劉 巍,吳志峰,駱劍承,孫營(yíng)偉,吳田軍,周 楠,胡曉東,王玲玉,周忠發(fā)

1. 中國(guó)科學(xué)院空天信息創(chuàng)新研究院遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101； 2. 中國(guó)科學(xué)院大學(xué),北京 100049； 3. 廣州大學(xué)地理科學(xué)學(xué)院，廣東 廣州 510006； 4. 長(zhǎng)安大學(xué)地質(zhì)工程與測(cè)繪學(xué)院，陜西 西安 710064； 5. 貴州師范大學(xué)喀斯特研究院，貴州 貴陽 550001

實(shí)時(shí)、精確的農(nóng)業(yè)信息是促進(jìn)農(nóng)業(yè)現(xiàn)代化發(fā)展的重要前提和關(guān)鍵環(huán)節(jié)[1]，同時(shí)也對(duì)國(guó)家制定農(nóng)業(yè)政策、保證糧食安全具有重要的意義[2-3]。早期的農(nóng)業(yè)信息主要是通過實(shí)地采集的方式進(jìn)行統(tǒng)計(jì)并匯總。雖然數(shù)據(jù)較為精確，但在大面積的農(nóng)業(yè)信息調(diào)查時(shí)，需要耗費(fèi)極其昂貴的時(shí)間成本與物力成本，并且獲得的結(jié)果具有滯后性，利用價(jià)值大大降低[4]?，F(xiàn)代農(nóng)業(yè)的不斷發(fā)展，迫切需要新的技術(shù)和手段來提高農(nóng)業(yè)信息獲取的水平。遙感技術(shù)作為大范圍、快速獲取地球表面信息的唯一方式，已成為及時(shí)掌握農(nóng)業(yè)信息的有效途徑。

耕地分布信息是最重要的農(nóng)業(yè)信息之一[5]，其對(duì)于農(nóng)田長(zhǎng)勢(shì)監(jiān)測(cè)、農(nóng)業(yè)產(chǎn)量預(yù)測(cè)、農(nóng)業(yè)風(fēng)險(xiǎn)評(píng)估等[6-9]應(yīng)用均具有重要價(jià)值[10]。因此，從20世紀(jì)70年代開始，歐美等國(guó)就已經(jīng)開始研究如何利用遙感技術(shù)提取耕地的空間分布信息[11-15]。傳統(tǒng)的方法是使用基于像素的網(wǎng)格進(jìn)行區(qū)域或全球尺度的耕地分布制圖，或者是對(duì)大范圍平原區(qū)域密集分布的耕地進(jìn)行提取。但由于“同物異譜”和“同譜異物”現(xiàn)象以及混合像元的普遍存在，像素級(jí)方法所提取的耕地信息的精度十分有限，只能宏觀上獲得大尺度的耕地空間分布信息，而在中小尺度上并不適用。此外，現(xiàn)有研究多位于地勢(shì)較為平緩的平原地區(qū)，多是鑒于平原區(qū)耕地的形態(tài)較為規(guī)整且分布密集、作物種植類型單一，是遙感應(yīng)用的理想場(chǎng)所，而與平原地區(qū)不同，面向山地區(qū)域的遙感耕地信息提取研究甚少，因?yàn)榈匦螐?fù)雜區(qū)域的研究存在更多困難。以我國(guó)西南山區(qū)為例，主要的挑戰(zhàn)在于：山地區(qū)域人地矛盾緊張，農(nóng)業(yè)以小農(nóng)形態(tài)為主，耕地零散分布于山區(qū)各地，而且形態(tài)各異，大多細(xì)小破碎，種植的農(nóng)作物種類繁多，且大多是一年多熟，因而種植結(jié)構(gòu)極其復(fù)雜；此外，山地區(qū)域崎嶇的地形特征和特殊的水熱條件，導(dǎo)致空間異質(zhì)性大，耕地信息提取困難加大[16]。因此，開展山地區(qū)域的耕地信息提取研究具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。

隨著遙感影像空間分辨率的不斷提高，其所能呈現(xiàn)的地物特征更加詳細(xì)，亞米級(jí)影像基本可以準(zhǔn)確地界定地物的形態(tài)和類型，這為山地區(qū)域零散分布的破碎耕地信息提取給予了數(shù)據(jù)保障。隨后，農(nóng)業(yè)遙感的研究對(duì)象也從以往的大范圍、大體積的“密集農(nóng)田區(qū)”向更加精細(xì)的“耕地地塊”轉(zhuǎn)變。而在技術(shù)方法層面，也從原有的像元級(jí)方法過渡到對(duì)象級(jí)方法[17]。這是由于基于對(duì)象的方法可以充分利用高空間分辨率遙感影像(簡(jiǎn)稱高分辨率遙感影像)的空間信息和專家知識(shí)進(jìn)行推理分析[18]，具有明顯的優(yōu)勢(shì)[19-21]，其最關(guān)鍵問題是如何獲取邊緣精準(zhǔn)的影像對(duì)象。傳統(tǒng)上是采用影像分割的方法來獲取對(duì)象，即利用了影像的光譜、紋理信息，基于像元的同質(zhì)性，自底向上聚合形成影像對(duì)象[22]。但由于分割獲取影像對(duì)象的方法本質(zhì)上沒有考慮影像所具有的形態(tài)信息、上下文語義信息等高層特征，是基于光譜特征的像素聚合，而沒有充分利用高分辨率遙感影像所具有的其他特征[23-24]。因此，分割方法所獲得的對(duì)象單元與人們對(duì)實(shí)際目標(biāo)地物的形態(tài)往往并不匹配，進(jìn)而導(dǎo)致對(duì)象級(jí)的分類結(jié)果無法轉(zhuǎn)換成具有實(shí)際地理實(shí)體意義的解譯成果。

在目前的實(shí)際工作中，高分辨率遙感影像解譯工作主要還是由人工目視來完成。究其原因是人在進(jìn)行高分辨率遙感影像目標(biāo)識(shí)別時(shí)，能夠分層次地感知影像上所呈現(xiàn)的形態(tài)、紋理等空間特征，并對(duì)所獲得的視覺信息進(jìn)行分層提取，從而實(shí)現(xiàn)對(duì)地物目標(biāo)信息的精準(zhǔn)提取。因此，如何充分利用高分辨率遙感影像所具有的豐富特征，模擬人的視覺感知機(jī)制，提取與實(shí)際地物目標(biāo)相符合的地理圖斑單元(如本文關(guān)注的耕地地塊)是關(guān)鍵所在。

近年來，深度學(xué)習(xí)技術(shù)在圖像分類領(lǐng)域的研究取得了巨大進(jìn)步，尤其卷積神經(jīng)網(wǎng)絡(luò)能夠在多個(gè)尺度上學(xué)習(xí)和表達(dá)多種視覺特征，在自然圖像分析領(lǐng)域取得了巨大的成功[25-28]。隨后，利用以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)模型進(jìn)行高分辨率遙感影像信息提取的研究日益升溫。例如文獻(xiàn)[29]探索了深度卷積神經(jīng)網(wǎng)絡(luò)在高分辨率遙感影像中進(jìn)行信息提取的可行性，表明其相比于傳統(tǒng)的方法具有更好的性能，文獻(xiàn)[30]將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于遙感影像的分類研究，使得分類結(jié)果獲得了顯著的提升，文獻(xiàn)[31]設(shè)計(jì)了一種3D卷積神經(jīng)網(wǎng)絡(luò)用于從遙感數(shù)據(jù)中提取時(shí)空特征，并進(jìn)行農(nóng)作物的分類，取得了良好的效果。但是，目前這些基于深度學(xué)習(xí)技術(shù)的遙感信息提取研究，總是意圖采用一種深度學(xué)習(xí)模型實(shí)現(xiàn)遙感影像中所有地物目標(biāo)的分類與提取，卻始終無法達(dá)到人工目視解譯的效果。究其原因，是在地表這一復(fù)雜環(huán)境中，不同地物類型之間千差萬別，特別是在山地區(qū)域中，高度復(fù)雜的種植結(jié)構(gòu)以及高強(qiáng)度的空間異質(zhì)性導(dǎo)致了多樣化的種植方式和耕地類型，理論上僅利用一種模型方法難以構(gòu)建地物目標(biāo)從影像空間向地理空間的完全映射關(guān)系，無法體現(xiàn)地理分異特征[32]。因此分區(qū)分層的地理學(xué)思想被借鑒用于山地區(qū)域遙感信息提取模型中[33-34]。本文將在地理學(xué)分析思想指導(dǎo)下對(duì)復(fù)雜地表空間進(jìn)行有序重構(gòu)，按照分區(qū)分層思路將影像空間分解為若干相對(duì)獨(dú)立的地物提取算法的組合，即每一類地物都需按照其特定的視覺特征分別設(shè)計(jì)深度學(xué)習(xí)的提取算法。但如何根據(jù)地理景觀分異規(guī)律的先驗(yàn)認(rèn)知，設(shè)計(jì)合理有效的逐級(jí)分區(qū)式分類方法，是需要在模型中考慮的。

綜上所述，本文將在分區(qū)分層的地理學(xué)思想指導(dǎo)下，借助深度學(xué)習(xí)技術(shù)的優(yōu)勢(shì)，提出了一種復(fù)雜山區(qū)環(huán)境下的耕地形態(tài)信息提取方法，主要的實(shí)現(xiàn)思路是：①針對(duì)復(fù)雜的地表情況，建立山區(qū)的分區(qū)分層體系，根據(jù)地形特征劃分成不同的地理區(qū)塊，保證每個(gè)區(qū)塊內(nèi)的地理要素條件和地形特點(diǎn)相對(duì)一致；再根據(jù)每個(gè)區(qū)域內(nèi)耕地的視覺特征，將耕地劃分為不同的亞類型，原則是每個(gè)類型的耕地具有相似的視覺特征；②針對(duì)高分辨率遙感影像所具有的豐富特征，采用擅長(zhǎng)學(xué)習(xí)和表達(dá)視覺特征的深度學(xué)習(xí)模型進(jìn)行耕地提取。根據(jù)各類型的耕地在高分辨率遙感影像上所呈現(xiàn)視覺特征差異，分別針對(duì)性地選擇和設(shè)計(jì)深度學(xué)習(xí)提取模型；③使用所設(shè)計(jì)的深度學(xué)習(xí)模型對(duì)各類型的耕地進(jìn)行分層式的逐級(jí)提取，進(jìn)而再對(duì)分層提取的結(jié)果進(jìn)行融合后處理，最終得到完整的耕地信息提取結(jié)果。研究區(qū)的試驗(yàn)驗(yàn)證了該方法對(duì)于山區(qū)復(fù)雜環(huán)境下耕地信息提取的可行性與有效性。

1 研究方法

復(fù)雜多變的地表系統(tǒng)中，在不同地形條件、不同耕作方式以及不同季節(jié)里，山區(qū)耕地都會(huì)因其作用機(jī)制的不同而呈現(xiàn)出千差萬別的空間形態(tài)特征，在高分辨率遙感影像上相鄰耕地也因其視覺形態(tài)上的不一致而可被區(qū)分，總而言之，視覺形態(tài)信息是基于高分辨率遙感影像進(jìn)行耕地信息提取的主要特征依據(jù)。因此，本文根據(jù)丘陵山區(qū)耕地在高分辨率遙感影像上所呈現(xiàn)的視覺形態(tài)特征，在對(duì)其總結(jié)描述的基礎(chǔ)上，遵循“分區(qū)分層感知”的地理圖斑智能計(jì)算理論[35]，模擬人的視覺感知機(jī)制，設(shè)計(jì)了面向復(fù)雜山區(qū)的耕地形態(tài)信息提取方法。主要包含兩個(gè)部分：①分區(qū)分層的結(jié)構(gòu)分解過程，根據(jù)山區(qū)的地形特征和耕地的影像視覺特征建立分區(qū)分層系統(tǒng)，將復(fù)雜多樣的山區(qū)耕地逐級(jí)劃分成幾種相對(duì)一致的亞類型；而后是解析重組過程，根據(jù)每種類型耕地所呈現(xiàn)的視覺特征，分別選取并改進(jìn)合適的深度學(xué)習(xí)模型分層提取各類型的耕地，以避免邏輯上的分類錯(cuò)誤，同時(shí)也提高分類效率；②將多個(gè)耕地亞類型的提取結(jié)果進(jìn)行融合與后處理，得到完整的一期耕地提取結(jié)果圖。

1.1 地理分區(qū)

山地區(qū)域中，本文利用道路/水系/地形線等線狀要素，通過切割方式將試驗(yàn)區(qū)劃分為若干塊，使得每個(gè)區(qū)塊內(nèi)的地形條件相對(duì)一致，而驅(qū)動(dòng)其中某一種耕地占據(jù)主導(dǎo)。保證了區(qū)塊之間的相對(duì)獨(dú)立性，使得提取過程只限定在區(qū)塊之內(nèi)，避免了誤差傳播。根據(jù)山區(qū)的地形特點(diǎn)和在遙感影像上所呈現(xiàn)的視覺特征，將山區(qū)劃分為平壩區(qū)、山坡區(qū)和林草區(qū)3種類型的區(qū)域。各區(qū)域特點(diǎn)如圖1所示：①平壩區(qū)是山區(qū)或丘陵地帶的局部平原，主要分布于山間構(gòu)造盆地、山間河谷和山麓平原，地勢(shì)較為平坦，其間主要分布有規(guī)則耕地；②山坡區(qū)主要指山頂與平壩區(qū)之間的傾斜面，是山頂與山麓之間無大片林草覆蓋的區(qū)域，其間主要分布有梯田和坡耕地；③山區(qū)林地和草地間分布有獨(dú)特特征的林間耕地，因此將大片林地和草地分布的區(qū)域單獨(dú)劃分為林草區(qū)。

1.2 耕地分層

在不同的山地分區(qū)區(qū)域中，由于所處的地形差異，耕地在遙感影像上呈現(xiàn)出不同的視覺特征。因此，本文根據(jù)高分辨率遙感影像上耕地的幾何特征和紋理特征，將其劃分為4種類型，分別為：平壩區(qū)的規(guī)則耕地、山坡區(qū)的梯田和坡耕地以及林草地中零散分布的林間耕地。各類型耕地的特征歸納于表1。

表1 4種類型耕地的特征

另外，圖2截取了各類型耕地的高分辨率遙感影像，對(duì)其視覺特征加以說明：①規(guī)則耕地主要處于地勢(shì)較為平緩的平壩區(qū)，其邊界清晰，內(nèi)部紋理較為均勻，在空間上分布相對(duì)整齊，形態(tài)比較規(guī)則，作物種植類型也較為單一。因此可以設(shè)計(jì)深度學(xué)習(xí)的邊緣模型提取邊界信息，再通過“線構(gòu)面”的空間特征后處理構(gòu)建地塊對(duì)象；②山坡區(qū)中主要分布有梯田和坡耕地，梯田地塊的邊界清晰，紋理均勻，相比于規(guī)則耕地地塊，其形態(tài)較為細(xì)小狹長(zhǎng)，因此需要設(shè)計(jì)更為聚焦的深度學(xué)習(xí)邊緣模型，實(shí)現(xiàn)對(duì)更為精細(xì)邊界的提取；③坡耕地的邊緣特征十分模糊或基本不存在，且形態(tài)各異，主要靠裸露土壤或作物冠層的紋理結(jié)構(gòu)加以辨別，因此需要通過深度學(xué)習(xí)紋理分割模型進(jìn)行識(shí)別；④大片的林草區(qū)中零散分布有林間耕地，由于種植十分隨意，隨時(shí)可能撂荒，其紋理特征與草地或低矮灌木林地相似，且邊緣形態(tài)特征也比較模糊，因此本文在基于林草地語義分割的基礎(chǔ)上，再針對(duì)其中的破碎圖斑采用深度學(xué)習(xí)紋理模型進(jìn)行耕地的識(shí)別。

1.3 耕地信息的分區(qū)分層提取

根據(jù)上述構(gòu)建的地理分區(qū)系統(tǒng)和耕地分層體系，以及對(duì)每一層耕地在影像上呈現(xiàn)視覺差異機(jī)制的對(duì)比分析，本文設(shè)計(jì)了基于分區(qū)分層思想實(shí)現(xiàn)山區(qū)耕地提取的流程，其關(guān)鍵在于在地塊尺度上對(duì)每一種耕地的形態(tài)特征分別設(shè)計(jì)機(jī)器學(xué)習(xí)算法進(jìn)行解析與提取，再對(duì)每一塊耕地優(yōu)化重組，形成完整的耕地制圖工作，具體流程如圖3所示：①根據(jù)分區(qū)系統(tǒng)和山區(qū)地形特點(diǎn)，將試驗(yàn)區(qū)劃分為平壩區(qū)和山地區(qū)；②分別在平壩區(qū)和山坡區(qū)中選擇典型規(guī)則耕地與典型的梯田、坡耕地、林草區(qū)、林間耕地進(jìn)行樣本制作，得到用于耕地提取的5種類型樣本集；③使用制作好的樣本集，分別采用HED模型[36]、RCF模型[37]、D_LinkNet模型[38]、U_Net模型[39]和Inception模型[40]進(jìn)行模型訓(xùn)練，并分別得到規(guī)則耕地、梯田、坡耕地、林草區(qū)和林間耕地5種提取模型；④分別用訓(xùn)練好的模型依次提取耕地，先提取規(guī)則耕地，再用所提取的規(guī)則耕地作為掩膜后提取梯田，接著以所提取的規(guī)則耕地和梯田作為新的掩膜提取坡耕地，進(jìn)而再以前3個(gè)提取結(jié)果作為掩膜提取林草區(qū)，最后在林草區(qū)中提取林間耕地；⑤將上述得到的4種類型耕地分布圖疊加，得到最終完整的耕地圖斑分布圖。

1.4 分層提取的深度學(xué)習(xí)模型

本文設(shè)計(jì)的流程中對(duì)不同耕地類型進(jìn)行了差異化的深度學(xué)習(xí)模型使用，但其構(gòu)建過程大致相同(如圖4所示)，主要包括數(shù)據(jù)預(yù)處理、樣本制作、深度學(xué)習(xí)模型訓(xùn)練和后處理4個(gè)部分：①首先對(duì)所選取的高分辨率遙感影像進(jìn)行必要的預(yù)處理，經(jīng)過幾何校正、輻射定標(biāo)、圖像鑲嵌、裁剪等步驟獲得研究區(qū)可分析的影像數(shù)據(jù)；②分別選取各類型耕地的典型區(qū)域進(jìn)行樣本制作，保證樣本量的典型性、分布均勻性及充足性；③將樣本輸入相應(yīng)的網(wǎng)絡(luò)模型進(jìn)行模型學(xué)習(xí)，得到訓(xùn)練好的提取模型；④使用該模型在研究區(qū)影像上進(jìn)行預(yù)測(cè)，并對(duì)預(yù)測(cè)結(jié)果圖使用膨脹、腐蝕等數(shù)學(xué)形態(tài)學(xué)方法提取骨架線，再轉(zhuǎn)換成矢量線后構(gòu)建形成面狀多邊形的耕地圖斑；⑤檢查所得到的耕地圖斑結(jié)果，對(duì)于漏提、錯(cuò)提的區(qū)域，進(jìn)行樣本增補(bǔ)或修正工作，反饋后重新訓(xùn)練以強(qiáng)化該模型，最終通過這種迭代反饋的增強(qiáng)方式，多輪訓(xùn)練后獲得相對(duì)滿意的結(jié)果。下面，對(duì)流程中所采用的幾個(gè)深度網(wǎng)絡(luò)模型進(jìn)行介紹。

圖1 3種類型的地理區(qū)域Fig.1 Three types of geographical areas

圖2 耕地視覺特征示意Fig.2 Schematic diagram of visual features of cropland

圖3 分區(qū)分層的耕地提取流程Fig.3 A divided and stratified extraction method of cropland information

圖4 深度學(xué)習(xí)模型訓(xùn)練與預(yù)測(cè)過程Fig.4 Training and prediction processes of deep learning model

(1) 對(duì)于規(guī)則耕地，該類型耕地形態(tài)較為規(guī)則，邊界清晰，排列緊湊。本文采用了holistically-nested edge detection (HED)網(wǎng)絡(luò)進(jìn)行提取。該網(wǎng)絡(luò)可以進(jìn)行端到端的邊緣預(yù)測(cè)，其構(gòu)造是在VGG網(wǎng)絡(luò)[41]的基礎(chǔ)上，增加了多個(gè)側(cè)向輸出層，并與每個(gè)卷積池化階段(stage)的最后一個(gè)卷積層相連，將網(wǎng)絡(luò)中每層學(xué)習(xí)到的結(jié)果通過側(cè)向?qū)虞敵?，并采用一個(gè)權(quán)重融合層來綜合利用這些側(cè)向輸出的結(jié)果，實(shí)現(xiàn)了對(duì)影像多尺度特征的學(xué)習(xí)。另外，其在多層網(wǎng)絡(luò)中不斷繼承和學(xué)習(xí)邊緣特征，最終可得到更加精準(zhǔn)的耕地邊界線，經(jīng)過“線構(gòu)面”后得到規(guī)則耕地圖斑也更加可靠。

(2) 山地區(qū)的梯田分布較廣，邊緣特征也十分明顯，內(nèi)部紋理均勻，但相對(duì)于規(guī)則耕地，其形態(tài)更為狹小細(xì)長(zhǎng)，因此對(duì)于邊緣特征提取的要求更為精準(zhǔn)。對(duì)此，本文采用RCF網(wǎng)絡(luò)模型進(jìn)行梯田的提取。在HED模型的基礎(chǔ)上，RCF模型充分利用了每個(gè)池化階段的所有卷積層的輸出特征，并且通過去掉第3級(jí)池化層來實(shí)現(xiàn)對(duì)更為精細(xì)邊緣線的提取與生成，因而可以捕捉更多的邊緣特征。最后，再通過數(shù)學(xué)形態(tài)學(xué)處理方法和自適應(yīng)對(duì)象生成的算法來得到梯田圖斑。

(3) 山區(qū)的山地坡面上土地質(zhì)量較差，存在大量種植比較隨意的坡耕地，這類耕地內(nèi)部常有雜樹雜草生長(zhǎng)，撂荒隨時(shí)，邊緣形態(tài)較模糊，但其往往具有獨(dú)特的紋理特征。在高分辨率遙感影像上主要通過內(nèi)部的紋理特征進(jìn)行區(qū)分。在技術(shù)上，本文采用了D_LinkNet的語義分割模型提取坡耕地信息，D_LinkNet網(wǎng)絡(luò)是以LinkNet為主體，通過在中心部分增加膨脹卷積層，擴(kuò)大接受域，從而能夠綜合多尺度特征，有助于處理坡耕地復(fù)雜性的問題。

(4) 在山區(qū)成片的林草用地中也會(huì)有零散分布的耕地，邊緣一般較為模糊，視覺特征與草地接近，但仍具有獨(dú)特的紋理特征，直接提取會(huì)存在諸多錯(cuò)提與漏提。因此，本文采用分步提取的方法，逐步識(shí)別林間耕地。由于U_net網(wǎng)絡(luò)通過一個(gè)下采樣過程進(jìn)行特征的提取，并在上采樣過程中聯(lián)合了下采樣提取的特征信息，從而將多尺度特征融合在一起，減少了信息的損失，十分適合用于超大影像分割任務(wù)，因此本文首先利用U_net網(wǎng)絡(luò)，在語義上通過大尺度分割對(duì)零散耕地和林草地之間進(jìn)行區(qū)分，再在分割圖斑的基礎(chǔ)上，針對(duì)大量零散圖斑，利用Inception紋理模型訓(xùn)練林間耕地的紋理特征，識(shí)別各個(gè)圖斑的耕地/非耕地屬性，從而實(shí)現(xiàn)針對(duì)每個(gè)零散圖斑進(jìn)行耕地類型的判別。具體提取流程如圖5所示。

2 試驗(yàn)與分析

2.1 研究區(qū)概況

為了驗(yàn)證提出的上述方法，本文選擇了貴州中部的息烽縣作為試驗(yàn)區(qū)。如圖6所示，息烽縣位于我國(guó)西南的山地區(qū)域，地理位置東經(jīng)106°27′至106°53′，北緯26°57′至27°19′之間，在貴州第一大江烏江南岸，總面積1 036.5 km2。當(dāng)?shù)卮蟛糠譃榈椭星鹆甑?，碳酸巖分布廣，屬于典型的喀斯特地貌區(qū)。該縣地勢(shì)北部低、南部高，地形起伏多變，種植地塊狹小破碎、形態(tài)多變、種植類型繁多(玉米、油菜、水稻、果樹、草藥等)且結(jié)構(gòu)復(fù)雜，是我國(guó)西南山區(qū)的一個(gè)代表性區(qū)域。

2.2 試驗(yàn)數(shù)據(jù)

試驗(yàn)前，筆者分析比較了包括北京2號(hào)、高分2號(hào)在內(nèi)的多種亞米級(jí)遙感影像數(shù)據(jù)的覆蓋率。但由于貴州省屬于多云多雨地區(qū)，大多影像云量比例高，數(shù)據(jù)獲取難度大。因此，最終采用了空間分辨率為0.53 m的Google Earth高分辨率遙感影像進(jìn)行試驗(yàn)。所使用的影像由多期影像裁剪鑲嵌而成，其合成影像的時(shí)間跨度從2016年2月至2019年4月。

2.3 試驗(yàn)結(jié)果

使用上文所述方法，筆者得到了以圖斑為基本對(duì)象的息烽縣耕地空間分布圖，如圖7所示。所提取的各類型耕地信息統(tǒng)計(jì)于表2。

表2 不同類型耕地的統(tǒng)計(jì)

2.4 精度評(píng)價(jià)與分析

為了驗(yàn)證分區(qū)分層方法的提取精度，選取了3塊1000×1000像素大小的區(qū)域作為驗(yàn)證集，分別為HJC(合箭村)、TTC(天臺(tái)村)、LLC(鹿龍村)，如圖11(a1)—(a3)所示，對(duì)3個(gè)地區(qū)的耕地類型進(jìn)行人工標(biāo)注，標(biāo)注結(jié)果如圖8(b1)—(b3)所示。另外，為了展現(xiàn)本文方法的優(yōu)勢(shì)，傳統(tǒng)的耕地信息提取方法被用于比較試驗(yàn)，包括不采用分區(qū)分層的基于像素的方法(簡(jiǎn)稱基于像素的方法)和不采用分區(qū)分層的基于對(duì)象的方法(簡(jiǎn)稱基于對(duì)象的方法)。在對(duì)比試驗(yàn)中首先采用了目視判別的方法進(jìn)行了定性視覺評(píng)價(jià)。圖8的(c1)—(c3)、(d1)—(d3)和(e1)—(e3)為分別使用分區(qū)分層方法、基于對(duì)象的方法和基于像素的方法提取結(jié)果，3種方法提取結(jié)果的局部放大圖如圖9所示。

圖5 耕地提取流程Fig.5 The extraction process of cropland

圖6 本文研究區(qū)：貴州省息烽縣Fig.6 Study area:Xifeng County, Guizhou Province

圖7 息烽縣耕地空間分布Fig.7 Cropland spatial distribution map of Xifeng County

圖8 3種方法的分類結(jié)果Fig.8 Cropland extraction results of three methods

在此基礎(chǔ)上，采用分類準(zhǔn)確率(PA)、交并比(IoU)、Kappa系數(shù)和總體精度(OA)進(jìn)行定量的精度指標(biāo)評(píng)價(jià)，其中分類準(zhǔn)確率是以影像像元為統(tǒng)計(jì)單元，與實(shí)際標(biāo)注的地物類型進(jìn)行比較后計(jì)算得出其準(zhǔn)確率值，可以反映耕地類型提取的正確率。具體的，根據(jù)4種類型耕地與非耕地的混淆矩陣對(duì)研究區(qū)的耕地提取總體分類精度和Kappa系數(shù)進(jìn)行了計(jì)算，3種方法的定量評(píng)價(jià)指標(biāo)對(duì)比如表3所示。此外，基于面積的交并比(IoU)指標(biāo)被進(jìn)一步用來計(jì)算所提取的耕地圖斑與實(shí)際耕地地塊的貼合程度，基于實(shí)際標(biāo)注的地塊進(jìn)行了交并比的計(jì)算，分類準(zhǔn)確率和交并比的計(jì)算公式如下

(1)

(2)

式中，A是所提取的耕地圖斑面積；B是所對(duì)應(yīng)的實(shí)際耕地地塊的面積；TP和FP分別表示正確分類和錯(cuò)誤分類。交并比指標(biāo)的計(jì)算結(jié)果如表4所示。

圖9 3種方法耕地提取結(jié)果的局部放大Fig.9 Partial enlargement maps of cropland extraction results of three methods

表3 試驗(yàn)結(jié)果定量評(píng)價(jià)指標(biāo)對(duì)比

表4 3種方法的IoU統(tǒng)計(jì)結(jié)果

結(jié)合上述結(jié)果，本文開展以下分析與討論：①由表3可知，本文提出的分區(qū)分層方法在Kappa系數(shù)和總體精度方面都優(yōu)于傳統(tǒng)的方法，其中總體分類精度比基于像素的方法和基于對(duì)象的方法分別高13.35%和9.81%，Kappa系數(shù)分別高28.11%和18.19%；②從圖9可知，本文分區(qū)分層的方法獲得的耕地地塊更為完整，更符合實(shí)際地塊的形態(tài)，且能有效對(duì)識(shí)別不同形態(tài)和類型的耕地；而由于高分辨率遙感影像中“同物異譜”和“同譜異物”的現(xiàn)象，基于像素的方法提取結(jié)果中存在大量的噪點(diǎn)，基于對(duì)象的方法一定程度上降低了耕地噪點(diǎn)，但是分割對(duì)象鋸齒嚴(yán)重，且存在不少漏提或誤提，更重要的是兩類方法均無法準(zhǔn)確提取耕地邊界；對(duì)比地，本文方法可以較好地避免“椒鹽噪聲”的出現(xiàn)，且提取的耕地邊界能保持其形態(tài)的完整性；③表4中所列為反映提取結(jié)果與實(shí)際地塊形態(tài)貼合程度的IoU指標(biāo)，可以看到，本文方法的總體IoU均值比基于像素的方法和基于對(duì)象的方法分別高28.96%和10.54%，尤其在坡耕地和林間耕地的形態(tài)提取效果上，本文方法比基于像素的方法分別高34.05%和34.79%，比基于對(duì)象的方法分別高17.22%和28.25%，這說明本文方法提取的耕地地塊與實(shí)際耕地地塊的形態(tài)更為接近。綜合上述3個(gè)方面說明，基于分區(qū)分層思想的耕地提取結(jié)果明顯優(yōu)于傳統(tǒng)方法，值得進(jìn)一步研究研究和應(yīng)用推廣。

3 討 論

本文針對(duì)山區(qū)耕地信息提取的實(shí)際需求，提出了一種分區(qū)分層的耕地信息提取方法。通過研究區(qū)的實(shí)驗(yàn)和方法對(duì)比分析，開展以下幾個(gè)方面的討論。

(1) 本文通過分區(qū)控制的方法，將復(fù)雜的丘陵山區(qū)劃分為內(nèi)部條件相對(duì)一致的地理區(qū)塊，有效抑制了山區(qū)復(fù)雜地形背景噪聲的影響。而耕地分層分級(jí)的提取方法，則充分考慮了各類型耕地的特點(diǎn)，避免了不同類型耕地之間的相互干擾，使得樣本制作和提取模型訓(xùn)練難度大大降低，有效減少了漏提率和錯(cuò)提率。

(2) 相對(duì)于傳統(tǒng)的只利用影像光譜信息的提取方法，利用深度學(xué)習(xí)技術(shù)進(jìn)行耕地信息提取，獲得了較為準(zhǔn)確的耕地邊界信息，而從目視判別的結(jié)果來看，深度學(xué)習(xí)技術(shù)所提取的耕地更接近實(shí)際耕地的形態(tài)，更符合人的視覺感知和對(duì)地塊的理解，這充分說明了該類技術(shù)在模擬人的視覺感知機(jī)制方面具有明顯優(yōu)勢(shì)。

(3) 在構(gòu)建的提取過程中，本文按照規(guī)則耕地、梯田、坡耕地、林間耕地的順序依次提取，并將上一步的結(jié)果作為掩膜進(jìn)行下一步提取的約束。這種分層逐級(jí)提取的方式，大幅減少了誤提取率，同時(shí)也簡(jiǎn)化了4種類型耕地提取結(jié)果的融合后處理過程，便于得到完整的、拓?fù)潢P(guān)系準(zhǔn)確的耕地空間分布。

4 總 結(jié)

目前遙感信息提取的研究，主要集中在對(duì)單一方法的優(yōu)化調(diào)整以及多種方法相結(jié)合改造這兩個(gè)方面。但筆者認(rèn)為，意圖使用單一方法或多種方法的簡(jiǎn)單組合而去實(shí)現(xiàn)復(fù)雜遙感信息的準(zhǔn)確提取，都存在弊端，主要原因是忽略了實(shí)際地理環(huán)境的空間異質(zhì)性和地物特征的多樣性特點(diǎn)。而本文在丘陵山區(qū)這一復(fù)雜地表環(huán)境下，在地理學(xué)分析思想和地理圖斑“分區(qū)分層感知”理論的指導(dǎo)下，對(duì)傳統(tǒng)遙感地學(xué)分析的分區(qū)分層方法進(jìn)行了新的發(fā)展，在對(duì)高分辨率遙感影像視覺特征的分層特征進(jìn)行對(duì)比分析的基礎(chǔ)上，結(jié)合深度學(xué)習(xí)技術(shù)，提出了一個(gè)分區(qū)分層的丘陵山區(qū)耕地提取方法，在技術(shù)上，本文基于地表地形特征和耕地的視覺特征差異，對(duì)耕地形態(tài)信息進(jìn)行逐級(jí)分解，每一類地塊的提取過程被拆解為幾何邊緣、紋理結(jié)構(gòu)、語義關(guān)系等具體的特征提取算法，靈活運(yùn)用深度學(xué)習(xí)模型，針對(duì)性地構(gòu)建自適應(yīng)可控的主動(dòng)訓(xùn)練環(huán)境與特征提取模型，所提取的耕地地塊也更符合人對(duì)該地物的先驗(yàn)認(rèn)知。試驗(yàn)的定性與定量對(duì)比也充分驗(yàn)證了其的可行性。針對(duì)該方法，筆者需要在未來的研究中進(jìn)一步研究以下幾個(gè)方面的問題。

(1) 由于山區(qū)空間異質(zhì)性高，3大地理區(qū)塊中都會(huì)存在小片其他類型的地理區(qū)塊難以被完全區(qū)分出來，這些小片區(qū)塊中往往分布有不同類型的耕地。雖然本文采用了分層逐級(jí)提取的策略，但是由于規(guī)則耕地和梯田、坡耕地和林間耕地具有一定的相似性，這些誤提難以避免。因此，改進(jìn)各類型耕地的深度學(xué)習(xí)提取模型，有望進(jìn)一步提高耕地提取的精度。

(2) 規(guī)則耕地和梯田都是先使用邊緣模型進(jìn)行邊緣信息的提取，再通過構(gòu)線成面得到的耕地地塊。而山區(qū)耕地往往與林地、建筑、水塘等其他地類交錯(cuò)分布，因此在由線構(gòu)面的過程中其他地類的部分邊緣線會(huì)混雜在耕地地塊之中，導(dǎo)致誤提。對(duì)于這些誤提取地塊，當(dāng)數(shù)量較多時(shí)，人工修正的后處理工作量不小。因此，在未來的研究中，可以考慮利用多期影像數(shù)據(jù)計(jì)算地塊上地物的時(shí)序變化特征，以此來區(qū)分耕地和非耕地地塊。

(3) 由于山地區(qū)域的種植結(jié)構(gòu)十分復(fù)雜，同一塊耕地中也種植有多種作物，這種套種現(xiàn)象導(dǎo)致了部分規(guī)則耕地和梯田過于破碎。而在提取結(jié)果中，一些細(xì)小邊界不易被提取出來，從而漏提了部分碎小地塊，這方面還需要對(duì)深度邊緣模型作進(jìn)一步改進(jìn)，以期提高對(duì)精細(xì)碎小邊緣的識(shí)別與提取能力。

(4) 本文選擇息烽縣這一地形復(fù)雜、地類豐富的典型山地區(qū)域作為了一個(gè)難度較大的試驗(yàn)區(qū)。試驗(yàn)結(jié)果證明了分區(qū)分層方法具有很好的適用性，可以考慮推廣到其他地區(qū)開展耕地信息的提取。根據(jù)本文所提取的耕地圖斑形態(tài)信息，可以制作形成精細(xì)的耕地空間分布圖和面積統(tǒng)計(jì)信息，并以其地塊為基礎(chǔ)識(shí)別作物種植類型，從而可支撐完成高精度的山地區(qū)域種植結(jié)構(gòu)制圖工作；在耕地地塊基礎(chǔ)上，還可以進(jìn)一步融合土壤、水文、地形、氣候氣象、社會(huì)經(jīng)濟(jì)指標(biāo)等其他信息，開展種植適宜性評(píng)價(jià)與結(jié)構(gòu)優(yōu)化分析，為制定科學(xué)的農(nóng)業(yè)規(guī)劃與政府決策提供有力支撐。