肖如林，高吉喜，劉愛軍，侯鵬，張文國(guó)，楊勇，李運(yùn)保，付卓，靳川平，楊栩，鄭淑華，殷守敬

1.生態(tài)環(huán)境部衛(wèi)星環(huán)境應(yīng)用中心,北京 100094;

2.內(nèi)蒙古自治區(qū)草原遙感及應(yīng)急技術(shù)儲(chǔ)備重點(diǎn)實(shí)驗(yàn)室,呼和浩特 010020;

3.綿陽(yáng)市生態(tài)環(huán)境局信息中心,綿陽(yáng) 621050

1 引言

中國(guó)草地資源豐富，畜牧業(yè)發(fā)達(dá)，畜牧業(yè)在中國(guó)北方草原區(qū)國(guó)民經(jīng)濟(jì)中占有重要地位。然而草原超載過牧的問題也比較突出，成為中國(guó)草原退化的主要原因之一（付國(guó)臣 等，2009）。載畜情況監(jiān)測(cè)是禁牧區(qū)放牧活動(dòng)監(jiān)管、草畜平衡區(qū)載畜情況監(jiān)測(cè)與草畜平衡評(píng)估分析的關(guān)鍵。因此，高效、精準(zhǔn)地獲取牛、羊等草原典型牧畜的分布、規(guī)模等信息，及時(shí)掌握禁牧區(qū)是否存在放牧、草畜平衡區(qū)是否過牧等情況，實(shí)現(xiàn)對(duì)草原區(qū)牧畜的精準(zhǔn)監(jiān)管，對(duì)維護(hù)草原區(qū)生態(tài)安全、國(guó)民經(jīng)濟(jì)可持續(xù)發(fā)展、社會(huì)穩(wěn)定都具有重要意義。

在應(yīng)用方面，目前對(duì)放牧活動(dòng)的監(jiān)管主要依托逐級(jí)填報(bào)統(tǒng)計(jì)（王慶 等，2007）、入戶調(diào)查統(tǒng)計(jì)（王美兔和李迪強(qiáng)，2017）、無人機(jī)或系留式空基遙感監(jiān)測(cè)（中國(guó)科學(xué)院植物研究所，2020；汪琪等，2021）、在線視頻或穿戴式設(shè)備監(jiān)控（張小栓等，2019；王奎 等，2020）等方式。其中，逐級(jí)填報(bào)方式存在漏報(bào)、虛報(bào)、瞞報(bào)的可能，數(shù)據(jù)質(zhì)量難以保障；入戶調(diào)查統(tǒng)計(jì)方式以及無人機(jī)、系留式航空遙感監(jiān)測(cè)方式由于成本高，只能采取抽樣估算，難以全面實(shí)施；在線視頻或穿戴式設(shè)備方式通常只能安裝在出入口、羊圈、頭羊等位置，可操作性差，且投入和運(yùn)維成本高。

在技術(shù)研究方面，目前一些基于無人機(jī)、系留式空基遙感的動(dòng)物或牧畜監(jiān)測(cè)技術(shù)（邵全琴 等，2018；郭興健 等，2019；Peng 等，2020；中國(guó)科學(xué)院植物研究所，2020；汪琪 等，2021），主要基于目標(biāo)信息豐富、清晰的分米或亞分米級(jí)超高分辨率的航空遙感圖像，對(duì)米級(jí)或亞米級(jí)高分衛(wèi)星遙感圖像并不適用。目前實(shí)際載畜情況的衛(wèi)星遙感監(jiān)測(cè)研究和應(yīng)用幾乎處于空白，主要還集中在理論載畜量估算、集成地面實(shí)際載畜資料數(shù)據(jù)和氣象數(shù)據(jù)等的載畜平衡評(píng)估預(yù)警或草地狀況關(guān)聯(lián)分析方面（劉愛軍 等，2003；劉愛軍和韓建國(guó)，2007；李剛等，2014；梁天剛 等，2019；Pearson 等，2021）。隨著亞米級(jí)高分辨率衛(wèi)星遙感、人工智能等技術(shù)的發(fā)展，研究建立基于高分衛(wèi)星遙感的草原典型牧畜監(jiān)測(cè)技術(shù)，對(duì)實(shí)現(xiàn)牧畜精準(zhǔn)監(jiān)管、拓展衛(wèi)星遙感應(yīng)用、促進(jìn)?。ㄎⅲ┠繕?biāo)遙感監(jiān)測(cè)技術(shù)發(fā)展等方面，都具有十分重要的意義。

2 原理與技術(shù)方法

2.1 機(jī)理分析

在草原區(qū)，牛羊等牧畜與周邊草地、荒漠等背景具有明顯的對(duì)比度差異，在亞米級(jí)高分衛(wèi)星圖像上表現(xiàn)為較明顯的小斑點(diǎn)，且呈現(xiàn)聚集成群的“點(diǎn)群”分布特征。由于牧畜的持續(xù)移動(dòng)性，牧畜“點(diǎn)群”不會(huì)固定不變，在不同時(shí)相的影像上處于不同的位置、呈現(xiàn)不同的形態(tài)。小灌叢（樹木）、裸露石（砂、沙、土）塊、凹坑、殘存的小雪跡、收割后的草捆等地物在高分影像上也表現(xiàn)為斑點(diǎn)群分布特征，但一般位置和形態(tài)固定不變，或者形狀比較規(guī)則，或者在規(guī)模、顏色上與牧畜群有差異。牧畜群及易混淆地物的解譯標(biāo)志具體如表1所示。

表1 牧畜群遙感識(shí)別特征分析Table 1 Recognition feature of livestock

在草原區(qū)，牧畜的“小斑點(diǎn)形態(tài)”、“點(diǎn)群分布”、“變化不固定”等多種特征，是基于高分衛(wèi)星影像的草原區(qū)牧畜群遙感監(jiān)測(cè)提取技術(shù)的重要機(jī)理基礎(chǔ)。

2.2 總體技術(shù)流程

規(guī)則集、面向?qū)ο蟮葌鹘y(tǒng)方法可綜合各種知識(shí)和規(guī)則，機(jī)理性強(qiáng)，但對(duì)成像條件、經(jīng)驗(yàn)知識(shí)、特征參數(shù)等非常敏感，普適性、可遷移性差。深度學(xué)習(xí)等機(jī)器學(xué)習(xí)方法是基于樣本的自學(xué)習(xí)訓(xùn)練，可以彌補(bǔ)傳統(tǒng)方法的不足，然而在“小目標(biāo)”檢測(cè)中的精度通常相對(duì)較低（劉曉楠 等，2019；梁鴻 等，2021；Tong 等，2020；趙景波和杜保帥，2023；Tong和Wu，2022），且多針對(duì)車輛、艦船、飛機(jī)等相對(duì)規(guī)則的目標(biāo)（姚紅革 等，2020；馬志龍和倪佳忠，2022；沙苗苗 等，2022）。牛羊等牧畜在高分遙感影像上尺寸更小，通常僅3 或4 個(gè)像元大小，是典型的“弱信號(hào)”、“微目標(biāo)”，而且牧畜群形態(tài)、聚散程度等復(fù)雜多樣、不規(guī)則，檢測(cè)識(shí)別難度則更大，現(xiàn)有基于深度學(xué)習(xí)的“小目標(biāo)”檢測(cè)技術(shù)難以適用。因此，僅依賴深度學(xué)習(xí)方法或傳統(tǒng)方法中的一種實(shí)現(xiàn)牧畜精準(zhǔn)監(jiān)測(cè)難度很大，需將兩者的優(yōu)勢(shì)相結(jié)合。在此，提出一種基于多時(shí)相亞米級(jí)高分遙感影像、結(jié)合深度學(xué)習(xí)和面向?qū)ο蠓椒?、融合“斑點(diǎn)+群體”分布特征和“移動(dòng)不固定”變化特征的典型牧畜高分衛(wèi)星遙感監(jiān)測(cè)方法。具體技術(shù)框架如圖1所示。首先，獲取至少兩期亞米級(jí)高分遙感影像，進(jìn)行幾何校正、圖像增強(qiáng)等預(yù)處理，實(shí)現(xiàn)牧畜目標(biāo)信號(hào)有效增強(qiáng)。其次，一方面基于牧畜“群體”分布特征，以“群”為單元，利用深度學(xué)習(xí)方法，實(shí)現(xiàn)牧畜分布區(qū)域即牧畜“群”的初提取；另一方面基于兩期圖像上牧畜斑點(diǎn)的變化、不固定特征，利用兩期影像梯度差的變化檢測(cè)方法和面向?qū)ο蟮淖R(shí)別提取方法，提取牧畜“斑點(diǎn)”的分布數(shù)據(jù)。再次，利用牧畜“斑點(diǎn)”分布數(shù)據(jù)對(duì)牧畜“群”分布數(shù)據(jù)進(jìn)行校正增強(qiáng)，形成增強(qiáng)的牧畜“群”分布數(shù)據(jù)。最后，再利用人工修邊，形成最終的牧畜“群”及其內(nèi)部所包含的牧畜“斑點(diǎn)”精細(xì)分布數(shù)據(jù)。

圖1 總體技術(shù)路線圖Fig.1 Technical roadmap

2.3 基于深度學(xué)習(xí)的牧畜群分布初提取

基于牧畜群在高分遙感影像上呈現(xiàn)的點(diǎn)群分布特征，進(jìn)行牧畜群分布的初提取?？紤]牧畜本身尺度非常小，直接以“牧畜斑點(diǎn)”為基本單元進(jìn)行樣本標(biāo)注和訓(xùn)練，標(biāo)注難度和工作量大，在技術(shù)上也不可行。因此采用以“牧畜群”為基本單元進(jìn)行樣本標(biāo)注和訓(xùn)練，一方面實(shí)現(xiàn)樣本信號(hào)的增強(qiáng)，樣本的尺寸、內(nèi)部紋理等信息都得到增加；另一方面也充分利用牧畜的“群”分布特征，實(shí)現(xiàn)基于“牧畜群”的深度學(xué)習(xí)，從而提高模型精度。為此，在錫林郭勒草原，利用4 景GF-2 影像上人工解譯提取的312個(gè)羊群斑塊作為原始標(biāo)注樣本。標(biāo)注時(shí)，盡量將牧畜群的輪廓勾勒精細(xì)準(zhǔn)確（圖2）。鑒于原始標(biāo)注樣本數(shù)量較少，通過對(duì)原始標(biāo)注樣本做11次30°旋轉(zhuǎn)，以實(shí)現(xiàn)樣本數(shù)據(jù)的豐富和增強(qiáng)。鑒于牧畜群的尺度一般不大于500 m，因此采用重疊度為256 像元、大小為512×512 像元的8 比特位無符號(hào)圖片，將原始標(biāo)注樣本及其旋轉(zhuǎn)樣本導(dǎo)出為訓(xùn)練樣本集。

圖2 典型羊群樣本（同一區(qū)域不同時(shí)刻）Fig.2 Typical sample of sheep flock（at different time in the same area）

由于高分影像上牧畜尺度比較小，通常僅3或4 個(gè)像元大小，且不像車輛、艦船、飛機(jī)、人臉等具有規(guī)則的形狀信息和豐富的內(nèi)部紋理信息，同時(shí)牧畜群也不具備規(guī)則形態(tài)，因此對(duì)象檢測(cè)（Object Detection）和實(shí)例分割（Instance Segmentation）等類別的深度學(xué)習(xí)模型難以有效適用。同時(shí)，通過實(shí)驗(yàn)發(fā)現(xiàn)，采用像素分類模型（Pixel Classification）要好于對(duì)象檢測(cè)模型，其中，UNet 像素分類模型具有較好的訓(xùn)練效果（圖3）。

圖3 模型訓(xùn)練情況Fig.3 Analysis of the deep learning model training

基于訓(xùn)練好的模型，利用監(jiān)測(cè)區(qū)域的同等分辨率的高分影像進(jìn)行深度學(xué)習(xí)應(yīng)用，輸出最終監(jiān)測(cè)區(qū)域的“牧畜群”分布初步檢測(cè)數(shù)據(jù)。

2.4 基于高斯拉普拉斯（LoG）梯度差和面向?qū)ο蟮哪列蟀唿c(diǎn)提取方法

基于牧畜斑點(diǎn)群在兩期影像上的變化特征，利用基于梯度差的變化分析方法和面向?qū)ο蟮姆椒ㄌ崛撛谀列蟀唿c(diǎn)分布數(shù)據(jù)。其主要流程如圖4所示：

圖4 基于LoG梯度差的牧畜斑點(diǎn)提取方法Fig.4 Livestock block detection based on LoG Gradient Difference

（1）對(duì)兩期數(shù)據(jù)進(jìn)行濾波、灰度圖和梯度圖生成等預(yù)處理。通過比對(duì)分析發(fā)現(xiàn)，針對(duì)牧畜這種微目標(biāo)，采用雙邊濾波算法（Bilateral Filter）效果較好（圖5），既能增強(qiáng)牧畜斑點(diǎn)，也能有效抑制噪聲。將濾波后的圖像轉(zhuǎn)為灰度圖（圖6），然后利用高斯拉普拉斯（LoG）算子生成圖像的梯度圖。梯度圖相對(duì)于原始圖像，可以一定程度上屏蔽成像條件差異的影響，同時(shí)也能實(shí)現(xiàn)對(duì)羊斑點(diǎn)等弱信號(hào)的增強(qiáng)（圖7）。通過研究和實(shí)驗(yàn)發(fā)現(xiàn)，在1 m 分辨率高分影像上，5×5 窗口的高斯拉普拉斯梯度算子對(duì)牧畜斑點(diǎn)增強(qiáng)效果較好，因?yàn)樵摯翱诔叽缗c大部分情形下牧畜斑點(diǎn)尺寸比較匹配。

圖5 圖像濾波（GF-2）Fig.5 Image filtering（GF-2）

圖6 灰度圖Fig.6 Gray image

圖7 LoG梯度圖Fig.7 LoG gradient image

（2）計(jì)算當(dāng)期監(jiān)測(cè)影像與比對(duì)影像的梯度差值，并選擇梯度差大于（提取白色的羊等亮色牧畜目標(biāo)）或小于（提取暗色的牛馬等暗色牧畜目標(biāo)）一定閾值的斑點(diǎn)對(duì)象作為潛在牧畜斑點(diǎn)。計(jì)算梯度差時(shí)，用當(dāng)期影像像元的梯度減去該像元鄰域內(nèi)比對(duì)影像梯度的最大值（提取白色的羊等亮色牧畜目標(biāo)）或最小值（提取暗色的牛馬等暗色牧畜目標(biāo)），以消除兩期影像空間配準(zhǔn)誤差的影響。其計(jì)算公式為：ΔGi，j=G1i，j-M（G0N（i，j，r））；其中G1i，j表示行列號(hào)為i、j的像元在當(dāng)期影像梯度值，M（G0N（i，j，r））表示行列號(hào)為i、j的像元對(duì)應(yīng)的半徑為r的鄰域范圍內(nèi)比對(duì)影像梯度的最大或最小值。閾值可以基于梯度差圖像的直方圖統(tǒng)計(jì)數(shù)據(jù)進(jìn)行設(shè)置（比如μ+2σ或者Top2.5%分位數(shù)等作為閾值），也可綜合區(qū)域草地、牧畜的對(duì)比度差異等基于專家經(jīng)驗(yàn)進(jìn)行設(shè)置。

（3）利用面向?qū)ο蟮姆椒?，從潛在牧畜斑點(diǎn)中，利用面積、鄰居斑點(diǎn)數(shù)量、距最近鄰居斑點(diǎn)距離、鄰近斑點(diǎn)分布密度等特征，刪除明顯不符的斑點(diǎn)，形成“牧畜斑點(diǎn)”初步分布數(shù)據(jù)。

2.5 數(shù)據(jù)融合與人工輔助修正

利用牧畜斑點(diǎn)分布數(shù)據(jù)對(duì)深度學(xué)習(xí)檢測(cè)的牧畜群分布數(shù)據(jù)進(jìn)行校驗(yàn)和增強(qiáng)，主要是通過空間疊加分析，基于包含斑點(diǎn)數(shù)量、面積、分布密度等特征，刪除不符的牧畜群，形成增強(qiáng)的牧畜群分布數(shù)據(jù)，具體流程如圖8。

圖8 數(shù)據(jù)融合與人工輔助修正流程Fig.8 Data fusion and manual correction process

由于深度學(xué)習(xí)提取的“牧畜群”矢量邊界比較破碎、不夠精準(zhǔn)（圖8），在此利用人工輔助修正，逐個(gè)對(duì)增強(qiáng)后的“牧畜群”矢量邊界進(jìn)行修邊，形成最終的“牧畜群”分布成果數(shù)據(jù)；最后利用空間疊加分析，提取位于修正的“牧畜群”邊界內(nèi)部的斑點(diǎn)，形成最終的“牧畜斑點(diǎn)”分布數(shù)據(jù)。在最終牧畜群和牧畜斑點(diǎn)數(shù)據(jù)的基礎(chǔ)上，可基于斑點(diǎn)數(shù)量和面積，大體估算牧畜群的規(guī)模（即每個(gè)牧畜群中牧畜個(gè)體的大概數(shù)量），為區(qū)域?qū)嶋H載畜規(guī)模提供參考。

此環(huán)節(jié)雖然需人工參與，但是通常牧畜群的分布密度不大，約1群/km2，一個(gè)監(jiān)測(cè)區(qū)域內(nèi)需要修正邊界的牧畜群數(shù)量不多，人工參與的工作量在整個(gè)工作量中占比較小。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)區(qū)域

從應(yīng)用角度，羊是最具代表性的牧畜類型，也是目前存欄量最大的牧畜類型；從科學(xué)角度，羊相對(duì)于牛馬等體型更小，同等分辨率條件下遙感監(jiān)測(cè)識(shí)別難度更大，因此選取羊作為實(shí)驗(yàn)對(duì)象。綜合考慮監(jiān)測(cè)對(duì)象類型和數(shù)據(jù)情況，選擇位于內(nèi)蒙古錫林浩特市的錫林郭勒草原保護(hù)區(qū)核心區(qū)所在區(qū)域?yàn)閷?shí)驗(yàn)區(qū)域?？紤]牧畜群移動(dòng)變化特性，為保持牧場(chǎng)完整性和監(jiān)測(cè)數(shù)據(jù)的可比性，基于GF-2 遙感影像人工解譯提取了核心區(qū)內(nèi)草場(chǎng)邊界作為具體的監(jiān)測(cè)范圍（面積約140.5 km2），詳情如圖9 所示。實(shí)驗(yàn)數(shù)據(jù)采用覆蓋該區(qū)域且成像時(shí)間間隔較近的2019-10-15 和2019-11-08 日兩景GF-2 遙感影像，以便結(jié)果數(shù)據(jù)之間的交互比對(duì)和驗(yàn)證。由于牧畜群的快速移動(dòng)變化特性，基于衛(wèi)星和地面的同步觀測(cè)驗(yàn)證幾乎不可能。為此，通過人工解譯的方法提取了牧畜群的分布數(shù)據(jù)（2019-10-15 影像有羊群35 群，2019-11-08 影像有羊群40 群）、牧戶的分布數(shù)據(jù)（約39 個(gè)獨(dú)立牧戶點(diǎn)，1 個(gè)集中牧戶點(diǎn)），對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)估驗(yàn)證。

圖9 實(shí)驗(yàn)區(qū)域區(qū)位圖Fig.9 Map of the study area

3.2 實(shí)驗(yàn)結(jié)果

基于兩期遙感影像，僅利用深度學(xué)習(xí)方法分別檢測(cè)出羊群329 群和868 群；再利用基于梯度差閾值提取的潛在羊斑點(diǎn)數(shù)據(jù)對(duì)深度學(xué)習(xí)提取的羊群數(shù)據(jù)進(jìn)行校驗(yàn)增強(qiáng)，分別得到羊群39 群和48 群。如圖10 所示，以2019-10-15 結(jié)果為例，圖10（a）中顯示了原始深度學(xué)習(xí)的羊群檢測(cè)結(jié)果和基于梯度差閾值提取的羊斑點(diǎn)檢測(cè)結(jié)果，檢出羊群數(shù)量和斑點(diǎn)數(shù)量都比較多；圖10（b）中顯示了兩者融合增強(qiáng)后的綜合檢測(cè)結(jié)果，羊群數(shù)量縮減約90%。

3.3 結(jié)果分析

由于模型檢測(cè)的牧畜群與人工解譯的牧畜群兩者邊界無法完全吻合，開展結(jié)果驗(yàn)證與精度分析時(shí)，采取以“群”為基本統(tǒng)計(jì)單元，通過空間疊加分析的方法進(jìn)行評(píng)估分析：如果模型檢測(cè)牧畜群與人工解譯牧畜群之間存在空間重疊關(guān)系，即認(rèn)定檢測(cè)的牧畜群為正檢出，否則為誤檢出或漏檢出。此外，由于檢測(cè)的牧畜群與人工解譯的牧畜群為“n：m”的對(duì)應(yīng)關(guān)系，不適合利用IoU等綜合精度進(jìn)行評(píng)價(jià)，所以僅從正檢、漏檢、誤檢等3個(gè)方面分別進(jìn)行精度評(píng)估分析。

如表2、表3所示，分別為2019-10-15和2019-11-08 兩期影像的檢測(cè)結(jié)果分析。數(shù)據(jù)顯示，深度學(xué)習(xí)方法的檢出率分別為0.886 和0.775（平均約0.831），同時(shí)誤檢率分別為0.860和0.954（平均約0.907）。通過基于梯度差的牧畜斑點(diǎn)檢測(cè)結(jié)果對(duì)深度學(xué)習(xí)的檢測(cè)結(jié)果進(jìn)行融合增強(qiáng)后，檢出率分別為0.829和0.775（平均約0.802），誤檢率分別為0.154和0.333（平均約0.244）。兩者增強(qiáng)融合后誤檢率由0.907 大幅下降至0.244，檢出率由0.831小幅下降至0.802，總體精度較好。

表2 2019-10-15影像的羊群檢測(cè)結(jié)果分析Table 2 Analysis of the result（2019-10-15）

表3 2019-11-08影像的羊群檢測(cè)結(jié)果分析Table 3 Analysis of the result（2019-11-08）

（1）正檢出情況：檢出率總體約0.802，尤其對(duì)于大型羊群，檢出率約0.937。方法對(duì)規(guī)模大、聚集度適中、斑點(diǎn)特征明顯、周邊背景簡(jiǎn)單的羊群檢測(cè)效果更好，如圖11所示。

圖11 正檢出的羊群示例（群正檢出、且斑點(diǎn)正檢出）Fig.11 Positive detection case（positive detection both by sheep flock detection and blob detection）

（2）漏檢出情況：漏檢率總體約0.198。如圖12所示，漏檢出的大多位于牧戶房子、道路等復(fù)雜背景周邊，多為小規(guī)模羊群（圖12）或聚集度較高的羊群（圖12（c））。漏檢出的主要原因是背景復(fù)雜導(dǎo)致牧畜斑點(diǎn)特征不明顯，同時(shí)模型訓(xùn)練時(shí)該情形的訓(xùn)練樣本少，降低了深度學(xué)習(xí)模型對(duì)該情形羊群的檢測(cè)精度。后續(xù)可以通過增加該情形的訓(xùn)練樣本數(shù)量、復(fù)雜背景區(qū)域?qū)Ρ榷壤斓确椒ㄟM(jìn)一步提升精度。

圖12 漏檢出的羊群示例（群漏檢出，但斑點(diǎn)正檢出）Fig.12 Missed detection case（sheep flock missed detection and sheep blob positive detection）

（3）誤檢出情況：誤檢率總體約0.244。誤檢出的大多為裸露的小巖石、砂（砂、土）堆或者殘存的雪跡等易混淆地物，其在圖像上也表現(xiàn)為斑點(diǎn)群形態(tài)，且在不同期影像上由于成像角度、光照等差異也偶爾會(huì)呈現(xiàn)梯度變化，從而造成誤檢出（圖13）。后續(xù)可通過增加對(duì)兩期檢測(cè)的牧畜群數(shù)據(jù)、牧畜斑點(diǎn)數(shù)據(jù)的交互校驗(yàn)和融合，剔除兩期均被檢出，且重疊度較高、斑點(diǎn)群形態(tài)分布相近的易混淆地物，實(shí)現(xiàn)精度的進(jìn)一步提高。

圖13 誤檢出的羊群示例（群誤檢出，且斑點(diǎn)誤檢出）Fig.13 False detection case（sheep flock false detection and sheep blob false detection）

4 結(jié)論

本研究面向草原區(qū)牧畜活動(dòng)監(jiān)管、草畜平衡、草原生態(tài)環(huán)境保護(hù)監(jiān)管等相關(guān)領(lǐng)域的迫切需求，針對(duì)牧畜“小（微）目標(biāo)”監(jiān)測(cè)的難點(diǎn)痛點(diǎn)，綜合利用牧畜“點(diǎn)”特征、“群”特征、“移動(dòng)不固定”等多種特征以及融合深度學(xué)習(xí)、面向?qū)ο蟮榷喾N技術(shù)方法，構(gòu)建了一種多尺度特征和多模型方法相融合的牧畜高分衛(wèi)星遙感監(jiān)測(cè)技術(shù)方法。它通過對(duì)牧畜弱信號(hào)的有效增強(qiáng)，“牧畜群”和“牧畜斑點(diǎn)”的分階段檢測(cè)與相互融合增強(qiáng)，實(shí)現(xiàn)了牧畜群分布、牧畜斑點(diǎn)分布和牧畜群規(guī)模的監(jiān)測(cè)提取。雖然目前精度仍不夠高、實(shí)驗(yàn)范圍較小，但后續(xù)可通過補(bǔ)充不同類型、不同時(shí)刻、不同區(qū)域、不同形態(tài)等不同情形的牧畜群樣本，進(jìn)一步提高模型的精度和普適性。本研究初步實(shí)現(xiàn)了基于亞米級(jí)衛(wèi)星影像的直觀的“點(diǎn)數(shù)”式、精細(xì)化牧畜監(jiān)測(cè)，可為草原區(qū)載畜情況的監(jiān)測(cè)監(jiān)管（特別是禁牧區(qū)或禁牧?xí)r節(jié)禁牧落實(shí)情況的監(jiān)管）提供技術(shù)支撐。同時(shí)，本研究中相關(guān)的弱信號(hào)圖像增強(qiáng)、基于LoG 梯度差的變化分析、基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)與基于機(jī)理驅(qū)動(dòng)的面向?qū)ο笙嘟Y(jié)合等技術(shù)方法和策略也可為其他典型“?。ㄎⅲ┠繕?biāo)”的遙感監(jiān)測(cè)提供借鑒和參考。因此，無論是在技術(shù)創(chuàng)新還是業(yè)務(wù)應(yīng)用方面都具有十分重要的意義。

目前本研究還處于初期階段，后續(xù)亟需在影像空間分辨率、區(qū)域和季節(jié)、羊的種類、羊的年齡、羊群聚集度、羊群規(guī)模、區(qū)域背景復(fù)雜度等對(duì)模型檢測(cè)精度影響機(jī)理和影響程度的定量化評(píng)估分析，大范圍應(yīng)用中不同牧畜群辨識(shí)和去重，同步觀測(cè)難的情況下如何利用無人機(jī)“準(zhǔn)同步觀測(cè)”和地面牧場(chǎng)區(qū)劃數(shù)據(jù)進(jìn)行“同名牧群”驗(yàn)證和標(biāo)定，牧畜群中牧畜個(gè)體數(shù)量精準(zhǔn)計(jì)算等多個(gè)方面開展更深入細(xì)致的研究。