石婷婷，戴 騰，厲芳婷，王愛華

（1.湖北省航測(cè)遙感院，湖北 武漢 430074；2.湖北省測(cè)繪工程院，湖北 武漢 430074；3.山東省國(guó)土測(cè)繪院，山東 濟(jì)南 250013）

2020年9月15日我國(guó)發(fā)布了最高規(guī)格的保護(hù)耕地“非農(nóng)化”文件——《關(guān)于堅(jiān)決制止耕地“非農(nóng)化”行為的通知》，嚴(yán)格管理違規(guī)占用耕地綠化造林、超標(biāo)準(zhǔn)建設(shè)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(kuò)大自然保護(hù)用地、違規(guī)占用耕地從事非農(nóng)建設(shè)、違法違規(guī)批地用地等6類耕地“非農(nóng)化”行為[1]。面對(duì)這項(xiàng)“最嚴(yán)令”，亟需有效手段來(lái)保證落實(shí)。因此，有效利用遙感監(jiān)測(cè)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(diǎn)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(shè)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(guó)土地變更調(diào)查等資料，探索利用深度學(xué)習(xí)等遙感衛(wèi)星影像變化監(jiān)測(cè)方法實(shí)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(cè)的技術(shù)流程。

1 深度學(xué)習(xí)

深度學(xué)習(xí)作為一個(gè)新興的研究熱點(diǎn)，在計(jì)算機(jī)識(shí)別、圖像處理、語(yǔ)言識(shí)別、自然語(yǔ)言處理等各領(lǐng)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(yīng)用，以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)在圖像學(xué)習(xí)領(lǐng)域的效果更是驚人。深度學(xué)習(xí)擁有更深的網(wǎng)絡(luò)層次和豐富的網(wǎng)絡(luò)結(jié)構(gòu)，可通過(guò)神經(jīng)元逐層傳遞特征信息，每一層還能對(duì)前層傳遞的特征進(jìn)一步挖掘?qū)W習(xí)，再通過(guò)反復(fù)迭代達(dá)到全局最優(yōu)點(diǎn)，因此有能力通過(guò)學(xué)習(xí)大規(guī)模數(shù)據(jù)樣本來(lái)解決問題[2]。

近年來(lái)，很多研究人員將深度學(xué)習(xí)應(yīng)用于衛(wèi)星遙感影像目標(biāo)地物監(jiān)測(cè)和變化信息監(jiān)測(cè)中，設(shè)計(jì)了很多優(yōu)秀模型[2]，得到了很好的監(jiān)測(cè)成果，如陳一鳴[2]等提出了一種改進(jìn)的基于U-Net的深度學(xué)習(xí)方法，采用隨機(jī)梯度下降與Momentum組合的優(yōu)化方法訓(xùn)練深度學(xué)習(xí)模型以實(shí)現(xiàn)語(yǔ)義級(jí)別的圖像分割，進(jìn)而準(zhǔn)確識(shí)別較復(fù)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(luò)，將遙感衛(wèi)星圖像上的抽象特征與細(xì)節(jié)特征相結(jié)合，自動(dòng)檢測(cè)建筑物效果較好；宋業(yè)沖[4]等提出了一種基于集成學(xué)習(xí)的U-Net雙網(wǎng)絡(luò)變化信息融合的光伏用地變化檢測(cè)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(yǔ)義分割數(shù)據(jù)集，構(gòu)建并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)和DeepLab V3網(wǎng)絡(luò)，水體提取效果均較好；張?chǎng)锡圼6]等通過(guò)考慮領(lǐng)域信息的改進(jìn)變化矢量分析法和灰度共生矩陣方法減少了變化檢測(cè)時(shí)局部對(duì)比不一致產(chǎn)生的誤差，設(shè)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(jī)進(jìn)行模型訓(xùn)練，進(jìn)而進(jìn)行變化檢測(cè)。本文利用基于DeepLab V3+語(yǔ)義分割的深度學(xué)習(xí)網(wǎng)絡(luò)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(shí)現(xiàn)耕地“非農(nóng)化”遙感監(jiān)測(cè)成果的快速獲取。

2 耕地“非農(nóng)化”遙感監(jiān)測(cè)技術(shù)路線

2.1 數(shù)據(jù)來(lái)源與預(yù)處理

本文首先采集高分一號(hào)、高分六號(hào)、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(cè)區(qū)域的控制資料，監(jiān)測(cè)范圍境界矢量數(shù)據(jù)，第三次全國(guó)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(guò)坐標(biāo)轉(zhuǎn)換、投影變換、數(shù)據(jù)融合、數(shù)據(jù)提取等對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。

2.2 技術(shù)流程

本文設(shè)計(jì)的基于深度學(xué)習(xí)的耕地“非農(nóng)化”遙感監(jiān)測(cè)技術(shù)流程如圖1所示。

圖1 耕地“非農(nóng)化”遙感監(jiān)測(cè)技術(shù)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(diǎn)，并對(duì)滿足數(shù)據(jù)源要求的影像進(jìn)行正射糾正處理；再對(duì)糾正后的影像進(jìn)行融合、色彩合成處理，按縣域范圍進(jìn)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(dòng)變化監(jiān)測(cè)提取

本文借鑒陳前[5]等的研究方法設(shè)計(jì)了基于深度學(xué)習(xí)的遙感監(jiān)測(cè)方法。本文利用該方法對(duì)兩期遙感影像進(jìn)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(cè)，并自動(dòng)提取變化監(jiān)測(cè)結(jié)果。耕地“非農(nóng)化”遙感監(jiān)測(cè)指標(biāo)體系如表1所示。

表1 耕地“非農(nóng)化”遙感監(jiān)測(cè)指標(biāo)體系

1）耕地中新增建筑物（含構(gòu)筑物、道路）監(jiān)測(cè)。建筑物、構(gòu)筑物、道路相對(duì)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(biāo)注耕地中建筑物、構(gòu)筑物、道路特征的標(biāo)記圖，以DeepLab V3+語(yǔ)義分割模型為編碼器輸出特征圖，利用ResNeSt神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)；然后將訓(xùn)練好的模型分別輸入前、后兩期遙感影像進(jìn)行建筑物（含構(gòu)筑物、道路）區(qū)域識(shí)別；最后將前、后兩期識(shí)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(cè)。DeepLab V3+語(yǔ)義分割水體對(duì)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(luò)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(duì)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(jìn)行剔除。

3）耕地中新增推土區(qū)監(jiān)測(cè)。推土區(qū)多為建筑工地設(shè)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(luò)進(jìn)行模型訓(xùn)練，然后分別將模型輸入前、后兩期遙感影像中進(jìn)行推土區(qū)識(shí)別，最后將前、后兩期識(shí)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(dòng)提取結(jié)果后處理

本文基于第三次全國(guó)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(guò)提取、合并等處理形成縣域耕地范圍數(shù)據(jù)；再疊合自動(dòng)提取的變化圖斑，利用空間分析方法進(jìn)行空間數(shù)據(jù)整合；然后剔除區(qū)位重復(fù)圖斑，合并鄰近圖斑；最后利用圓形度、最小面積等指標(biāo)剔除細(xì)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(duì)自動(dòng)提取結(jié)果中由于耕地季節(jié)性光譜信息差異導(dǎo)致的錯(cuò)分、混分，本文采用人工編輯的方式進(jìn)行交互式判讀，即針對(duì)經(jīng)過(guò)后處理的耕地“非農(nóng)化”變化監(jiān)測(cè)圖斑，以兩期影像融合影像為輔助數(shù)據(jù)，通過(guò)卷簾工具進(jìn)行人工判讀，排除偽變化圖斑，從而進(jìn)一步提高變化監(jiān)測(cè)結(jié)果的準(zhǔn)確性。

2.2.5 數(shù)據(jù)整合與變化圖斑統(tǒng)計(jì)

本文對(duì)提取的各類型變化圖斑進(jìn)行數(shù)據(jù)整合，形成最終的變化監(jiān)測(cè)成果；并統(tǒng)計(jì)各類變化圖斑數(shù)量，制作監(jiān)測(cè)報(bào)告。

2.3 實(shí)驗(yàn)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(hào)衛(wèi)星遙感影像進(jìn)行實(shí)驗(yàn)，時(shí)相分別為2020年9月和2020年11月，實(shí)驗(yàn)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(duì)兩期影像進(jìn)行正射糾正處理；再利用內(nèi)嵌深度學(xué)習(xí)模型的耕地“非農(nóng)化”疑問圖斑自動(dòng)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(jìn)行圖斑去偽處理；最后利用兩期遙感影像進(jìn)行人工解譯分析。識(shí)別提取的耕地“非農(nóng)化”疑問圖斑個(gè)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(cè)疑問圖斑統(tǒng)計(jì)表/個(gè)

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

圖3 疑似挖湖造景圖斑

3 結(jié)語(yǔ)

在耕地“非農(nóng)化”禁止令越來(lái)越嚴(yán)格的背景下，如何快速發(fā)現(xiàn)新增耕地“非農(nóng)化”建設(shè)，有的放矢地去監(jiān)督去恢復(fù)，是當(dāng)前自然資源管理部門迫在眉睫的任務(wù)。針對(duì)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(shè)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(xué)習(xí)算法的疑問圖斑快速識(shí)別技術(shù)路線，為耕地“非農(nóng)化”遙感監(jiān)測(cè)的推廣應(yīng)用提供了新思路，具有重要的參考和應(yīng)用價(jià)值。下一步將在亂占耕地進(jìn)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(cè)內(nèi)容。