面向自然资源监测监管的土地利用/覆盖变化（LUCC）精准服务平台设计与实践

李 波，冯都贤，陈玉杰，龙清成

（1.寿光市地理信息中心，山东 寿光262700；2.中国石油大学（华东）海洋与空间信息学院，山东 青岛 266555；3.寿光市不动产登记中心，山东 寿光 262700）

开展自然资源监测工作，是各级自然资源部门统一行使全民所有自然资源资产所有者职责和统一行使所有国土空间用途管制和生态保护修复职责的重要手段。随着高分遥感技术的发展，土地利用/覆盖变化（LUCC）研究有了新的含义[1]，它将是对快速变化的地球表面进行有效利用的重要手段，其目标是辅助对地表的每个地理单元进行精确识别（形态）、准确判别（类型）、定量计算（指标）、准确推测（趋势）、有效预防（灾害）[2-3]。本文提出的P-LUCC产品及生产线研发的意义在于解决利用多源异构数据高质、高效地提取和更新地理单元，成为自然资源管理和产业应用的基础性产品和技术支撑。

为了顺应这种对自然资源常态化精准监测与更新的需求和使命，国务院机构调整并专门整合设立了自然资源部，将与地球环境相关的地质调查（地质-土壤）、国土空间规划（土地资源）、土地调查（土地利用）、国土执法（土地覆盖变化）、专项调查（土地类型）统归到一起，而这几类功能有机地组合到一起，正是将以往地球科学中互相割离研究的土壤、土地资源、土地利用、土地覆盖变化、土地类型（俗称“五土”）统筹到了一起，这就需要革新技术方法来适应这种变化[4]。

当前主要的调查监测手段还是内业（手工数字化）和外业（实地考察）结合为主，精度高但效率低、成本高、质量参差不齐[5]。高分遥感时代的信息智能化提取问题难以攻克，对应数据大规模获取的信息持续更新与大规模服务难以实现，为了提供满足实际应用需求的精准LUCC，需要突破高分遥感时代下数据在空间和时间变化带来的复杂性，对高分遥感数据实现的精细化智能提取和提供高效的信息更新服务[6-7]。

遥感影像要素信息解译成果作为高分遥感向地理空间转化和应用的基础信息，是采用微宏观相结合的分层解构思想，按照从定性到定量的生成逻辑，逐级地将影像所刻画的复杂地表空间，映射为以地理图斑为基本单元进行结构重组与图谱表征的共性数据产品，进一步可通过面向专题的信息提炼与模式挖掘，衍生一系列服务于各领域精准应用的定制化知识产品。以大数据粒计算与综合地理分析思想为指导，在地理图斑智能计算理论所构建的三大基础模型（分层感知、时空协同与多粒度决策）支撑下，设计并研制遥感影像要素信息解译生产线及其核心工艺流程，其中的关键是通过对深度学习、迁移学习与强化学习等机器学习技术的有机融合，实现生产线中多源多模态信息的时空聚合与有序转换。本文将以地理学分区、分层、分级思想为指导，有效组合深度学习、迁移学习、强化学习的机器学习技术，构建LUCC智能化产品生产线，并以此为基础设计研发专题产品与生产线，开展县域的分布式生产与服务实践。

1 精准土地利用LUCC技术框架

本文利用国产高分辨率遥感影像，结合行业应用，开展专题产品研究，形成专题信息产品生产线，最终搭建服务平台以及开展产业化应用。本文研究内容及整体技术框架如图1所示。

图1 主要研究内容及技术框架

1.1 精准LUCC设计思路

相对传统“堆人”的全人工生产模式，精准LUCC基础产品生产的显著特征是“智能化”。秉承“流程清晰、过程可控、工艺先进、质量可查”的数据制造十六字方针，形成一条人机协同的智能化生产线。生产过程中原来需要人工重复劳动的步骤基本都被机器替代，数据生产效率大幅提高，真正实现了“机器干活人检查”的生产模式。给定任务区域及该区域对应的遥感影像，精准LUCC产品识别出区域内的所有地块形成矢量图斑，并按照一定的分类体系为每个地块图斑赋予相应的类别属性。

1.2 精准LUCC生产线

精准LUCC生产线是将地理学分区/分层/分级的思想、遥感的机理模型与机器学习智能计算方法相紧密结合而设计与实现，以亚米级高分影像为本底输入，输出精细图斑的土地利用和土地覆盖产品，并可进一步根据需求做产品定制（属性精化细化、图斑结构重组、图形综合制图），并在新的观测和外部数据接入后做出快速的变化更新。

从整体架构上，精准LUCC产品生产线系统的设计将后台的数据管理、计算工具和任务执行与前端的人机交互式操作分离，由统一的工作流进行串联，分为：数据/计算/任务管理模块、地理区块划分/影像合成/分层提取/属性赋值/结构重组/图斑处理的计算模块、样本制作/分区控制/产品定制的终端模块、外业验证APP等四大部分，精准LUCC产品生产线系统架构如图2所示。

图2 精准LUCC生产线系统架构

2 精准LUCC在线服务平台开发及县域示范应用

2.1 精准LUCC在线服务平台

设计在线LUCC生产平台方案，实现生产与服务系统，为进一步开展“区域+专题”产品与服务应用提供支撑。充分吸收和紧密结合分区/分层/分级的地理学分析方法、深度学习/迁移学习/强化学习的机器学习技术、时空协同反演的遥感机理模型，并将各个功能模块化、流程化。平台将有效结合机器学习智能算法、外部知识与资料库、生产流程管控平台三大法宝，让机器逐步学习到外部知识和专家经验，实现生产线的智能化、高效化。该平台框架以在线的互联网影像地图以及互联网采集的现势标注信息为主要的数据来源，搭建精准LUCC在线生产流程，高效地生产更新基础的全球任意陆地区域的精准地理图斑。基于此基础产品，开展县域专题产品设计、生产、服务与应用。在线精准LUCC生产与应用服务平台如图3所示。

图3 在线精准LUCC生产与应用服务平台

精准LUCC生产与应用服务平台是专业用于遥感信息产品的生产系统，是一种数据可视化、信息地图化的桌面解决方案。利用遥感信息生产软件，可以实现遥感信息产品的高效、快捷生产，并提高了产品的正确性。该平台依据地图及其应用的概念、采用办公自动化的操作、融合计算机地图方法、使用地理数据库技术、加入了地理信息系统分析功能，形成了极具实用价值、可以为各行各业所用的大众化小型软件系统。该平台一方面提供基本的影像加载、显示、缩放、漫游功能用于预览所需处理的数据，还拥有对遥感影像的基本处理能力，包括了对影像矢量化、属性赋值、对矢量数据的分割合并等操作，这些工具对遥感信息的生产效率有着极大的提升。

2.2 精准LUCC在线服务平台示范应用

2.2.1 试验区简介

寿光市，是山东省潍坊市代管县级市，位于山东半岛中部，渤海莱州湾南畔，第三次国土调查总面积为199 737.21 hm2，其中，耕地98 576.72 hm2，是“中国蔬菜之乡”，农业及蔬菜产业在全市经济中占有重要位置，开展耕地变化监测及蔬菜大棚精准提取试验应用具有典型示范意义。

2.2.2 数据源及控制资料

（1）数据源主要采用采购的现势性为2021年1-12月份的卫星影像作为主要数据源，影像分辨率优于0.5 m。

（2）地理参考，以山东省寿光市自然资源局提供的山东全省已有的0.5 m分辨率DOM作为参考影像，主要用于卫星影像控制点获取。

（3）高程参考：以测绘院提供的山东全省30 m格网数字高程模型数据，用于卫星影像空三加密控制。

（4）其他参考资料：单体建筑掩膜，基于0.8 m卫星遥感影像制作的单体建筑掩膜（栅格）数据，用于过滤高层建筑物上的匹配点，提高几何精度。地表覆盖掩膜，山东地表覆盖掩膜（栅格）数据，用于镶嵌线自动规避农村建筑区。

2.2.3 耕地及大棚智能提取

围绕山东省寿光市耕地地块（包含种植结构）、大棚等对象的监测调查工作开展示范应用，帮助实现农业产业结构的常态化监测及评价，是帮助全覆盖、精准摸清全县种植结构家底的可行途径。利用亚米级高分影像提取与更新耕地地块，利用地面调查手段获取当年各县域的种植类型采样（用以样本训练与验证），利用多期光学影像和SAR卫星数据对应种植季特征的综合分析提取各地块的种植类型，从而获得全域覆盖、精准、及时的种植结构信息。流程如图4所示。

图4 耕地生产流程

耕地图斑为影像上表现出明显人工耕作特征的土地范围如图5所示。

图5 山东省寿光市耕地地块智能提取结果

（1）熟耕地、新开发整理荒地、以农为主的草田轮作地，即常规耕地（包括在影像中能识别出耕作特征的抛荒地、草地）。

（2）种植以采集果、叶、根、茎、汁为主的集约经营的多年生草本作物，即种植草本作物的园地。

大棚图斑提取对象为高分影像中表现出明显大棚特征的图斑，即从高分影像中能通过纹理、覆膜、框架等边界识别出的内部精细大棚矢量图斑。流程如图6所示，提取结果如图7所示。

图6 大棚生产流程

图7 山东省寿光市大棚智能提取结果

3 结束语

在整个精准LUCC生产流程的设计中，综合运用了“提取影像时空特征的深度学习”“逐步融入外部知识的迁移学习”以及“驱动生产流程优化的强化学习”这三大类机器学习机制，从而协同发挥了数据粒化、信息重组与知识关联为一体的大数据智能计算作用。其中，深度学习主要应用于分层感知器中对于地物空间形态特征的提取，以及时空协同反演中对于地物时序变化特征的分析；迁移学习主要体现在时空协同反演中通过土地覆盖（LC）反推土地利用（LU）类型，以及多粒度决策器中通过挖掘外部关联知识推测LU类型；强化学习首先融入分层感知器中对各类网络内部反馈机制和样本主动增补机制进行改进，进而协同多粒度决策器将外部增量知识动态地补充至LU场景，以持续增强对LU类型的判别以及LC指标的计算。

在图形的增强方面，主要通过建立针对边缘、形态、（大）类型的图形样本库来主动地训练网络模型（模拟对遥感影像中地理要素的视觉感知），并有机地集成到制作流程中，并通过GIS后处理算法和人工对图斑的修正，将结果中优选区域样本反馈至样本库和训练网络，实现主动式的增强学习。在属性的增强方面，针对地理图斑的功能类型、覆盖变化指标、资源状态和发展趋势等四类推演目标，除外部迁移获得的特征外，需要进一步构建静态空间特征（包括强度、密度、邻近、距离等类型）以及随部分目标确定后实时计算获得的动态特征。其中空间相关特征是基于各地理图斑与其他图斑的空间关系来计算得到的特征值（例如缓冲区内建筑的个数等）；动态特征则是待确定地理图斑与周边已确定地理图斑间的空间语义关系所计算的特征值，该特征值是会随着每一次迭代优化和确定的目标数增多而动态调整并代入到下一次迭代计算中去的（这两种特征进一步融入了GIS空间分析的方法）。在每一次迭代计算的结果输出后，都会计算各图斑的结果可靠性，将高可靠性的图斑标记为确定图斑，确定图斑在下一次迭代计算中其结果将不会被改变，除非有强制的判定出现。随着人工内业（或互联网众包）和外业调查反馈，对部分目标结果进行修正（惩罚）和确认（奖励），从而不断训练集成分类模型，逐步使结果趋优。