基于深度学习的耕地“非农化”遥感监测初探

石婷婷，戴 腾，厉芳婷，王爱华

（1.湖北省航测遥感院，湖北 武汉 430074；2.湖北省测绘工程院，湖北 武汉 430074；3.山东省国土测绘院，山东 济南 250013）

2020年9月15日我国发布了最高规格的保护耕地“非农化”文件——《关于坚决制止耕地“非农化”行为的通知》，严格管理违规占用耕地绿化造林、超标准建设绿色通道、违规占用耕地挖湖造景、占用永久基本农田扩大自然保护用地、违规占用耕地从事非农建设、违法违规批地用地等6类耕地“非农化”行为[1]。面对这项“最严令”，亟需有效手段来保证落实。因此，有效利用遥感监测手段快速发现耕地“非农化”的变化情况显得尤为重要。

本文重点围绕耕地“非农化”行为中的占用耕地挖田造湖、挖湖造景、开挖推土区以及建设建筑物、构筑物、道路等，基于高分辨率卫星影像、第三次全国土地变更调查等资料，探索利用深度学习等遥感卫星影像变化监测方法实现耕地“非农化”疑问图斑的快速发现，辅以人工内业判别的方式，构建耕地“非农化”遥感监测的技术流程。

1 深度学习

深度学习作为一个新兴的研究热点，在计算机识别、图像处理、语言识别、自然语言处理等各领域都取得了一定的成果。随着高分辨率遥感影像的不断普及与应用，以卷积神经网络为代表的深度学习在图像学习领域的效果更是惊人。深度学习拥有更深的网络层次和丰富的网络结构，可通过神经元逐层传递特征信息，每一层还能对前层传递的特征进一步挖掘学习，再通过反复迭代达到全局最优点，因此有能力通过学习大规模数据样本来解决问题[2]。

近年来，很多研究人员将深度学习应用于卫星遥感影像目标地物监测和变化信息监测中，设计了很多优秀模型[2]，得到了很好的监测成果，如陈一鸣[2]等提出了一种改进的基于U-Net的深度学习方法，采用随机梯度下降与Momentum组合的优化方法训练深度学习模型以实现语义级别的图像分割，进而准确识别较复杂的新增建筑物；Ham S[3]等提出了端到端的密集反卷积神经网络，将遥感卫星图像上的抽象特征与细节特征相结合，自动检测建筑物效果较好；宋业冲[4]等提出了一种基于集成学习的U-Net双网络变化信息融合的光伏用地变化检测方法，极大地提高了分类精度；陈前[5]等分别建立了水体分类数据集和水体语义分割数据集，构建并训练卷积神经网络和DeepLab V3网络，水体提取效果均较好；张鑫龙[6]等通过考虑领域信息的改进变化矢量分析法和灰度共生矩阵方法减少了变化检测时局部对比不一致产生的误差，设置采样区间从可能的变化和未变化区域中选取像元作为样本，利用深度玻尔兹曼机进行模型训练，进而进行变化检测。本文利用基于DeepLab V3+语义分割的深度学习网络提取遥感影像中耕地转变为建筑物（含构筑物、道路）、水域、推土区的变化图斑，从而实现耕地“非农化”遥感监测成果的快速获取。

2 耕地“非农化”遥感监测技术路线

2.1 数据来源与预处理

本文首先采集高分一号、高分六号、资源系列等高分辨率卫星影像数据，数字高程模型及其覆盖监测区域的控制资料，监测范围境界矢量数据，第三次全国土地利用变更调查数据等，并检查数据的规范性和完整性；再通过坐标转换、投影变换、数据融合、数据提取等对数据进行预处理。

2.2 技术流程

本文设计的基于深度学习的耕地“非农化”遥感监测技术流程如图1所示。

图1 耕地“非农化”遥感监测技术流程图

2.2.1 影像处理

本文以覆盖研究区的已有正射影像成果为控制源，采用密集匹配的方式采集控制点，并对满足数据源要求的影像进行正射纠正处理；再对纠正后的影像进行融合、色彩合成处理，按县域范围进行镶嵌裁切，得到县域数字正射影像成果。影像处理为tif格式4通道影像，第四通道为近红外通道。

2.2.2 自动变化监测提取

本文借鉴陈前[5]等的研究方法设计了基于深度学习的遥感监测方法。本文利用该方法对两期遥感影像进行建筑物（含构筑物、道路）、水域（挖田造湖、挖湖造景）、推土区的变化监测，并自动提取变化监测结果。耕地“非农化”遥感监测指标体系如表1所示。

表1 耕地“非农化”遥感监测指标体系

1）耕地中新增建筑物（含构筑物、道路）监测。建筑物、构筑物、道路相对于耕地的光谱差异较大，容易区分。本文基于前期获取的广泛的源图像和已标注耕地中建筑物、构筑物、道路特征的标记图，以DeepLab V3+语义分割模型为编码器输出特征图，利用ResNeSt神经网络进行学习；然后将训练好的模型分别输入前、后两期遥感影像进行建筑物（含构筑物、道路）区域识别；最后将前、后两期识别结果相减即可得到新增变化区域。

2）耕地中新增水域监测。DeepLab V3+语义分割水体对于水体范围较大的山区地带效果较好[5]，本文采用DeepLab V3+网络方法提取山区地带的水域，采用NDWI水体指数法提取坑塘湖泊较多的平原地带水域；再将前、后两期水域提取结果相减即可得到新增水域变化区域。针对NWDI方法误提山体阴影为水域的情况，本文利用耕地范围提取等后处理手段进行剔除。

3）耕地中新增推土区监测。推土区多为建筑工地设施用地或新开工工地，影像上纹理粗糙、亮度明显增大。本文采用与建筑物相同的方法制作推土区样本，再基于ResNeSt神经网络进行模型训练，然后分别将模型输入前、后两期遥感影像中进行推土区识别，最后将前、后两期识别结果相减即可得到新增推土区变化区域。

2.2.3 自动提取结果后处理

本文基于第三次全国土地利用变更调查数据中的耕地类型数据，通过提取、合并等处理形成县域耕地范围数据；再叠合自动提取的变化图斑，利用空间分析方法进行空间数据整合；然后剔除区位重复图斑，合并邻近图斑；最后利用圆形度、最小面积等指标剔除细碎图斑等手段去除伪图斑。

2.2.4 交互式疑问图斑判读

针对自动提取结果中由于耕地季节性光谱信息差异导致的错分、混分，本文采用人工编辑的方式进行交互式判读，即针对经过后处理的耕地“非农化”变化监测图斑，以两期影像融合影像为辅助数据，通过卷帘工具进行人工判读，排除伪变化图斑，从而进一步提高变化监测结果的准确性。

2.2.5 数据整合与变化图斑统计

本文对提取的各类型变化图斑进行数据整合，形成最终的变化监测成果；并统计各类变化图斑数量，制作监测报告。

2.3 实验分析

受影像覆盖不完整的影响，本文选取红安县重叠度较高的两景高分一号卫星遥感影像进行实验，时相分别为2020年9月和2020年11月，实验重叠区域面积为1 555 km2，约占红安县县域面积的86.6%。本文分别对两期影像进行正射纠正处理；再利用内嵌深度学习模型的耕地“非农化”疑问图斑自动变化提取软件分别提取建筑物（含构筑物、道路）、水域、推土区的变化疑问图斑；然后根据占用耕地情况进行图斑去伪处理；最后利用两期遥感影像进行人工解译分析。识别提取的耕地“非农化”疑问图斑个数如表2所示，提取的耕地“非农化”疑问图斑示例如图2、3所示。

图2 疑似乱占耕地建房图斑

表2 红安县耕地“非农化”遥感监测疑问图斑统计表/个

通过交互式人工判读发现，在不考虑变化监测图斑边界精度的前提下，本文方法识别的疑问图斑仍存在较多的错分情况，主要表现为季节性原因导致错提水域变化图斑、影像质量不一致导致错提建筑物变化图斑等；但相对于全人工变化识别而言，该方法大大缩短了耕地“非农化”遥感监测要求的响应时间，减少了人工判别的工作量。在模型训练准确度上，还需进一步增加不同卫星影像的训练样本来改进算法、增强模型的泛化能力。

图3 疑似挖湖造景图斑

3 结语

在耕地“非农化”禁止令越来越严格的背景下，如何快速发现新增耕地“非农化”建设，有的放矢地去监督去恢复，是当前自然资源管理部门迫在眉睫的任务。针对违规占用耕地挖建水域、开挖推土区、建筑物（含构筑物、道路）等非农化建设的典型耕地“非农化”行为，本文探索了利用前、后两期卫星影像，基于深度学习算法的疑问图斑快速识别技术路线，为耕地“非农化”遥感监测的推广应用提供了新思路，具有重要的参考和应用价值。下一步将在乱占耕地进行绿化造林等方面开展研究，全面覆盖耕地“非农化”遥感监测内容。