文 | 關雷 曹景慶 楊俊濤 仝國禮黑龍江第三測繪工程院

一、前言

我國地域遼闊，水土形態(tài)具有很強的多元性，水土保護行業(yè)也需要針對不同地質(zhì)特點，制定出針對性的管理措施[1]。黑土資源退化嚴重威脅我國的糧食安全和生態(tài)安全，黑土保護刻不容緩。黑土地保護已經(jīng)成為保障國家糧食安全、促進現(xiàn)代農(nóng)業(yè)發(fā)展的國家戰(zhàn)略的重要組成部分。坡面侵蝕和溝蝕是東北黑土區(qū)土壤侵蝕中最主要的侵蝕方式[2]。侵蝕溝形成后，通過溯源向上游較快擴展，也會向下游發(fā)展。0.5°～5°的坡耕地占黑土區(qū)耕地總面積的56%，耕作方式粗放、保護性耕作措施不到位，造成水土流失不斷惡化[3]。

據(jù)統(tǒng)計，東北黑土區(qū)現(xiàn)有侵蝕溝數(shù)量達29萬余條，侵蝕溝蠶食耕地、破壞道路，造成土地零散，給商品糧基地的大型機械化生產(chǎn)作業(yè)帶來了諸多不便。侵蝕溝的存在一定程度上影響了人們的正常生活，而且對糧食生產(chǎn)產(chǎn)生了極大的威脅。然而，相關部門并未掌握侵蝕溝的詳細空間分布數(shù)據(jù)，只是粗略的統(tǒng)計而已。利用遙感信息技術可以快速獲取黑土區(qū)水土信息，對黑土地水土流失進行定量估算，為黑土地水土監(jiān)測、生態(tài)環(huán)境建設以及水土流失防治提供了途徑[4]。因此在充分發(fā)掘和利用已有成果的基礎上，采用時間分辨率較高、覆蓋范圍較大的資源三號衛(wèi)星遙感影像，利用遙感分析與深度學習技術，對黑龍江省典型黑土區(qū)侵蝕溝進行提取，掌握其空間分布特征，為黑土區(qū)土地整治、生態(tài)修復提供科學依據(jù)，對黑土區(qū)水土流失區(qū)域提出有針對性的防治措施。

二、研究對象及方法原理

1.資源三號衛(wèi)星影像

資源三號是我國首顆民用高分辨率光學傳輸型立體測圖衛(wèi)星，目前有三顆衛(wèi)星在軌運行，影像分辨率達到2米級，三顆衛(wèi)星共同組成立體測繪衛(wèi)星星座，可快速獲取區(qū)域范圍內(nèi)的影像數(shù)據(jù)，具有高時間分辨率與大范圍覆蓋的特點，可確保獲得最新時相的侵蝕溝數(shù)據(jù)。

2.侵蝕溝影像紋理

目前，關于黑土區(qū)侵蝕溝還未有相關的技術標準可以參考，一般而言，侵蝕溝的真實地表覆蓋呈現(xiàn)為裸土或植被[5]。一些學者如宋華將侵蝕溝分為三種類型即小型發(fā)展溝、大型發(fā)展溝與穩(wěn)定溝。小型發(fā)展溝在衛(wèi)星影像上表現(xiàn)為細條狀，邊界比較清楚，凸起明顯，周圍一般是耕地；大型發(fā)展溝在紋理上表現(xiàn)為條帶狀，邊界較為清晰，底部長有植被，溝深和溝寬仍在發(fā)展過程中；穩(wěn)定溝在衛(wèi)星影像上表現(xiàn)為紋理比較粗糙，底部長有茂盛植被，邊界模糊[6]。其中在類型上居多數(shù)、較為危險極易造成水土流失的是發(fā)展溝中的中型溝。

3.監(jiān)督分類

遙感圖像自動識別分類的最終目的是讓計算機識別感興趣的地物，并將識別的結(jié)果輸出及識別正確率的評價。監(jiān)督分類的思想是根據(jù)已知的樣本類別和類別的先驗知識，確定判別函數(shù)和相應的判別準則，依據(jù)判別準則對樣本的所屬類別進行判定。監(jiān)督分類的過程主要包括：1） 確定感興趣的類別數(shù)，首先確定要對哪些地物進行分類，建立地物的先驗知識。2）根據(jù)感興趣地物的特征進行有針對性的特征變換，變換后的特征影像和原始影像共同進行特征選擇，滿足分類需要，加快分類速度，提高分類精度。3）選擇訓練樣區(qū)，訓練樣區(qū)的選擇要注意準確性、代表性和統(tǒng)計學三個問題。4）確定判別函數(shù)和判別規(guī)則。5）根據(jù)判別函數(shù)和判別規(guī)則對非訓練區(qū)的圖像區(qū)域進行分類。

4.深度學習

深度學習是機器學習的一種，其概念源自人工神經(jīng)網(wǎng)絡（ANN），人工神經(jīng)網(wǎng)絡從信息處理角度模擬了人腦的神經(jīng)元之間傳遞和處理信息的模式[7]。當前遙感圖像的分辨率不斷提升，人工識別的方法無法滿足大批量遙感圖像識別任務的要求，而深度學習方法可以對低級特征和高級特征進行自動組織和提取，極大地提升遙感識別的速度。

三、侵蝕溝提取過程與應用結(jié)果

本文所選擇試驗區(qū)資源三號衛(wèi)星影像的范圍位于黑龍江省拜泉縣、依安縣與明水縣三縣交界處，地處松嫩平原北部，地勢北高南低，土壤肥沃，以黑土和黑鈣土為主，是重要的糧食生產(chǎn)基地，試驗區(qū)位置如圖1所示。

圖1 試驗區(qū)位置

1.基于監(jiān)督分類的提取方法

利用ENVI對影像進行預處理，確定分類系統(tǒng)；按照默認設置在影像上定義訓練樣本；進行分類器選擇，根據(jù)分類的復雜度、精度需求等確定分類器；基于傳統(tǒng)統(tǒng)計分析的分類方法參數(shù)進行影像分類，完成按照監(jiān)督分類的方法提取侵蝕溝數(shù)據(jù)。

2.基于深度學習的提取結(jié)果

將深度學習技術應用到黑土侵蝕溝提取中，搭建Python+Tensorflow構(gòu)建深度卷積神經(jīng)網(wǎng)絡，進行黑土區(qū)侵蝕溝樣本訓練，并利用ENVI5.5 Deep Learning模塊進行黑土區(qū)侵蝕溝的樣本采集，檢驗深度學習技術提取的準確性。主要步驟包括：制作標簽樣本，利用ENVI中的Vector to ROI工具將圖像中的侵蝕溝邊界標記成標簽樣本；進行模型訓練，通過已有標簽數(shù)據(jù)，進行模型的函數(shù)訓練，使用ENVI軟件的Deep Learning模塊進行訓練，設置初始化函數(shù)；圖像識別，訓練模型后使用圖像識別工具對衛(wèi)星影像中的侵蝕溝信息進行提取。模型訓練的準確度對圖像識別結(jié)果有較大影響，通過深度學習技術采集侵蝕溝樣本后建立訓練模型，對原始影像進行處理，提取出侵蝕溝數(shù)據(jù)。

3.兩種方法提取結(jié)果與應用

分別將通過監(jiān)督分類與深度學習方法提取的結(jié)果與人工解譯提取結(jié)果在效率、準確率等方面進行比較，統(tǒng)計情況如表1，從中可以明顯看出，在同一機器環(huán)境下，針對資源三號影像進行深度學習在準確率方面優(yōu)于監(jiān)督分類，但提取效率受機器性能等因素的影響。兩種方法提取結(jié)果如圖2所示。

表1 侵蝕溝提取方法比較

圖2 深度學習（左）與監(jiān)督分類（右）提取結(jié)果比較

資源三號衛(wèi)星影像色彩豐富、紋理清晰，2米級分辨率的特性既保證了空間辨識度的要求，也兼顧了覆蓋范圍等因素，在處理速度上較亞米級分辨率影像有指數(shù)級的提升。以本文研究成果為基礎，將國情數(shù)據(jù)作為訓練樣本，對東北地區(qū)侵蝕溝發(fā)生較嚴重的拜泉縣、海倫市等地進行了侵蝕溝分布范圍與侵蝕面積的專題統(tǒng)計。

四、結(jié)論

本文以資源三號衛(wèi)星影像作為研究對象，分別使用監(jiān)督分類與深度學習方法對東北典型黑土區(qū)進行侵蝕溝的自動提取，研究結(jié)果表明，使用深度學習方法可以減少人工工作量，提取結(jié)果較監(jiān)督分類好，但與人工提取結(jié)果相比還存在一定的差距，需要人工對結(jié)果進行審核。下一步，將在此研究基礎上對典型黑土區(qū)侵蝕溝演化特征及其驅(qū)動機制進行研究，利用統(tǒng)計分析等方法對東北地區(qū)典型黑土區(qū)侵蝕溝的演化特征進行闡述，并從自然因素、人為因素等方面探究侵蝕機理及其驅(qū)動機制，為水土流失防治模式探究、水土保持措施配置提供科學依據(jù)。