劉 專，潘 棟*，胡賽花

(1.湖南第二測(cè)繪院，湖南長(zhǎng)沙 410029；2.南方丘陵區(qū)自然資源監(jiān)測(cè)監(jiān)管重點(diǎn)實(shí)驗(yàn)室，湖南長(zhǎng)沙 410029)

近年來(lái)，人口快速增長(zhǎng)與耕地?cái)?shù)量逐漸減少間的矛盾日益突出，再加上地區(qū)沖突、氣候變化、經(jīng)濟(jì)衰退、新冠肺炎疫情等影響，導(dǎo)致我國(guó)糧食安全面臨大考，迫切需要執(zhí)行最嚴(yán)格的耕地保護(hù)制度。2020年，我國(guó)相繼下發(fā)《國(guó)務(wù)院辦公廳關(guān)于堅(jiān)決制止耕地“非農(nóng)化”行為的通知》《國(guó)務(wù)院辦公廳關(guān)于防止耕地“非糧化”穩(wěn)定糧食生產(chǎn)的意見(jiàn)》，要求堅(jiān)決守住耕地紅線。傳統(tǒng)的耕地監(jiān)測(cè)主要采用人工目視解譯等方法，該方法工作強(qiáng)度大、效率低、易出錯(cuò)，已經(jīng)難以適應(yīng)當(dāng)前耕地常態(tài)化監(jiān)測(cè)監(jiān)管形勢(shì)需求。大數(shù)據(jù)、人工智能、5G、區(qū)塊鏈、知識(shí)圖譜、空間信息等高新技術(shù)的迅猛發(fā)展和交叉融合，為耕地保護(hù)監(jiān)測(cè)監(jiān)管提供了必要的技術(shù)支撐和保障條件。研究耕地遙感監(jiān)測(cè)關(guān)鍵技術(shù)對(duì)于提升自然資源管理現(xiàn)代化水平、全面壓實(shí)耕地保護(hù)責(zé)任、保障社會(huì)安定和國(guó)家安全具有非常深遠(yuǎn)的意義。鑒于此，筆者從耕地減少和耕地增加2個(gè)方面開(kāi)展耕地監(jiān)測(cè)，闡述了耕地監(jiān)測(cè)的主要流程，研究了耕地監(jiān)測(cè)流程中高分遙感智能解譯等關(guān)鍵技術(shù)，并以A縣2022年第1季度耕地監(jiān)測(cè)為工程實(shí)例，對(duì)智能提取結(jié)果進(jìn)行了精度分析，測(cè)算了查全率和準(zhǔn)確率2項(xiàng)評(píng)價(jià)指標(biāo)，滿足耕地監(jiān)測(cè)需求，旨在拓展人工智能在耕地監(jiān)測(cè)中的創(chuàng)新應(yīng)用，進(jìn)一步提升了耕地監(jiān)測(cè)監(jiān)管現(xiàn)代化水平。

1 總體設(shè)計(jì)

耕地監(jiān)測(cè)內(nèi)容主要分為新增耕地、批準(zhǔn)范圍內(nèi)耕地減少、耕地“非農(nóng)化”和耕地“非糧化”4個(gè)方面。其中，新增耕地主要包括補(bǔ)充耕地項(xiàng)目增加、耕地整改恢復(fù)增加和農(nóng)民自主開(kāi)墾增加；批準(zhǔn)范圍內(nèi)耕地減少是指在用地審批紅線范圍內(nèi)耕地減少的情況；耕地“非農(nóng)化”主要包括非農(nóng)化違法用地、公共服務(wù)設(shè)施、農(nóng)民建房、臨時(shí)用地等占用耕地的行為；耕地“非糧化”主要包括設(shè)施農(nóng)用地、農(nóng)村灌溉設(shè)施、農(nóng)村道路、農(nóng)業(yè)結(jié)構(gòu)調(diào)整、坑塘水面等占用耕地的行為，如表1所示。

監(jiān)測(cè)更新機(jī)制。建立“月發(fā)現(xiàn)、季小結(jié)、年總結(jié)”監(jiān)測(cè)更新機(jī)制。“月發(fā)現(xiàn)”是指每月根據(jù)當(dāng)月采集的衛(wèi)星影像，對(duì)比上年末1 m分辨率衛(wèi)星影像，提取新增耕地、耕地非糧化和非農(nóng)化圖斑；“季小結(jié)”是指每季度根據(jù)當(dāng)季采集的衛(wèi)星影像，對(duì)比上年第4季度1 m分辨率衛(wèi)星影像，提取新增耕地、耕地非糧化和非農(nóng)化圖斑?！澳昕偨Y(jié)”是指年末根據(jù)年度衛(wèi)星影像，對(duì)比上年第4季度1 m分辨率衛(wèi)星影像，提取新增耕地、耕地“非農(nóng)化”和耕地“非糧化”圖斑。

最小上圖面積。新增耕地圖斑最小上圖面積為400 m，耕地“非糧化”(除設(shè)施農(nóng)用地)圖斑最小上圖面積為400m，耕地“非農(nóng)化”和設(shè)施農(nóng)用地圖斑最小上圖面積為200 m。

耕地監(jiān)測(cè)流程大致可分為以下4個(gè)階段：

資料收集與處理階段。收集年度國(guó)土變更調(diào)查數(shù)據(jù)、地理國(guó)情監(jiān)測(cè)數(shù)據(jù)、用地審批數(shù)據(jù)、增減掛鉤數(shù)據(jù)、補(bǔ)充耕地項(xiàng)目數(shù)據(jù)、永久基本農(nóng)田劃定數(shù)據(jù)、高分遙感影像數(shù)據(jù)等。對(duì)收集的數(shù)據(jù)進(jìn)行統(tǒng)一坐標(biāo)轉(zhuǎn)換、影像預(yù)處理等。

遙感解譯階段。首先建立樣本庫(kù)，立足大量樣本訓(xùn)練，利用深度學(xué)習(xí)算法智能提取耕地變化圖斑，然后利用人機(jī)交互解譯，補(bǔ)充提取自動(dòng)解譯漏提圖斑。

表1 耕地監(jiān)測(cè)內(nèi)容

外業(yè)調(diào)查核實(shí)階段。對(duì)提取的耕地變化圖斑全部開(kāi)展外業(yè)調(diào)查核實(shí)，查明各圖斑的變化類型、變化范圍等實(shí)地情況，去除內(nèi)業(yè)提取發(fā)現(xiàn)的偽變化圖斑。

數(shù)據(jù)庫(kù)建設(shè)與清單形成階段。根據(jù)外業(yè)調(diào)查核實(shí)結(jié)果，建立耕地變化監(jiān)測(cè)成果數(shù)據(jù)庫(kù)，并生成耕地變化清單。

2 關(guān)鍵技術(shù)

變化樣本庫(kù)建設(shè)。

(1)基本要求。綜合利用國(guó)土調(diào)查等帶有標(biāo)簽的地表覆蓋分類數(shù)據(jù)及相關(guān)公開(kāi)的帶有類別標(biāo)記的遙感影像數(shù)據(jù)庫(kù)，考慮樣本的純度、數(shù)量、分布等因素，樣本采集要求盡可能選擇采集地區(qū)的所有地類；每一種地類分布情況和表現(xiàn)形式要有典型代表性，記錄樣本的地類名稱、成像時(shí)間、地理坐標(biāo)等屬性信息須完整，建立新增耕地、耕地非糧化和非農(nóng)化等耕地變化樣本數(shù)據(jù)庫(kù)。

(2)樣本規(guī)格。像素值為1 024×1 024的3組圖片，其中x文件夾包含2張jpg和y文件夾內(nèi)1張png。jpg代表前后時(shí)影像，png代表標(biāo)記二值圖(圖1)。其中，二值圖由白色區(qū)域(像數(shù)值為255)代表標(biāo)記的變化區(qū)域，反之黑色區(qū)域(像數(shù)值為0)代表未發(fā)生變化區(qū)域。如果將這一組樣本輸入訓(xùn)練模型，人工智能會(huì)將白色區(qū)域標(biāo)記為正樣本，黑色區(qū)域標(biāo)記為負(fù)樣本。所以1組樣本可以包含正樣本、負(fù)樣本，也可以只包含負(fù)樣本(如云霧的負(fù)樣本二值圖可為全黑)。

圖1 變化樣本庫(kù)樣本Fig.1 Change sample library sample

構(gòu)建深度學(xué)習(xí)模型。深度學(xué)習(xí)采用卷積神經(jīng)網(wǎng)絡(luò)模型，模型為特征提取層、金字塔池化層、特征融合輸出層和全連接層4個(gè)部分，框架如圖2、3所示?；跇颖緲?gòu)建并優(yōu)化遙感影像深度學(xué)習(xí)模型，整體工作分為2個(gè)階段，即訓(xùn)練和處理。

圖2 變化檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)示意Fig.2 Change detection network structure schematic

圖3 深度學(xué)習(xí)算法模型構(gòu)建Fig.3 Deep learning algorithm model construction

訓(xùn)練階段主要是基于大數(shù)據(jù)(即訓(xùn)練數(shù)據(jù)和標(biāo)注真值)和設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)，不斷地調(diào)節(jié)參數(shù)，如網(wǎng)絡(luò)的層數(shù)等，深度學(xué)習(xí)算法由數(shù)據(jù)驅(qū)動(dòng)，模型結(jié)構(gòu)中的參數(shù)對(duì)深度學(xué)習(xí)的結(jié)果有明顯影響。參數(shù)調(diào)整目的是為每個(gè)參數(shù)尋找最優(yōu)值，以改善模型正確率。同時(shí)，根據(jù)驗(yàn)證結(jié)果對(duì)模型進(jìn)行修正，迭代訓(xùn)練樣本、調(diào)整模型參數(shù)，最終得到最優(yōu)網(wǎng)絡(luò)模型和參數(shù)。

處理階段基于學(xué)習(xí)階段得到的網(wǎng)絡(luò)模型和參數(shù)，針對(duì)業(yè)務(wù)數(shù)據(jù)進(jìn)行全自動(dòng)的處理，得到處理結(jié)果。

模型訓(xùn)練與優(yōu)化。神經(jīng)網(wǎng)絡(luò)輸入為訓(xùn)練數(shù)據(jù)，輸出為當(dāng)前網(wǎng)絡(luò)狀態(tài)下的預(yù)測(cè)結(jié)果，使用已有的真值進(jìn)行監(jiān)督，利用當(dāng)前神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出與真值計(jì)算損失函數(shù)，然后使用梯度反向傳播算法將損失值在神經(jīng)網(wǎng)絡(luò)中進(jìn)行反向傳遞，計(jì)算神經(jīng)網(wǎng)絡(luò)中每個(gè)參數(shù)的更新梯度值，從而對(duì)整個(gè)神經(jīng)網(wǎng)絡(luò)優(yōu)化。在實(shí)際網(wǎng)絡(luò)訓(xùn)練中，采用隨機(jī)梯度下降法(SGD)等優(yōu)化算法，使得神經(jīng)網(wǎng)絡(luò)能夠收斂到一個(gè)好的狀態(tài)。隨機(jī)梯度下降法(SGD)在每次迭代的過(guò)程中會(huì)選取一部分樣本(例如50個(gè)，稱為1個(gè)mini-batch)，使用這部分樣本通過(guò)梯度反向傳播算法對(duì)神經(jīng)網(wǎng)絡(luò)中的每個(gè)參數(shù)進(jìn)行1次優(yōu)化更新；然后在下1次迭代時(shí)重新選擇一部分樣本，在上1次優(yōu)化的基礎(chǔ)上對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)進(jìn)行進(jìn)一步優(yōu)化更新；整個(gè)優(yōu)化過(guò)程如此迭代進(jìn)行。

模型驗(yàn)證。利用已知真值信息，驗(yàn)證不同地形、不同地表覆蓋等條件下相關(guān)深度學(xué)習(xí)算法模型的可用性與普適性，若能夠較好地檢測(cè)出結(jié)果，則提交模型接口，開(kāi)展線上試運(yùn)行；若漏檢較多，則有針對(duì)性地補(bǔ)充未檢測(cè)出的樣本信息，微調(diào)網(wǎng)絡(luò)結(jié)構(gòu)，迭代優(yōu)化模型，直至效果滿意為止。

典型地物樣本庫(kù)建設(shè)。

(1)基本要求。地物分類樣本通過(guò)地理國(guó)情監(jiān)測(cè)成果獲得。找到當(dāng)前時(shí)期的國(guó)情監(jiān)測(cè)成果的矢量和對(duì)應(yīng)的影像，以縣為單位，將分幅影像拼接為完整的縣，必須要求以縣為單位的矢量不可出現(xiàn)影像無(wú)覆蓋區(qū)域，矢量地類與影像出現(xiàn)嚴(yán)重不套和的情況(圖4)。

圖4 典型地物樣本庫(kù)樣本Fig.4 Samples from the sample library of typical ground objects

(2)樣本規(guī)格。像素值為1 024×1 024的2組圖片，其中包含1張jpg影像和標(biāo)記圖png以下為1組示例樣本。一張標(biāo)記圖必須將影像上所有的地類標(biāo)記，一組典型地類樣本組包含多個(gè)地類的標(biāo)記，當(dāng)前像素點(diǎn)不同的值代表了不同的地類，其中白色代表水域，黑色代表種植植被，不用的灰度值分別代表建筑區(qū)、道路、林草覆蓋等。

Deep Lab網(wǎng)絡(luò)模型構(gòu)建。結(jié)合典型地物識(shí)別樣本庫(kù)，實(shí)現(xiàn)全自動(dòng)、快速、高精度分類，并使算法的分類能力在不斷的應(yīng)用過(guò)程中智能迭代提升，實(shí)現(xiàn)典型地物信息提取識(shí)別。Deep Lab 系列語(yǔ)義分割模型是針對(duì)圖像進(jìn)行像素級(jí)分類任務(wù)而設(shè)計(jì)的。像素級(jí)分類任務(wù)在計(jì)算機(jī)視覺(jué)中屬于底層任務(wù)，因此特征圖的尺寸和空間不變性對(duì)任務(wù)性能的影響更大。

在處理像素級(jí)分類任務(wù)中存在2個(gè)普遍困難：首先，為了使網(wǎng)絡(luò)模型學(xué)習(xí)到更多抽象特征，在編碼階段會(huì)不斷地執(zhí)行下采樣操作，該操作導(dǎo)致了特征的分辨率不斷降低，并最終導(dǎo)致預(yù)測(cè)任務(wù)中需要的富含豐富空間上下文信息的密集特征無(wú)法被提??；其次，在面對(duì)不同尺度的目標(biāo)時(shí)，如何有效提取不同尺度的物體特征也是一個(gè)棘手的問(wèn)題。為了解決提取密集特征的問(wèn)題，Deep Lab 利用了空洞卷積提取密集特征來(lái)執(zhí)行像素級(jí)分類任務(wù)，空洞卷積本質(zhì)是常規(guī)的卷積中添加空洞，通過(guò)空洞增加感受野之后，通過(guò)一定的膨脹率提升感受野，保持了原有特征圖的分辨率。

3 工程應(yīng)用

工程應(yīng)用以A縣2022年第1季度為例。

A縣縣域面積接近2 100 km，截至2021年11月1日，該縣常住人口約為80萬(wàn)人，由山地、丘陵、崗地、平原、水面等地貌構(gòu)成。采用的遙感影像為2022年第1季度遙感影像和2021年第4季度遙感影像，對(duì)應(yīng)參數(shù)如表2所示，參考數(shù)據(jù)為2020年度國(guó)土變更調(diào)查成果。

表2 高分遙感對(duì)應(yīng)參數(shù)

耕地遙感監(jiān)測(cè)提取變化圖斑示例如表3所示。監(jiān)測(cè)類型分別為新增耕地、耕地非糧化和耕地非農(nóng)化。

表3 耕地遙感監(jiān)測(cè)提取變化圖斑示例

接下表

接下表

監(jiān)測(cè)結(jié)果。

(1)遙感信息智能提取情況。利用遙感影像變化圖斑智能提取技術(shù)，根據(jù)A縣2022年第1季度遙感影像數(shù)據(jù)和2021年第4季度遙感影像對(duì)比分析，提取變化圖斑269個(gè)，經(jīng)過(guò)外業(yè)調(diào)查核實(shí)后，確定實(shí)際變化圖斑207個(gè)，其中新增耕地圖斑 31個(gè)；批準(zhǔn)范圍內(nèi)耕地圖斑75個(gè)；耕地“非農(nóng)化”圖斑21個(gè)；耕地“非糧化”圖斑80個(gè)。

(2)實(shí)際監(jiān)測(cè)情況。采用智能提取+人機(jī)交互提取耕地變化圖斑的方式，A縣2022年第1季度耕地監(jiān)測(cè)情況為：提取變化圖斑 304個(gè)，經(jīng)過(guò)外業(yè)調(diào)查核實(shí)后，確定實(shí)際變化圖斑255個(gè)，其中新增耕地圖斑44個(gè)；批準(zhǔn)范圍內(nèi)耕地82個(gè)；耕地“非農(nóng)化”圖斑22個(gè)；耕地“非糧化”圖斑107個(gè)。

精度分析。

(1)查全率。查全率()是衡量遙感影像變化圖斑智能提取技術(shù)提取變化圖斑能力的一種尺度，指智能提取技術(shù)提取的實(shí)際變化圖斑個(gè)數(shù)()與實(shí)際變化圖斑個(gè)數(shù)()之比，用公式可表示為:

本次查全率為81%，查全率較高。

(2)準(zhǔn)確率。準(zhǔn)確率()是衡量遙感影像變化圖斑智能提取技術(shù)提取變化圖斑正確程度的一種尺度，指智能提取技術(shù)提取的實(shí)際變化圖斑個(gè)數(shù)()與智能提取技術(shù)提取的變化圖斑個(gè)數(shù)()之比，用公式可表示為:

準(zhǔn)確率為77%，智能提取技術(shù)提取圖斑正確率滿足要求，證明該方法可有效地運(yùn)用于耕地遙感監(jiān)測(cè)中。

4 小結(jié)

(1)該研究對(duì)耕地監(jiān)測(cè)內(nèi)容進(jìn)行了細(xì)化分類，從耕地減少和耕地增加2個(gè)方面監(jiān)測(cè)，耕地監(jiān)測(cè)內(nèi)容主要分為新增耕地、批準(zhǔn)類耕地減少、耕地非糧化和耕地非農(nóng)化4個(gè)方面的類型。

(2)高分遙感解譯作為整個(gè)耕地監(jiān)測(cè)技術(shù)流程中最關(guān)鍵的核心，在研究遙感影像變化圖斑智能提取技術(shù)的基礎(chǔ)上，補(bǔ)充研究了典型地物要素智能識(shí)別提取技術(shù)，并以A縣2022年第1季度耕地監(jiān)測(cè)為工程實(shí)例，對(duì)智能提取精度進(jìn)行了分析，查全率為81%，準(zhǔn)確率為77%，工作效率是傳統(tǒng)人工目視解譯的3倍，滿足耕地監(jiān)測(cè)需求。

(3)該研究拓展了人工智能在耕地監(jiān)測(cè)中的創(chuàng)新應(yīng)用，進(jìn)一步提升了耕地監(jiān)測(cè)監(jiān)管現(xiàn)代化水平，對(duì)相關(guān)部門全面壓實(shí)耕地保護(hù)責(zé)任提供決策依據(jù)，采取有關(guān)措施具有十分重要的意義。