基于资源三号卫星影像的东北黑土区侵蚀沟快速提取

文 | 关雷 曹景庆 杨俊涛 仝国礼黑龙江第三测绘工程院

一、前言

我国地域辽阔，水土形态具有很强的多元性，水土保护行业也需要针对不同地质特点，制定出针对性的管理措施[1]。黑土资源退化严重威胁我国的粮食安全和生态安全，黑土保护刻不容缓。黑土地保护已经成为保障国家粮食安全、促进现代农业发展的国家战略的重要组成部分。坡面侵蚀和沟蚀是东北黑土区土壤侵蚀中最主要的侵蚀方式[2]。侵蚀沟形成后，通过溯源向上游较快扩展，也会向下游发展。0.5°～5°的坡耕地占黑土区耕地总面积的56%，耕作方式粗放、保护性耕作措施不到位，造成水土流失不断恶化[3]。

据统计，东北黑土区现有侵蚀沟数量达29万余条，侵蚀沟蚕食耕地、破坏道路，造成土地零散，给商品粮基地的大型机械化生产作业带来了诸多不便。侵蚀沟的存在一定程度上影响了人们的正常生活，而且对粮食生产产生了极大的威胁。然而，相关部门并未掌握侵蚀沟的详细空间分布数据，只是粗略的统计而已。利用遥感信息技术可以快速获取黑土区水土信息，对黑土地水土流失进行定量估算，为黑土地水土监测、生态环境建设以及水土流失防治提供了途径[4]。因此在充分发掘和利用已有成果的基础上，采用时间分辨率较高、覆盖范围较大的资源三号卫星遥感影像，利用遥感分析与深度学习技术，对黑龙江省典型黑土区侵蚀沟进行提取，掌握其空间分布特征，为黑土区土地整治、生态修复提供科学依据，对黑土区水土流失区域提出有针对性的防治措施。

二、研究对象及方法原理

1.资源三号卫星影像

资源三号是我国首颗民用高分辨率光学传输型立体测图卫星，目前有三颗卫星在轨运行，影像分辨率达到2米级，三颗卫星共同组成立体测绘卫星星座，可快速获取区域范围内的影像数据，具有高时间分辨率与大范围覆盖的特点，可确保获得最新时相的侵蚀沟数据。

2.侵蚀沟影像纹理

目前，关于黑土区侵蚀沟还未有相关的技术标准可以参考，一般而言，侵蚀沟的真实地表覆盖呈现为裸土或植被[5]。一些学者如宋华将侵蚀沟分为三种类型即小型发展沟、大型发展沟与稳定沟。小型发展沟在卫星影像上表现为细条状，边界比较清楚，凸起明显，周围一般是耕地；大型发展沟在纹理上表现为条带状，边界较为清晰，底部长有植被，沟深和沟宽仍在发展过程中；稳定沟在卫星影像上表现为纹理比较粗糙，底部长有茂盛植被，边界模糊[6]。其中在类型上居多数、较为危险极易造成水土流失的是发展沟中的中型沟。

3.监督分类

遥感图像自动识别分类的最终目的是让计算机识别感兴趣的地物，并将识别的结果输出及识别正确率的评价。监督分类的思想是根据已知的样本类别和类别的先验知识，确定判别函数和相应的判别准则，依据判别准则对样本的所属类别进行判定。监督分类的过程主要包括：1） 确定感兴趣的类别数，首先确定要对哪些地物进行分类，建立地物的先验知识。2）根据感兴趣地物的特征进行有针对性的特征变换，变换后的特征影像和原始影像共同进行特征选择，满足分类需要，加快分类速度，提高分类精度。3）选择训练样区，训练样区的选择要注意准确性、代表性和统计学三个问题。4）确定判别函数和判别规则。5）根据判别函数和判别规则对非训练区的图像区域进行分类。

4.深度学习

深度学习是机器学习的一种，其概念源自人工神经网络（ANN），人工神经网络从信息处理角度模拟了人脑的神经元之间传递和处理信息的模式[7]。当前遥感图像的分辨率不断提升，人工识别的方法无法满足大批量遥感图像识别任务的要求，而深度学习方法可以对低级特征和高级特征进行自动组织和提取，极大地提升遥感识别的速度。

三、侵蚀沟提取过程与应用结果

本文所选择试验区资源三号卫星影像的范围位于黑龙江省拜泉县、依安县与明水县三县交界处，地处松嫩平原北部，地势北高南低，土壤肥沃，以黑土和黑钙土为主，是重要的粮食生产基地，试验区位置如图1所示。

图1 试验区位置

1.基于监督分类的提取方法

利用ENVI对影像进行预处理，确定分类系统；按照默认设置在影像上定义训练样本；进行分类器选择，根据分类的复杂度、精度需求等确定分类器；基于传统统计分析的分类方法参数进行影像分类，完成按照监督分类的方法提取侵蚀沟数据。

2.基于深度学习的提取结果

将深度学习技术应用到黑土侵蚀沟提取中，搭建Python+Tensorflow构建深度卷积神经网络，进行黑土区侵蚀沟样本训练，并利用ENVI5.5 Deep Learning模块进行黑土区侵蚀沟的样本采集，检验深度学习技术提取的准确性。主要步骤包括：制作标签样本，利用ENVI中的Vector to ROI工具将图像中的侵蚀沟边界标记成标签样本；进行模型训练，通过已有标签数据，进行模型的函数训练，使用ENVI软件的Deep Learning模块进行训练，设置初始化函数；图像识别，训练模型后使用图像识别工具对卫星影像中的侵蚀沟信息进行提取。模型训练的准确度对图像识别结果有较大影响，通过深度学习技术采集侵蚀沟样本后建立训练模型，对原始影像进行处理，提取出侵蚀沟数据。

3.两种方法提取结果与应用

分别将通过监督分类与深度学习方法提取的结果与人工解译提取结果在效率、准确率等方面进行比较，统计情况如表1，从中可以明显看出，在同一机器环境下，针对资源三号影像进行深度学习在准确率方面优于监督分类，但提取效率受机器性能等因素的影响。两种方法提取结果如图2所示。

表1 侵蚀沟提取方法比较

图2 深度学习（左）与监督分类（右）提取结果比较

资源三号卫星影像色彩丰富、纹理清晰，2米级分辨率的特性既保证了空间辨识度的要求，也兼顾了覆盖范围等因素，在处理速度上较亚米级分辨率影像有指数级的提升。以本文研究成果为基础，将国情数据作为训练样本，对东北地区侵蚀沟发生较严重的拜泉县、海伦市等地进行了侵蚀沟分布范围与侵蚀面积的专题统计。

四、结论

本文以资源三号卫星影像作为研究对象，分别使用监督分类与深度学习方法对东北典型黑土区进行侵蚀沟的自动提取，研究结果表明，使用深度学习方法可以减少人工工作量，提取结果较监督分类好，但与人工提取结果相比还存在一定的差距，需要人工对结果进行审核。下一步，将在此研究基础上对典型黑土区侵蚀沟演化特征及其驱动机制进行研究，利用统计分析等方法对东北地区典型黑土区侵蚀沟的演化特征进行阐述，并从自然因素、人为因素等方面探究侵蚀机理及其驱动机制，为水土流失防治模式探究、水土保持措施配置提供科学依据。