾正、影像融合、投影、重采樣等預(yù)處理?？紤]“非農(nóng)化”耕地監(jiān)測變化識別地塊大小的需求，樣本采集的最小上圖面積為400 m2，其中推填土為1 000 m2。同時，為保持解譯樣本變化前后影像分辨率的一致性，正射影像統(tǒng)一校正到2 m分辨率。

地理國情監(jiān)測成果矢量數(shù)據(jù)來源于2015年和2018年度湖北省地理國情監(jiān)測地表覆蓋，包括房屋建筑、鐵路與道路、構(gòu)筑物、人工堆掘地、種植土地、林草覆蓋、水域、荒漠與裸露地等8一級類和47個二級類。提取其中水田、旱地、房屋建筑區(qū)、構(gòu)筑物、大棚等等二級分類的矢量范圍。

土地利用遙感監(jiān)測數(shù)據(jù)從資源環(huán)境科學(xué)與數(shù)據(jù)中心下載，（https://www.resdc.cn/data.aspx?DATAID=312），對多期土地利用分類柵格數(shù)據(jù)提取矢量邊線，選取耕地的矢量范圍，用于參考選取耕地變化范圍。

2 方 法

2.1 耕地“非農(nóng)化”樣本分類體系設(shè)計

針對耕地“非農(nóng)化”遙感監(jiān)測分類體系缺乏所導(dǎo)致的深度學(xué)習(xí)模型的優(yōu)化問題，本文通過對已有數(shù)據(jù)的綜合分析，發(fā)現(xiàn)了耕地轉(zhuǎn)出為其他用地的主要類型，進(jìn)而提出了一套耕地“非農(nóng)化”樣本分類體系（如表1所示）。

基于省級部門統(tǒng)計數(shù)據(jù)、地理國情監(jiān)測數(shù)據(jù)、行政部門通報等數(shù)據(jù)綜合分析，統(tǒng)計湖北省武漢市、襄陽市、宜昌市等地區(qū)在2015年和2018年的耕地轉(zhuǎn)出為其他用地的情況。結(jié)合2020年、2021年全國各地衛(wèi)片執(zhí)法工作通報，研究發(fā)現(xiàn)“非農(nóng)化”耕地產(chǎn)生的主要原因包括：占用耕地種樹、建房、挖湖、修路、新建大棚、新建光伏、新建造景公園、耕地變推填土、耕地變其他農(nóng)用設(shè)施地。因此，本文將耕地轉(zhuǎn)出為其他用地的情況分為9種主要類型，提出了耕地“非農(nóng)化”樣本分類體系，如表1所示；非農(nóng)化耕地變化類型光譜特征如圖3所示。其中，

樣本類型01～06為典型對象化變化類別，即耕地變?yōu)槠渌麊我坏匚锏那闆r；07～09為典型場景化變化，主要解釋由耕地變?yōu)槠渌C合場景的情況。

表1 耕地“非農(nóng)化”樣本分類

圖3 典型對象化變化示例

圖3a顯示為前期影像上的耕地光譜特性，圖3b為耕地“非農(nóng)化”的9種類型，方框范圍定位變化區(qū)域。可以看出，本文所提出的樣本分類體系中的類型有著較為明顯的特征差異，通過目視識別，可以較準(zhǔn)確選取樣本。

2.2 基于地理國情監(jiān)測成果的“非農(nóng)化”樣本采集

基于深度學(xué)習(xí)的遙感監(jiān)測方法需要大量的解譯樣本，現(xiàn)有研究中樣本采集主要是通過人工目視判讀和半自動人機(jī)交互的標(biāo)注方法。本文利用地理國情監(jiān)測成果的屬性可靠性準(zhǔn)確識別地類變化，利用其高空間位置精度特性提取樣本區(qū)域，依據(jù)地類覆蓋轉(zhuǎn)化類型，確定“非農(nóng)化”9類樣本，通過編碼映射關(guān)系獲得耕地“非農(nóng)化”樣本。

具體步驟如圖4所示：1）地理國情監(jiān)測數(shù)據(jù)處理。選取前后兩個年度的地理國情監(jiān)測成果的矢量數(shù)據(jù)，選取前期成果中的二級類為水田、旱地的矢量范圍，選取后期成果中二級類為房屋建筑（區(qū)）、構(gòu)筑物、大棚、光伏、其他采掘場、推填土（建筑工地）、其他人工堆掘地、湖泊、坑塘、鐵路、道路的矢量范圍。2）空間相交分析。提取后的結(jié)果通過空間相交分析，可以獲得實(shí)際耕地變化圖斑，定位樣本空間位置。3）編碼映射。利用定位結(jié)果對前后兩期成果對應(yīng)的遙感影像成果采用512像素×512像素作為樣本裁切尺寸采集樣本。通過自動編碼對照表（表2）將采集的樣本對應(yīng)到耕地“非農(nóng)化”9大樣本類型中，整理獲得最后的樣本成果。

圖4 基于地理國情監(jiān)測成果的樣本采集流程

表2 地理國情監(jiān)測編碼與樣本體系編碼對照

2.3 基于深度學(xué)習(xí)方法的“非農(nóng)化”耕地遙感監(jiān)測

2.3.1 耕地“非農(nóng)化”樣本庫構(gòu)建

本文中樣本庫包括多光譜衛(wèi)星影像樣本和瓦片圖片樣本。影像樣本是指耕地變化前后時相樣本影像；瓦片樣本是指用變化圖斑采集制作的瓦片數(shù)據(jù)[33]。

1）“非農(nóng)化”影像樣本庫制作

采用本文所提出的基于地理國情監(jiān)測成果的“非農(nóng)化”樣本采集方法構(gòu)建影像樣本庫。同時，為了擴(kuò)展本樣本集的體量，提高樣本數(shù)據(jù)之間的共同特征比例，通過翻轉(zhuǎn)、旋轉(zhuǎn)以及添加噪聲的方式增加樣本，對已有樣本擴(kuò)充4～5倍，使得樣本模式更加多樣化。

2）“非農(nóng)化”瓦片樣本庫制作

影像樣本采集完成后，利用融合后的RGB 3通道24位真彩色影像進(jìn)行瓦片樣本采集。變化檢測樣本采集時保證前后時相影像分辨率盡量一致、空間參考完全一致、前后時相影像空間位置完全套合。樣本采集過程中，以進(jìn)行交互式樣本圖斑勾畫，勾畫出樣本有效范圍，舍棄影像質(zhì)量不好、對樣本識別和可分性帶來干擾的影像區(qū)域（圖5）。

圖5 變化檢測樣本示例

2.3.2 基于深度學(xué)習(xí)網(wǎng)絡(luò)的“非農(nóng)化”耕地監(jiān)測模型訓(xùn)練

針對“非農(nóng)化”場景復(fù)雜的特點(diǎn)，本文選用的像素級、雙輸入的語義分割模型具有較強(qiáng)的特征提取能力和多尺度特性，能夠有效應(yīng)用于耕地“非農(nóng)化”監(jiān)測。

本文選用EfficientNets網(wǎng)絡(luò)[34]作為編碼器部分的特征提取骨干網(wǎng)絡(luò)；選用DeeplabV3+為基礎(chǔ)網(wǎng)絡(luò)架構(gòu)，DeeplabV3+采用了空洞卷積，引入了多尺度信息；同時，引入Deepcoder模塊，將底層特征與高層特征融合，從而提高模型特征的提取能力[35]。EfficientNets網(wǎng)絡(luò)在網(wǎng)絡(luò)深度、網(wǎng)絡(luò)寬度、分辨率3個維度中搜尋最優(yōu)的結(jié)果，使模型精度不減的情況下，參數(shù)最少，從而加快模型訓(xùn)練。本文選取EfficientNets系列中的基礎(chǔ)網(wǎng)絡(luò)模型EfficientNet-B0，形成輕量級的深度學(xué)習(xí)網(wǎng)絡(luò)模型。其核心結(jié)構(gòu)為MBConv（mobile inverted bottleneck convolution）模塊，同時引入了注意力思想SENet（Squeeze-and-Excitation Network），使用Swish作為激活函數(shù)。

2.3.3 精度評價

本文用兩種方法進(jìn)行精度驗(yàn)證。一是人工影像判讀。通過人工判讀監(jiān)測區(qū)域內(nèi)前后兩期影像的耕地“非農(nóng)化”圖斑，與深度學(xué)習(xí)模型自動識別“非農(nóng)化”圖斑進(jìn)行對比。二是外業(yè)核查。通過在監(jiān)測區(qū)域內(nèi)隨機(jī)布點(diǎn)，獲得外業(yè)核查的照片，同時與前期地理國情成果屬性對比，判定外業(yè)是否為耕地“非農(nóng)化”。最終將兩種方法獲得的檢驗(yàn)數(shù)據(jù)結(jié)果與深度學(xué)習(xí)模型自動識別“非農(nóng)化”圖斑進(jìn)行對比。

目前，常用的模型精度評價指標(biāo)包括準(zhǔn)確率、精確率、召回率、平均精度、多分類的混淆矩陣等。本文選用正檢率（式（1））和召回率（查全率）（式（2））評價模型精度。正檢率表示在預(yù)測結(jié)果中，預(yù)測正確的對象數(shù)量占比；查全率表示檢驗(yàn)數(shù)據(jù)中，被正確召回對象數(shù)量的占比。

式中為正檢率，TP指真實(shí)情況和預(yù)測情況均為正例，F(xiàn)P指真實(shí)情況為反例而預(yù)測情況為正例；為查全率，F(xiàn)N指真實(shí)情況為正例而預(yù)測情況為反例。

3 研究實(shí)證

3.1 樣本采集結(jié)果

研究區(qū)按照上述方法采集樣本，共采集樣本5 293對，其分布包括覆蓋湖北省的平原、山地、丘陵等多種地形，如圖6所示。擴(kuò)充后，用于模型訓(xùn)練的樣本超過2萬對，整體樣本數(shù)量滿足模型訓(xùn)練需求。研究區(qū)樣本密度分布可以看出，在湖北省武漢市、襄陽市、宜昌市等經(jīng)濟(jì)發(fā)展地區(qū)，由于快速的經(jīng)濟(jì)發(fā)展和城鎮(zhèn)化，“非農(nóng)化”情況更加突出。而恩施、隨州、咸寧等地多為山地地形，耕地比例小，離城市較遠(yuǎn)，耕地“非農(nóng)化”程度較低。

3.2 “非農(nóng)化”監(jiān)測模型精度評價

利用上述樣本集對本研究選取的深度學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得耕地“非農(nóng)化”遙感監(jiān)測模型。將2020年第三季度、第四季度國產(chǎn)高分辨率衛(wèi)星遙感影像制作的正射影像作為輸入，利用訓(xùn)練后的模型進(jìn)行耕地“非農(nóng)化”圖斑自動識別，獲得自動識別第三季度到第四季度發(fā)生耕地轉(zhuǎn)移的遙感影像圖斑。

圖6 基于耕地“非農(nóng)化”分類體系的樣本分布

研究選擇黃梅縣為驗(yàn)證區(qū)。通過目視解譯和外業(yè)檢核兩種方式，對基于樣本庫訓(xùn)練的網(wǎng)絡(luò)模型的自動識別精度進(jìn)行驗(yàn)證（圖7）。通過本文構(gòu)建的耕地“非農(nóng)化”樣本體系和樣本庫訓(xùn)練所得的深度學(xué)習(xí)模型，在驗(yàn)證區(qū)內(nèi)自動識別1 410個變化圖斑，如圖中藍(lán)色圖斑所示。圖中所示黃色圖斑為內(nèi)業(yè)目視解譯共判別驗(yàn)證區(qū)域內(nèi)耕地“非農(nóng)化”變化圖斑，共計1 212個。外業(yè)根據(jù)交通通達(dá)情況，布設(shè)了78個檢核點(diǎn)，如圖中紅色點(diǎn)所示。

圖7 耕地“非農(nóng)化”精度驗(yàn)證

驗(yàn)證精度結(jié)果如表3所示，驗(yàn)證區(qū)的利用人工影像判讀方法檢核精度為查全率77.9%，正檢率為67.0%，利用外業(yè)檢核方法查全率為76.5%，正檢率為76.5%。利用耕地“非農(nóng)化”樣本分類體系獲得樣本，訓(xùn)練后的深度學(xué)習(xí)模型在驗(yàn)證區(qū)的精度驗(yàn)證結(jié)果顯示，本文提出的方法在耕地“非農(nóng)化”遙感自動監(jiān)測中具有可行性。

表3 人工影像和外業(yè)檢核方法的混淆矩陣精度評價

注：“是”表示結(jié)果為耕地“非農(nóng)化”，“否”表示沒有發(fā)生耕地“非農(nóng)化”現(xiàn)象。表示正檢率。

Note: “Yes” means that the result is “non-agricultural” of cultivated land, and “no” means that there is no “non-agricultural” phenomenon.means positive inspection rates.

3.3 模型應(yīng)用精度對比

為驗(yàn)證上述訓(xùn)練后的模型的適用性，研究選取了黃州區(qū)、西曬山區(qū)、漢陽區(qū)、黃梅縣、京山縣5個縣區(qū)為適用性驗(yàn)證區(qū)，進(jìn)行2020年第三季度到第四季度的耕地“非農(nóng)化”遙感自動監(jiān)測。所選用的5個縣區(qū)地形多樣，分布有平地、丘陵和山地，且樣本密度大致相等。

利用3.1采集的樣本集訓(xùn)練前、后的網(wǎng)絡(luò)模型，分別對5個區(qū)域的2020年第三季度、第四季度兩期影像進(jìn)行自動變化識別，并進(jìn)行人工目視識別檢查統(tǒng)計正檢率（表4）。從結(jié)果可以看出，使用“非農(nóng)化”分類樣本體系訓(xùn)練后的模型，5個縣區(qū)自動識別的正檢率都有顯著提升（精度提升達(dá)到20個百分點(diǎn)以上）。

表4 模型正檢率精度統(tǒng)計

4 討 論

基于地理國情監(jiān)測成果的樣本采集方法在本文實(shí)踐應(yīng)用中能明顯的提升采集效率，并且其采集的樣本質(zhì)量優(yōu)于人工圖斑采集方式，可以提升耕地“非農(nóng)化”監(jiān)測模型的精度?；诘乩韲楸O(jiān)測成果采集的樣本其變化圖斑矢量、遙感影像數(shù)據(jù)、用地類型屬性值具有高度時空一致性。而人工采集圖斑或是半自動變化識別采集方式都限于地物光譜特性差異性，易出現(xiàn)難以判別的“同譜異物”或季節(jié)性“同物異譜”的情況。

值得注意的是，地理國情監(jiān)測成果的耕地屬性包含了休耕情況，本文在樣本采集時歸入前期影像為耕地。受限于地理國情監(jiān)測成果的時相特征，集中在每年3—7月，本文未考慮冬閑田轉(zhuǎn)出的情況，在后續(xù)的研究中可以擴(kuò)大數(shù)據(jù)源時相范圍，采集該類型樣本用于監(jiān)測模型訓(xùn)練。

在精度驗(yàn)證區(qū)域，自動識別變化的大部分錯誤集中在水田季節(jié)性變化，水田和坑塘的混淆性強(qiáng)導(dǎo)致耕地變湖泊坑塘（06）的誤判較高。大部分的漏識別集中在耕地變堆填土（03），主要因?yàn)楦睾投烟钔恋墓庾V特性相近，導(dǎo)致實(shí)際已變?yōu)槎烟钔恋母刈R別錯漏。樣本數(shù)量對模型精度的影響較大。如研究區(qū)中耕地變園林草（01）和耕地變造景公園（07）的樣本數(shù)量較少，因此導(dǎo)致耕地變園林草和耕地變造景公園的識別精度較低。通過在5個區(qū)域的應(yīng)用結(jié)果可以看出，本文提出的樣本分類和其他研究相比，對耕地“非農(nóng)化”問題的針對性更強(qiáng)。通過改樣本集的訓(xùn)練的網(wǎng)絡(luò)模型與全要素樣本訓(xùn)練的網(wǎng)絡(luò)模型相比，對耕地轉(zhuǎn)出的識別率提升。

5 結(jié) 論

本文提出了耕地“非農(nóng)化”遙感解譯樣本分類體系以及基于地理國情監(jiān)測成果的樣本采集技術(shù)流程，用于優(yōu)化耕地變化檢測的深度學(xué)習(xí)模型。以湖北省為研究區(qū)域的實(shí)證研究表明，利用本文提出的樣本分類體系以及樣本采集方法，訓(xùn)練后的模型對耕地變化自動識別的正檢率較全要素樣本訓(xùn)練模型有明顯提升（精度提升達(dá)到20個百分點(diǎn)以上）；同時，整個研究區(qū)域中山地、丘陵、平原各類地形分布均有分布，說明本文所提出的樣本分類體系以及樣本采集方法具有廣泛的適用性。驗(yàn)證區(qū)實(shí)證結(jié)果表明，該樣本分類體系下的樣本訓(xùn)練結(jié)果模型監(jiān)測正檢率和查全率都達(dá)到70%左右。研究提出的樣本分類體系能夠滿足耕地“非農(nóng)化”遙感監(jiān)測的需求。

[1] 趙曉麗，張增祥，汪瀟，等. 中國近30 a耕地變化時空特征及其主要原因分析[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(3)：1-11.

Zhao Xiaoli, Zhang Zengxiang, Wang Xiao, et al. Analysis of Chinese cultivated land’s spatial-temporal changes and causes in recent 30 years[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(3): 1-11. (in Chinese with English abstract)

[2] 劉紀(jì)遠(yuǎn)，匡文慧，張增祥，等. 20世紀(jì)80年代末以來中國土地利用變化的基本特征與空間格局[J]. 地理學(xué)報，2014，69(1)：3-14.

Liu Jiyuan, Kuang Wenhui, Zhang Zengxiang, et al. Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 1980s[J]. Journal of Geographical Sciences, 2014, 69(1)：3-14. (in Chinese with English abstract)

[3] 劉紀(jì)遠(yuǎn)，張增祥，莊大方，等. 20世紀(jì)90年代中國土地利用變化時空特征及其成因分析[J]. 地理研究，2003，22(1)：1-12.

Liu Jiyuan, Zhang Zengxiang, Zhuang Dafang, et al. A study on the spatial-temporal dynamic changes of land-use and driving forces analyses of China in the 1990s[J]. Geographical Research, 2003, 22(1): 1-12. (in Chinese with English abstract)

[4] 傅澤強(qiáng)，蔡運(yùn)龍，楊友孝，等. 中國糧食安全與耕地資源變化的相關(guān)分析[J]. 自然資源學(xué)報，2001，16(4)：313-319.

Fu Zeqiang, Cai Yunlong, Yang Youxiao, et al. Research on the relationship of cultivated land change and food security in China[J]. Journal of Natural Resources, 2001, 16(4): 313-319. (in Chinese with English abstract)

[5] 袁承程，張定祥，劉黎明，等. 近10年中國耕地變化的區(qū)域特征及演變態(tài)勢[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(1)：267-278.

Yuan Chengcheng, Zhang Dingxiang, Liu Liming, et al. Regional characteristics and spatial-temporal distribution of cultivated land change in China during 2009-2018[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 267-278. (in Chinese with English abstract)

[6] 湖北省統(tǒng)計年鑒[EB/OL]. 2021-09-03. http://data.hb.stats.cn/CityData.aspx?DataType=67&ReportType=3

[7] 厲芳婷，張過，賈繼鵬. 基于地理國情數(shù)據(jù)的城市擴(kuò)張和生態(tài)格局分析：以武漢市為例[J]. 測繪通報，2020(11)：93-98.

Li Fangting, Zhang Guo, Jia Jipeng. Analysis on urban expansion and ecological pattern based on geographical condition data: Taking Wuhan as an example[J]. Bulletin of Surveying and Mapping, 2020(11): 93-98. (in Chinese with English abstract)

[8] 國務(wù)院辦公廳. 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[EB/OL]. 2020-09-15[2020-09-20]. http://www.gov.cn/zhengce/content/2020-09/15/content_5543645.htm

[9] 自然資源部，農(nóng)業(yè)農(nóng)村部，國家林業(yè)和草原局. 關(guān)于嚴(yán)格耕地用途管制有關(guān)問題的通知[EB/OL]. 2021-11-27. http://gi.mnr.gov.cn/202112/t20211224_2715748.html

[10] 自然資源部辦公廳. 關(guān)于開展2021年違法違規(guī)占用耕地重點(diǎn)問題整治的通知[EB/OL]. 2021-11-26. http://gi.mnr.gov.cn/202111/t20211129_2708448.html

[11] 陳浮，曾思燕，葛小平，等. 資源環(huán)境硬約束下中國耕地休耕優(yōu)先區(qū)識別[J]. 農(nóng)業(yè)工程學(xué)報，2021，37(22)：226-235.

Chen Fu, Zeng Siyan, Ge Xiaoping, et al. Identifying the fallow priority areas of cultivated land under resources and environmental constraints in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 226-235. (in Chinese with English abstract)

[12] 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.

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)

[13] 林曉萍. 基于國產(chǎn)衛(wèi)星影像的自然資源動態(tài)監(jiān)測[J]. 測繪通報，2020(11)：28-32.

Lin Xiaoping. Dynamic monitoring of natural resources based on the domestic satellite images[J]. Bulletin of Surveying and Mapping, 2020(11): 28-32. (in Chinese with English abstract)

[14] 袁曉妮，魯春陽，呂開云，等. 我國耕地非農(nóng)化研究進(jìn)展及展望[J]. 中國農(nóng)業(yè)資源與區(qū)劃，2019，40(1)：128-133.

Yuan Xiaoni, Lu Chunyang, Lyu Kaiyun, et al. Research Progress and Prospect of non-Agriculturalization of arable land in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(1): 128-133. (in Chinese with English abstract)

[15] 吳永靜，吳錦超，林超，等. 基于深度學(xué)習(xí)的高分辨率遙感影像光伏用地提取[J]. 測繪通報，2021(5)：96-101.

Wu Yongjing, Wu Jinchao, Lin Chao, et al. Photovoltaic land extraction from high-resolution remote sensing images based on deep learning method[J]. Bulletin of Surveying and Mapping, 2021(5): 96-101. (in Chinese with English abstract)

[16] 馮麗英. 基于深度學(xué)習(xí)技術(shù)的高分辨率遙感影像建設(shè)用地信息提取研究[D]杭州：浙江大學(xué)，2017.

Feng Liying. Research on Construction Land Information Extraction from High Resolution Images with Deep Learning Technology[D]Hangzhou: Zhejiang University, 2017. (in Chinese with English abstract)

[17] 邰建豪. 深度學(xué)習(xí)在遙感影像目標(biāo)檢測和地表覆蓋分類中的應(yīng)用研究[D]武漢：武漢大學(xué)，2017.

Tai Jianhao. Research on Application of Deep Learning in Remote Sensing Image Target Detection and Land Cover Classification[D]Wuhan: Wuhan University, 2017. (in Chinese with English abstract)

[18] 劉麗雅. 基于國產(chǎn)GF-1的高寒山區(qū)土地利用/覆蓋分類研究[D] 杭州：浙江大學(xué)，2016.

Liu Liya. Based on China-Made GF-1 for Land Use/Cover Classification of High Cold Mountain Areas[D] Hangzhou: Zhejiang University, 2016. (in Chinese with English abstract)

[19] 陳文倩，丁建麗，李艷華，等. 基于國產(chǎn)GF-1遙感影像的水體提取方法[J]. 資源科學(xué)，2015，37(6)：1166-1172.

Chen Wenqian, Ding Jianli, Li Yanhua, et al. Extraction of water information based on China-Made GF-1 remote sensing image[J]. Resources Science, 2015, 37(6): 1166-1172. (in Chinese with English abstract)

[20] 王蕾，楊武年，任金銅，等. GF-2影像面向?qū)ο蟮湫统菂^(qū)地物提取方法[J]. 測繪通報，2018(1)：138-142.

Wang Lei, Yang Wunian, Ren Jintong, et al. Object-oriented extraction method of typical urban features based on GF-2 images[J]. Bulletin of Surveying and Mapping, 2018(1): 138-142. (in Chinese with English abstract)

[21] 眭海剛，馮文卿，李文卓，等. 多時相遙感影像變化檢測方法綜述[J]. 武漢大學(xué)學(xué)報（信息科學(xué)版），2018，43(12)：1885-1898.

Sui Haigang, Feng Wenqing, Li Wenzhuo, et al. Review of change detection methods for multi-temporal remote sensing imagery[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1885-1898. (in Chinese with English abstract)

[22] 張兵. 遙感大數(shù)據(jù)時代與智能信息提取[J]. 武漢大學(xué)學(xué)報（信息科學(xué)版），2018，43(12)：1861-1871.

Zhang Bing. Remotely sensed big data era and intelligent information extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1861-1871. (in Chinese with English abstract)

[23] 尤淑撐，何蕓，劉愛霞，等. 國產(chǎn)高分衛(wèi)星數(shù)據(jù)在自然資源遙感監(jiān)測中的應(yīng)用[J]. 衛(wèi)星應(yīng)用，2021(12)：32-38.

[24] 孫建華，王遠(yuǎn)喆，楊四海，等. 耕地智能監(jiān)測及農(nóng)業(yè)數(shù)字化服務(wù)系統(tǒng)設(shè)計與實(shí)現(xiàn)[J]. 浙江國土資源，2021(11)：38-40.

[25] 李卓，查思含，霍偉，等. 耕地生產(chǎn)力隱性退化遙感監(jiān)測與影響因素分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2022，53(4)：363-371.

Li Zhuo, Zha Sihan, Huo Wei, et al. Remote sensing monitoring of recessive degradation for cultivated land productivity and its influencing factors[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(4): 363-371. (in Chinese with English abstract)

[26] 李昌俊. 基于深度學(xué)習(xí)的農(nóng)業(yè)遙感圖像耕地提取技術(shù)研究[D]合肥：中國科學(xué)技術(shù)大學(xué)，2018.

Li Changjun. Research on Cultivated Land Extraction Technology of Agricultural Remote Sensing Images Based on Deep Learning[D]. Hefei: University of Science and Technology of China, 2018. (in Chinese with English abstract)

[27] 王敏，陳金勇，王港，等. 面向深度學(xué)習(xí)的遙感圖像目標(biāo)樣本生成方法[J]. 國外電子測量技術(shù)，2019，38(4)：60-65.

Wang Min, Chen Jinyong, Wang Gang, et al. Remote sensing image object sample generation method for deep learning[J]. Foreign Electronic Measurement Technology, 2019, 38(4): 60-65. (in Chinese with English abstract)

[28] 胡杰，張瑩，謝仕義. 國產(chǎn)遙感影像分類技術(shù)應(yīng)用研究進(jìn)展綜述[J]. 計算機(jī)工程與應(yīng)用，2021，57(3)：1-13.

Hu Jie, Zhang Ying, Xie Shiyi. Summary of research progress on application of domestic remote sensing image classification technology[J]. Computer Engineering and Applications, 2021, 57(3): 1-13. (in Chinese with English abstract)

[29] 朱秀芳，潘耀忠，張錦水，等. 訓(xùn)練樣本對TM尺度小麥種植面積測量精度影響研究(Ⅰ)：訓(xùn)練樣本與分類方法間分類精度響應(yīng)關(guān)系研究[J]. 遙感學(xué)報，2007，11(6)：826-837.

Zhu Xiufang, Pan Yaozhong, Zhang Jinshui, et al. The effects of training samples on the wheat planting area measure accuracy in TM Scale(Ⅰ): The accuracy response of different classifiers to training samples[J]. National Remote Sensing Bulletin, 2007, 11(6): 826-837. (in Chinese with English abstract)

[30] 李德仁，眭海剛，單杰. 論地理國情監(jiān)測的技術(shù)支撐[J]. 武漢大學(xué)學(xué)報（信息科學(xué)版），2012，37(5)：505-512，502.

Li Deren, Sui Haigang, Shan Jie. Discussion on key technologies of geographic national conditions monitoring[J]. Geomatics and Information Science of Wuhan University, 2012, 37(5): 505-512, 502. (in Chinese with English abstract)

[31] 陳俊勇. 地理國情監(jiān)測的學(xué)習(xí)札記[J]. 測繪學(xué)報，2012，41(5)：633-635.

Chen Junyong. Study notes on geographic national condition monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(5): 633-635. (in Chinese with English abstract)

[32] 史文中，秦昆，陳江平，等. 可靠性地理國情動態(tài)監(jiān)測的理論與關(guān)鍵技術(shù)探討[J]. 科學(xué)通報，2012，57(24)：2239-2248.

Shi Wenzhong, Qin Kun, Chen Jiangping, et al. Key theories and technologies on reliable dynamic monitoring for national geographical state[J]. Chinese Science Bulletin, 2012, 57(24): 2239-2248. (in Chinese with English abstract)

[33] 石婷婷，戴騰，厲芳婷，等. 基于深度學(xué)習(xí)的耕地“非農(nóng)化”遙感監(jiān)測初探[J]. 地理空間信息，2022，20(3)：34-37.

Shi Tingting, Dai Teng, Li Fangting, et al. Preliminary study on non-agricultural cultivated land use remote sensing monitoring based on deep learning[J].Geospatial Information, 2022, 20(3): 34-37. (in Chinese with English abstract)

[34] Tan M X, Le Q V. EfficientNet: Rethinking model scaling for convolutional neural networks [J]. arXiv, 2019, Doi:10.48550/arXiv.1905.11946.

[35] Chen L C, Zhu Y, Papandreou G, et al. Encoder-decoder with atrous separable convolution for senmantic image segmentation[C]//Proncedings of the European Conference on Computer Vision, 2018:801-818.

Classification system and application of remote sensing interpretation samples of cultivated land non-agriculturalization

Li Fangting1,2, Zhang Guo1※, Shi Tingting3, Li Le4

(1.,,430079,; 2.,430074,; 3.,430074,; 4.,510520,)

Cultivated land non-agriculturalization has been a major challenge for the food security in China. The spatial-temporal pattern and evolution of cultivated land non-agriculturalization can be one of the most important steps for the decision-making on land use. The high-resolution satellite images have been widely used in surface remote sensing monitoring. However, it is still lacking on the classification system of non-agricultural monitoring using remote sensing, due to the complexity and diversity of the cultivated land non-agriculturalization types. In this study, a classification system was proposed for the remote sensing interpretation samples of the cultivated land non-agriculturalization, in order to construct the corresponding remote sensing interpretation sample database. At the same time, a fast sample collection was also proposed to improve the efficiency and quality of the sample collection using geographical condition monitoring. As such, high temporal, spatial precision and attribute reliability were achieved to verify the feasibility and effectiveness of the classification system and sample collection. The Hubei Province of China was selected as the study area. Nine types of samples were collected in the cultivated land non-agricultural sample system. The geographical conditions covered the flatland, hill, mountain, high-mountain and other terrains. The sample library was formed after training the deep learning model. The Efficient Net deep learning network was selected to extract the spatial distribution of cultivated land non-agricultural in study area. The result showed that: 1) The sample collection using geographical condition monitoring performed the best in the attribute accuracy. The changing pattern was quickly and accurately located in the more efficient solution for sample collection. 2) The model accuracy was significantly improved, when the number of samples exceeded 5 000. The accuracy was verified by the internal visual interpretation and field verification points in the verification area. The positive detection rates were 67.0 % and 76.5%, respectively, and the recall rates were 77.9% and 76.5%, respectively. 3) The sample classification system was also used to train the optimized model. There was a significantly improved accuracy of the non-agricultural cultivated land automatic identification in the study area, compared with the full factor sample training model. The positive detection rate of the five verification areas increased by more than 20 percentage points. Therefore, the classification system can be expected to improve the efficiency and accuracy of remote sensing monitoring of cultivated land non-agriculturalization using deep learning. The improved system can be applied to the seasonal remote sensing monitoring of cultivated land at the regional scale.

remote sensing; classification; interpretation; sample; cultivated land; non-agriculturalization; precision evaluation

10.11975/j.issn.1002-6819.2022.15.032

TP79

A

1002-6819(2022)-15-0297-08

厲芳婷，張過，石婷婷，等. 耕地“非農(nóng)化”遙感解譯樣本分類體系及應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2022，38(15)：297-304.doi：10.11975/j.issn.1002-6819.2022.15.032 http://www.tcsae.org

Li Fangting, Zhang Guo, Shi Tingting, et al. Classification system and application of remote sensing interpretation samples of cultivated land non-agriculturalization[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 297-304. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.15.032 http://www.tcsae.org

2022-03-11

2022-07-07

國家自然科學(xué)基金項(xiàng)目（41901345）

厲芳婷，高級工程師，研究方向?yàn)檫b感影像數(shù)據(jù)處理技術(shù)和應(yīng)用。Email：lifangting@whu.edu.cn

張過，教授，博士生導(dǎo)師，研究方向?yàn)閹缀味窟b感。Email：guozhang@whu.edu.cn