遥感技术在耕地类型分类中的应用

孙玉璟

摘要    耕地是人类在地球上赖以生存的主体，耕地面积对粮食产量的保证起到至关重要的作用。在卫星或航拍得到的遥感图像中提取耕地类型是遥感图像分类中的难点。本文分析了基于遥感图像的耕地类型识别与分类的重要性，并列出耕地类型分类的主要算法，为提高耕地利用率、促进农业发展提供参考。

关键词    遥感技术;遥感图像;耕地类型;耕地面积

中图分类号    TP751        文献标识码    A        文章编号   1007-5739（2019）09-0196-02

目前，我国大面积的土地资源得不到合理利用，并且土地沙漠化、地震、泥石流等自然灾害频繁出现，导致可耕地面积不断减少。加上我国地少人多的基本国情，党中央也提出了“严守18亿亩耕地红线”，这是推进农村土地制度改革的底线，是试点的大前提，决不能逾越。可见，耕地面积问题仍是国家战略和国土资源管理部门面临的首要问题[1]。

目前，我国可耕地面积没有统一的测算方法，并且不同区域采用的测算方法各不相同，使得可耕地类型的判断和可耕地面积的统计具有较大难度。随着计算机技术的不断发展，利用计算机算法自动识别和分析卫星拍摄的不同地区的遥感图像，可以提取出可用耕地的類型，并对每种类型的耕地面积进行估算。政府管理部门可以针对不同类型的耕地制定合理的种植策略，可以增加单位耕地面积的产量，提高可耕用土地的利用效率[2]。利用遥感图像还能够及时检测潜在的自然灾害，帮助人们及时采取有效的防护措施以减少风沙、泥石流等自然灾害或地质灾害对可用耕地的破坏，避免可用耕地的减少[3]。因此，利用遥感图像对土地资源实时检测和分类十分重要。

1    遥感技术

遥感技术是从卫星、飞机或其他飞行器中收集地表物体的电磁辐射信号，对接收到的信号进行成像，并探测地球资源和环境的技术[4]。遥感技术广泛应用于土地资源动态监测、农林作物遥感估产、自然灾害的遥感监测、空气与海洋环境监测、军事及其他领域中。

传统的遥感图像均是利用卫星拍摄的遥感图像，卫星遥感图像具有大面积同步监测、获取信息速度快、数据量大的特点，但会受电磁波波段、大气环境和地表覆盖物的影响，卫星发回的遥感图像通常需要几何纠正、去雾处理等图像处理技术才能使用。近年来，随着无人机技术的成熟，部分要求精度较高的遥感图像采用了无人机低空拍摄遥感图像。无人机遥感技术能够克服传统遥感图像获取成本高、分辨率低、气候影响大等缺点，在某些领域得到了广泛的应用。遥感技术在农业或耕地上的研究内容主要集中在土壤演变、耕地提取及分类、种植信息提取等方面[5]。

2    耕地分类原理

基于遥感技术的耕地类型分类是利用土地分类和分布的知识，结合遥感图像中光谱信息和空间信息，识别遥感图像中耕地区域，并利用有效的分类算法对耕地类型进行分类。传统的遥感图像分类方法大致分为2类：基于监督学习分类方法和基于非监督学习分类方法。这2类分类方法的依据是训练数据是否有标记信息[6]，即遥感图像中像素点对应的实际分类，若有则为监督学习，若没有则为非监督学习。

基于监督学习分类方法首先要人工标注出每条数据对应的分类和遥感图像中对应每个像素所属的分类，并分配一个标签，作为训练数据。创建一个训练过程的模型，利用模型对遥感图像的每个像素做出分类，当分类不正确时反馈纠正，通过持续的训练使分类结果达到期望的分类，当错误率较低或达到最大的训练次数即可停止。随着深度学习的快速发展，越来越多的研究尝试用神经网络进行分类。深度学习框架中的神经网络能够自动提取输入遥感图像中的特征，通过分类算法利用训练好的网络对大量的特征信息分类，并将土地类型作为神经网络的输出层输出。常见的监督学习分类算法还包括决策树算法、KNN算法、支持向量机SVM等。遥感图像测试图Stockton如图1所示。

基于非监督学习的分类方法是按照“物以类聚”的思想，不需要标注每个像素所属的分类，利用设定的规则计算机算法自动将遥感图像中相似光谱的像素点划分为一类，划分的依据是地物的光谱理论。遥感图像中的同类地物具有相同的表面结构特征、植被覆盖，具有相同或相近的光谱特征，属于同一个分类;不同的地物，光谱信息特征不同，属于不同的分类。分类的结果是将遥感图像上的所有像素点都映射到不同的类别中，所有的像素分类应满足同一类别像素间的差别尽可能小且不同类别像素间的差别尽可能大的要求，由于没有标签信息，所以无法评估非监督学习的分类结果。常用的非监督学习方法包括k-means聚类算法、分级集群法、动态聚类法等。

一般衡量分类结果的精确性常采用空间精度与定量精度2种评价标准。空间精度根据已有的调查数据选取的检验样本，计算混淆矩阵获取精度等系数，对可用耕地的分类结果进行评价。定量精度采用计算耕地提取面积与统计面积的一致性进行评价。

3    结语

本文针对可用耕地计算中出现的问题，结合遥感图像，利用监督学习算法和非监督学习方法，提供了不同的可用耕地类型和面积计算算法。可根据实际应用场景，组合或改进已有的分类算法，提高可耕地资源遥感图像的分类效果，有效地提高耕地类型的分类精度和计算效率。

4    参考文献

[1] 刘红岩，陈剑，陈国青.数据挖掘中的数据分类算法综述[J].清华大学学报（自然科学版），2002，42（6）：727-730.

[2] 柏延臣，王劲峰.结合多分类器的遥感数据专题分类方法研究[J].遥感学报，2005，9（5）：555-563.

[3] 朱海洲，贾银山.基于支持向量机的遥感图像分类研究[J].科学技术与工程，2010，10（15）：3659-3663.

[4] 贾坤，李强子，田亦陈，等.遥感影像分类方法研究进展[J].光谱学与光谱分析，2011，31（10）：2618-2623.

[5] 马玥，姜琦刚，孟治国，等.基于随机森林算法的农耕区土地利用分类研究[J].农业机械学报，2016，47（1）：297-303.

[6] 周志华.机器学习及其应用[M].北京：清华大学出版社，2015.

作者简介   孙玉璟（1974-），女，山东聊城人，助理工程师，从事园林种植、技术推广工作。

收稿日期   2019-01-04