耕地“非农化”遥感解译样本分类体系及应用

厉芳婷，张 过，石婷婷，李 乐

耕地“非农化”遥感解译样本分类体系及应用

厉芳婷1,2，张 过1※，石婷婷3，李 乐4

（1. 武汉大学测绘遥感信息工程国家重点实验室，武汉 430079；2. 湖北省测绘工程院，武汉 430074；3. 湖北省航测遥感院，武汉 430074；4. 广东工业大学管理学院，广州 510520）

了解耕地“非农化”的时空格局及其演变过程，是合理制定土地利用政策的重要依据；卫星遥感具有大范围的时空监测能力，基于遥感影像进行耕地监测，极为高效。针对耕地“非农化”类型复杂多样、“非农化”遥感监测分类体系缺乏的问题，该研究提出了耕地“非农化”遥感解译样本分类体系，进而构建耕地“非农化”遥感解译样本库。针对样本采集效率低、质量差的问题，该研究提出了一种基于地理国情监测成果的快速样本采集方法，用于快速获取高精度、高可靠性的“非农化”遥感解译样本。为验证方法的可行性和有效性，选取湖北省范围作为研究区域，利用该研究所提出的耕地“非农化”样本体系和样本采集方法，采集了覆盖平原、丘陵、山地、高山等地形的9类样本，并形成了深度学习模型训练的样本库；选择EfficientNet深度学习网络提取湖北省耕地“非农业”空间分布。结果表明：1）基于地理国情监测成果的样本采集方法可以极大地利用地理国情监测数据空间、属性精度高的特点，快速、精确定位变化样本。2）依据分类体系采集的样本用于模型优化后，样本数量超过5 000时，模型精度有明显提高。在验证区域，采用目视解译和外业核查点的方式进行精度验证，其正检率分别为67.0%和76.5%，召回率分别为77.9%和76.5%。3）利用样本体系训练构建的网络模型相较于全要素样本训练模型，精度有显著提高，5个核查区正检率均提高20个百分点以上。因此，该研究提出的方法可以提高耕地“非农化”遥感监测的效率和精度，可适用于区域尺度的耕地遥感季度监测。

遥感；分类；解译；样本；耕地；非农化；精度评价

0 引 言

近年来，中国耕地存在着总体质量差、人均面积少、耕地破坏等问题，粮食安全面临着新的挑战[1-5]。以湖北省为例，该省2010年耕地面积约531.228万hm2，到2018年耕地面积下降至523.54万hm2。2010—2018年间，湖北省耕地面积呈持续减少趋势[6]。其中，中部省会城市为主的城镇化进程加快，其中心城区的城市扩张主要表现为耕地用地性质变化，远城区城市扩张主要表现为耕地破碎程度加大[7]。其耕地“非农化”典型问题主要表现为超标准建设绿色通道、占用耕地挖湖造景、占用永久基本农田扩大自然保护地、占用耕地从事非农建设等。2021年自然资源部、农业农村部、国家林业和草原局联合发文《关于严格耕地用途管制有关问题的通知》中提出了遏制耕地“非农化”的要求。自然资源部办公厅发出通知《开展2021年违法违规占用耕地重点问题整治的通知》进一步明确了耕地“非农化”4个方面的突出问题[8-10]。了解耕地“非农化”的时空格局及其演变过程，是合理制定土地利用政策的重要依据。

卫星遥感以其大范围的时空监测能力，成为耕地监测的有效方式，能够对耕地“非农化”进行动态监测监管[11-14]。已有研究表明国产高分辨率遥感影像可实现面向水体、建筑、大棚、光伏等用地自动提取[15-19]。基于深度学习网络进行土地覆盖分类的方法可以大致分为两类：一是对土地覆盖全部类型选择训练样本，利用单一网络进行训练，得到土地覆盖/利用分类图；二是对土地覆盖全部类型选择训练样本后，对每种覆盖类型选择不同的适宜网络，组合多个网络得到土地覆盖/利用分类图[20-22]。

基于深度学习的耕地“非农化”遥感监测依然存在挑战。其一，耕地 “非农化”类型多样复杂，缺乏“非农化”遥感监测样本分类体系。目前，在遥感“非农化”监测中，采用的不同的变化识别类型，导致了样本类型不统一，深度学习模型训练得不到有效的优化，制约“非农化”耕地的自动识别精度[23-26]。其二，样本采集方法决定监测精度。基于深度学习构建变化检测模型，需要以海量遥感样本数据为输入，样本的数量和质量决定了监测模型的检测精度[26-28]。有研究表明，训练样本本身的质量对分类精度的影响比分类技术本身对测量精度的影响还要大[29]。

本文针对耕地“非农化”遥感监测缺乏针对性解译样本的问题，通过对耕地转出情况的研究分析，建立统一的耕地“非农化”遥感解译样本分类方法，利用地理国情监测成果的空间、时间、属性精度的可靠性[30-32]，提出一种样本采集方法和规则，以提高样本采集的效率和精度。本文通过选取研究区域两期高分辨率影像进行数据处理，利用提出的样本采集方法和分类体系建立研究区的耕地“非农化”遥感解译样本库，选取网络模型进行监测模型训练，并采用两种精度评价方法进行了研究区实证分析。

１ 研究区及数据源

1.1 研究区域概况

本文研究区域选择享有“中部粮仓”美誉的湖北省省域范围。湖北省位于29°05′～33°20′N，108°21′～116°07′E之间。湖北省地处中国地势第二级阶梯向第三级阶梯过渡地带，地貌类型多样，山地、丘陵、岗地和平原兼备。山地约占全省总面积55.5%，丘陵和岗地占24.5%，平原湖区占20%。地势高低相差悬殊，西部有号称“中华屋脊”的神农架最高峰神农顶，海拔3 106.2 m；东部平原的监利县谭家源附近，高程为零。汉江自西向东南，汇入长江，在湖北中南部形成了江汉平原，自古有“鱼米之乡”之称，与湖南洞庭湖平原连成一片。2018年全省耕地面积为523.54万hm2[5]，分布水田、旱地（图1）。根据2018年度土地变更调查数据显示，湖北人均耕地0.087 hm2，低于全国0.101 hm2的平均水平。湖北省农作物品种丰富，南北兼有，全省耕作制度以一年两熟为主，三、四熟为辅，农作物复种指数230%左右。

图1 湖北省地形分类和耕地分布

1.2 数据及预处理

研究所使用的数据集包括：高分辨率卫星遥感影像，地理国情监测成果矢量数据及同时相优于1 m分辨率的正射影像底图成果，30 m的土地利用遥感监测数据。

高分辨率卫星遥感数据选取2020年第3季度、第4季度国产光学高分辨率卫星影像，包括资源卫星系列、高分系列、北京二号等（图2）。数据覆盖情况：资源三号影像672景，高分1号影像614景，高分2号影像983景，高分6号影像132景，高分7号影像133景，北京1号影像537景，实现2次全省覆盖。

图2 2020年第三季度和第四季度影像覆盖情况

对原始遥感影像进行质量检查，剔除因云量等质量较差的数据。对原始影像进行全色影像正射纠正、多光谱影像正射纠正、影像融合、投影、重采样等预处理。考虑“非农化”耕地监测变化识别地块大小的需求，样本采集的最小上图面积为400 m2，其中推填土为1 000 m2。同时，为保持解译样本变化前后影像分辨率的一致性，正射影像统一校正到2 m分辨率。

地理国情监测成果矢量数据来源于2015年和2018年度湖北省地理国情监测地表覆盖，包括房屋建筑、铁路与道路、构筑物、人工堆掘地、种植土地、林草覆盖、水域、荒漠与裸露地等8一级类和47个二级类。提取其中水田、旱地、房屋建筑区、构筑物、大棚等等二级分类的矢量范围。

土地利用遥感监测数据从资源环境科学与数据中心下载，（https://www.resdc.cn/data.aspx?DATAID=312），对多期土地利用分类栅格数据提取矢量边线，选取耕地的矢量范围，用于参考选取耕地变化范围。

2 方 法

2.1 耕地“非农化”样本分类体系设计

针对耕地“非农化”遥感监测分类体系缺乏所导致的深度学习模型的优化问题，本文通过对已有数据的综合分析，发现了耕地转出为其他用地的主要类型，进而提出了一套耕地“非农化”样本分类体系（如表1所示）。

基于省级部门统计数据、地理国情监测数据、行政部门通报等数据综合分析，统计湖北省武汉市、襄阳市、宜昌市等地区在2015年和2018年的耕地转出为其他用地的情况。结合2020年、2021年全国各地卫片执法工作通报，研究发现“非农化”耕地产生的主要原因包括：占用耕地种树、建房、挖湖、修路、新建大棚、新建光伏、新建造景公园、耕地变推填土、耕地变其他农用设施地。因此，本文将耕地转出为其他用地的情况分为9种主要类型，提出了耕地“非农化”样本分类体系，如表1所示；非农化耕地变化类型光谱特征如图3所示。其中，

样本类型01～06为典型对象化变化类别，即耕地变为其他单一地物的情况；07～09为典型场景化变化，主要解释由耕地变为其他综合场景的情况。

表1 耕地“非农化”样本分类

图3 典型对象化变化示例

图3a显示为前期影像上的耕地光谱特性，图3b为耕地“非农化”的9种类型，方框范围定位变化区域。可以看出，本文所提出的样本分类体系中的类型有着较为明显的特征差异，通过目视识别，可以较准确选取样本。

2.2 基于地理国情监测成果的“非农化”样本采集

基于深度学习的遥感监测方法需要大量的解译样本，现有研究中样本采集主要是通过人工目视判读和半自动人机交互的标注方法。本文利用地理国情监测成果的属性可靠性准确识别地类变化，利用其高空间位置精度特性提取样本区域，依据地类覆盖转化类型，确定“非农化”9类样本，通过编码映射关系获得耕地“非农化”样本。

具体步骤如图4所示：1）地理国情监测数据处理。选取前后两个年度的地理国情监测成果的矢量数据，选取前期成果中的二级类为水田、旱地的矢量范围，选取后期成果中二级类为房屋建筑（区）、构筑物、大棚、光伏、其他采掘场、推填土（建筑工地）、其他人工堆掘地、湖泊、坑塘、铁路、道路的矢量范围。2）空间相交分析。提取后的结果通过空间相交分析，可以获得实际耕地变化图斑，定位样本空间位置。3）编码映射。利用定位结果对前后两期成果对应的遥感影像成果采用512像素×512像素作为样本裁切尺寸采集样本。通过自动编码对照表（表2）将采集的样本对应到耕地“非农化”9大样本类型中，整理获得最后的样本成果。

图4 基于地理国情监测成果的样本采集流程

表2 地理国情监测编码与样本体系编码对照

2.3 基于深度学习方法的“非农化”耕地遥感监测

2.3.1 耕地“非农化”样本库构建

本文中样本库包括多光谱卫星影像样本和瓦片图片样本。影像样本是指耕地变化前后时相样本影像；瓦片样本是指用变化图斑采集制作的瓦片数据[33]。

1）“非农化”影像样本库制作

采用本文所提出的基于地理国情监测成果的“非农化”样本采集方法构建影像样本库。同时，为了扩展本样本集的体量，提高样本数据之间的共同特征比例，通过翻转、旋转以及添加噪声的方式增加样本，对已有样本扩充4～5倍，使得样本模式更加多样化。

2）“非农化”瓦片样本库制作

影像样本采集完成后，利用融合后的RGB 3通道24位真彩色影像进行瓦片样本采集。变化检测样本采集时保证前后时相影像分辨率尽量一致、空间参考完全一致、前后时相影像空间位置完全套合。样本采集过程中，以进行交互式样本图斑勾画，勾画出样本有效范围，舍弃影像质量不好、对样本识别和可分性带来干扰的影像区域（图5）。

图5 变化检测样本示例

2.3.2 基于深度学习网络的“非农化”耕地监测模型训练

针对“非农化”场景复杂的特点，本文选用的像素级、双输入的语义分割模型具有较强的特征提取能力和多尺度特性，能够有效应用于耕地“非农化”监测。

本文选用EfficientNets网络[34]作为编码器部分的特征提取骨干网络；选用DeeplabV3+为基础网络架构，DeeplabV3+采用了空洞卷积，引入了多尺度信息；同时，引入Deepcoder模块，将底层特征与高层特征融合，从而提高模型特征的提取能力[35]。EfficientNets网络在网络深度、网络宽度、分辨率3个维度中搜寻最优的结果，使模型精度不减的情况下，参数最少，从而加快模型训练。本文选取EfficientNets系列中的基础网络模型EfficientNet-B0，形成轻量级的深度学习网络模型。其核心结构为MBConv（mobile inverted bottleneck convolution）模块，同时引入了注意力思想SENet（Squeeze-and-Excitation Network），使用Swish作为激活函数。

2.3.3 精度评价

本文用两种方法进行精度验证。一是人工影像判读。通过人工判读监测区域内前后两期影像的耕地“非农化”图斑，与深度学习模型自动识别“非农化”图斑进行对比。二是外业核查。通过在监测区域内随机布点，获得外业核查的照片，同时与前期地理国情成果属性对比，判定外业是否为耕地“非农化”。最终将两种方法获得的检验数据结果与深度学习模型自动识别“非农化”图斑进行对比。

目前，常用的模型精度评价指标包括准确率、精确率、召回率、平均精度、多分类的混淆矩阵等。本文选用正检率（式（1））和召回率（查全率）（式（2））评价模型精度。正检率表示在预测结果中，预测正确的对象数量占比；查全率表示检验数据中，被正确召回对象数量的占比。

式中为正检率，TP指真实情况和预测情况均为正例，FP指真实情况为反例而预测情况为正例；为查全率，FN指真实情况为正例而预测情况为反例。

3 研究实证

3.1 样本采集结果

研究区按照上述方法采集样本，共采集样本5 293对，其分布包括覆盖湖北省的平原、山地、丘陵等多种地形，如图6所示。扩充后，用于模型训练的样本超过2万对，整体样本数量满足模型训练需求。研究区样本密度分布可以看出，在湖北省武汉市、襄阳市、宜昌市等经济发展地区，由于快速的经济发展和城镇化，“非农化”情况更加突出。而恩施、随州、咸宁等地多为山地地形，耕地比例小，离城市较远，耕地“非农化”程度较低。

3.2 “非农化”监测模型精度评价

利用上述样本集对本研究选取的深度学习网络模型进行训练，获得耕地“非农化”遥感监测模型。将2020年第三季度、第四季度国产高分辨率卫星遥感影像制作的正射影像作为输入，利用训练后的模型进行耕地“非农化”图斑自动识别，获得自动识别第三季度到第四季度发生耕地转移的遥感影像图斑。

图6 基于耕地“非农化”分类体系的样本分布

研究选择黄梅县为验证区。通过目视解译和外业检核两种方式，对基于样本库训练的网络模型的自动识别精度进行验证（图7）。通过本文构建的耕地“非农化”样本体系和样本库训练所得的深度学习模型，在验证区内自动识别1 410个变化图斑，如图中蓝色图斑所示。图中所示黄色图斑为内业目视解译共判别验证区域内耕地“非农化”变化图斑，共计1 212个。外业根据交通通达情况，布设了78个检核点，如图中红色点所示。

图7 耕地“非农化”精度验证

验证精度结果如表3所示，验证区的利用人工影像判读方法检核精度为查全率77.9%，正检率为67.0%，利用外业检核方法查全率为76.5%，正检率为76.5%。利用耕地“非农化”样本分类体系获得样本，训练后的深度学习模型在验证区的精度验证结果显示，本文提出的方法在耕地“非农化”遥感自动监测中具有可行性。

表3 人工影像和外业检核方法的混淆矩阵精度评价

注：“是”表示结果为耕地“非农化”，“否”表示没有发生耕地“非农化”现象。表示正检率。

Note: “Yes” means that the result is “non-agricultural” of cultivated land, and “no” means that there is no “non-agricultural” phenomenon.means positive inspection rates.

3.3 模型应用精度对比

为验证上述训练后的模型的适用性，研究选取了黄州区、西晒山区、汉阳区、黄梅县、京山县5个县区为适用性验证区，进行2020年第三季度到第四季度的耕地“非农化”遥感自动监测。所选用的5个县区地形多样，分布有平地、丘陵和山地，且样本密度大致相等。

利用3.1采集的样本集训练前、后的网络模型，分别对5个区域的2020年第三季度、第四季度两期影像进行自动变化识别，并进行人工目视识别检查统计正检率（表4）。从结果可以看出，使用“非农化”分类样本体系训练后的模型，5个县区自动识别的正检率都有显著提升（精度提升达到20个百分点以上）。

表4 模型正检率精度统计

4 讨 论

基于地理国情监测成果的样本采集方法在本文实践应用中能明显的提升采集效率，并且其采集的样本质量优于人工图斑采集方式，可以提升耕地“非农化”监测模型的精度。基于地理国情监测成果采集的样本其变化图斑矢量、遥感影像数据、用地类型属性值具有高度时空一致性。而人工采集图斑或是半自动变化识别采集方式都限于地物光谱特性差异性，易出现难以判别的“同谱异物”或季节性“同物异谱”的情况。

值得注意的是，地理国情监测成果的耕地属性包含了休耕情况，本文在样本采集时归入前期影像为耕地。受限于地理国情监测成果的时相特征，集中在每年3—7月，本文未考虑冬闲田转出的情况，在后续的研究中可以扩大数据源时相范围，采集该类型样本用于监测模型训练。

在精度验证区域，自动识别变化的大部分错误集中在水田季节性变化，水田和坑塘的混淆性强导致耕地变湖泊坑塘（06）的误判较高。大部分的漏识别集中在耕地变堆填土（03），主要因为耕地和堆填土的光谱特性相近，导致实际已变为堆填土的耕地识别错漏。样本数量对模型精度的影响较大。如研究区中耕地变园林草（01）和耕地变造景公园（07）的样本数量较少，因此导致耕地变园林草和耕地变造景公园的识别精度较低。通过在5个区域的应用结果可以看出，本文提出的样本分类和其他研究相比，对耕地“非农化”问题的针对性更强。通过改样本集的训练的网络模型与全要素样本训练的网络模型相比，对耕地转出的识别率提升。

5 结 论

本文提出了耕地“非农化”遥感解译样本分类体系以及基于地理国情监测成果的样本采集技术流程，用于优化耕地变化检测的深度学习模型。以湖北省为研究区域的实证研究表明，利用本文提出的样本分类体系以及样本采集方法，训练后的模型对耕地变化自动识别的正检率较全要素样本训练模型有明显提升（精度提升达到20个百分点以上）；同时，整个研究区域中山地、丘陵、平原各类地形分布均有分布，说明本文所提出的样本分类体系以及样本采集方法具有广泛的适用性。验证区实证结果表明，该样本分类体系下的样本训练结果模型监测正检率和查全率都达到70%左右。研究提出的样本分类体系能够满足耕地“非农化”遥感监测的需求。

[1] 赵晓丽，张增祥，汪潇，等. 中国近30 a耕地变化时空特征及其主要原因分析[J]. 农业工程学报，2014，30(3)：1-11.

Zhao Xiaoli, Zhang Zengxiang, Wang Xiao, et al. Analysis of Chinese cultivated land’s spatial-temporal changes and causes in recent 30 years[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(3): 1-11. (in Chinese with English abstract)

[2] 刘纪远，匡文慧，张增祥，等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报，2014，69(1)：3-14.

Liu Jiyuan, Kuang Wenhui, Zhang Zengxiang, et al. Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 1980s[J]. Journal of Geographical Sciences, 2014, 69(1)：3-14. (in Chinese with English abstract)

[3] 刘纪远，张增祥，庄大方，等. 20世纪90年代中国土地利用变化时空特征及其成因分析[J]. 地理研究，2003，22(1)：1-12.

Liu Jiyuan, Zhang Zengxiang, Zhuang Dafang, et al. A study on the spatial-temporal dynamic changes of land-use and driving forces analyses of China in the 1990s[J]. Geographical Research, 2003, 22(1): 1-12. (in Chinese with English abstract)

[4] 傅泽强，蔡运龙，杨友孝，等. 中国粮食安全与耕地资源变化的相关分析[J]. 自然资源学报，2001，16(4)：313-319.

Fu Zeqiang, Cai Yunlong, Yang Youxiao, et al. Research on the relationship of cultivated land change and food security in China[J]. Journal of Natural Resources, 2001, 16(4): 313-319. (in Chinese with English abstract)

[5] 袁承程，张定祥，刘黎明，等. 近10年中国耕地变化的区域特征及演变态势[J]. 农业工程学报，2021，37(1)：267-278.

Yuan Chengcheng, Zhang Dingxiang, Liu Liming, et al. Regional characteristics and spatial-temporal distribution of cultivated land change in China during 2009-2018[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(1): 267-278. (in Chinese with English abstract)

[6] 湖北省统计年鉴[EB/OL]. 2021-09-03. http://data.hb.stats.cn/CityData.aspx?DataType=67&ReportType=3

[7] 厉芳婷，张过，贾继鹏. 基于地理国情数据的城市扩张和生态格局分析：以武汉市为例[J]. 测绘通报，2020(11)：93-98.

Li Fangting, Zhang Guo, Jia Jipeng. Analysis on urban expansion and ecological pattern based on geographical condition data: Taking Wuhan as an example[J]. Bulletin of Surveying and Mapping, 2020(11): 93-98. (in Chinese with English abstract)

[8] 国务院办公厅. 国务院办公厅关于坚决制止耕地“非农化”行为的通知[EB/OL]. 2020-09-15[2020-09-20]. http://www.gov.cn/zhengce/content/2020-09/15/content_5543645.htm

[9] 自然资源部，农业农村部，国家林业和草原局. 关于严格耕地用途管制有关问题的通知[EB/OL]. 2021-11-27. http://gi.mnr.gov.cn/202112/t20211224_2715748.html

[10] 自然资源部办公厅. 关于开展2021年违法违规占用耕地重点问题整治的通知[EB/OL]. 2021-11-26. http://gi.mnr.gov.cn/202111/t20211129_2708448.html

[11] 陈浮，曾思燕，葛小平，等. 资源环境硬约束下中国耕地休耕优先区识别[J]. 农业工程学报，2021，37(22)：226-235.

Chen Fu, Zeng Siyan, Ge Xiaoping, et al. Identifying the fallow priority areas of cultivated land under resources and environmental constraints in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(22): 226-235. (in Chinese with English abstract)

[12] 周楠，杨鹏，魏春山，等. 地块尺度的山区耕地精准提取方法[J]. 农业工程学报，2021，37(19)：260-266.

Zhou Nan, Yang Peng, Wei Chunshan, et al. Accurate extraction method for cropland in mountainous areas based on field parcel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(19): 260-266. (in Chinese with English abstract)

[13] 林晓萍. 基于国产卫星影像的自然资源动态监测[J]. 测绘通报，2020(11)：28-32.

Lin Xiaoping. Dynamic monitoring of natural resources based on the domestic satellite images[J]. Bulletin of Surveying and Mapping, 2020(11): 28-32. (in Chinese with English abstract)

[14] 袁晓妮，鲁春阳，吕开云，等. 我国耕地非农化研究进展及展望[J]. 中国农业资源与区划，2019，40(1)：128-133.

Yuan Xiaoni, Lu Chunyang, Lyu Kaiyun, et al. Research Progress and Prospect of non-Agriculturalization of arable land in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2019, 40(1): 128-133. (in Chinese with English abstract)

[15] 吴永静，吴锦超，林超，等. 基于深度学习的高分辨率遥感影像光伏用地提取[J]. 测绘通报，2021(5)：96-101.

Wu Yongjing, Wu Jinchao, Lin Chao, et al. Photovoltaic land extraction from high-resolution remote sensing images based on deep learning method[J]. Bulletin of Surveying and Mapping, 2021(5): 96-101. (in Chinese with English abstract)

[16] 冯丽英. 基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]杭州：浙江大学，2017.

Feng Liying. Research on Construction Land Information Extraction from High Resolution Images with Deep Learning Technology[D]Hangzhou: Zhejiang University, 2017. (in Chinese with English abstract)

[17] 邰建豪. 深度学习在遥感影像目标检测和地表覆盖分类中的应用研究[D]武汉：武汉大学，2017.

Tai Jianhao. Research on Application of Deep Learning in Remote Sensing Image Target Detection and Land Cover Classification[D]Wuhan: Wuhan University, 2017. (in Chinese with English abstract)

[18] 刘丽雅. 基于国产GF-1的高寒山区土地利用/覆盖分类研究[D] 杭州：浙江大学，2016.

Liu Liya. Based on China-Made GF-1 for Land Use/Cover Classification of High Cold Mountain Areas[D] Hangzhou: Zhejiang University, 2016. (in Chinese with English abstract)

[19] 陈文倩，丁建丽，李艳华，等. 基于国产GF-1遥感影像的水体提取方法[J]. 资源科学，2015，37(6)：1166-1172.

Chen Wenqian, Ding Jianli, Li Yanhua, et al. Extraction of water information based on China-Made GF-1 remote sensing image[J]. Resources Science, 2015, 37(6): 1166-1172. (in Chinese with English abstract)

[20] 王蕾，杨武年，任金铜，等. GF-2影像面向对象典型城区地物提取方法[J]. 测绘通报，2018(1)：138-142.

Wang Lei, Yang Wunian, Ren Jintong, et al. Object-oriented extraction method of typical urban features based on GF-2 images[J]. Bulletin of Surveying and Mapping, 2018(1): 138-142. (in Chinese with English abstract)

[21] 眭海刚，冯文卿，李文卓，等. 多时相遥感影像变化检测方法综述[J]. 武汉大学学报（信息科学版），2018，43(12)：1885-1898.

Sui Haigang, Feng Wenqing, Li Wenzhuo, et al. Review of change detection methods for multi-temporal remote sensing imagery[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1885-1898. (in Chinese with English abstract)

[22] 张兵. 遥感大数据时代与智能信息提取[J]. 武汉大学学报（信息科学版），2018，43(12)：1861-1871.

Zhang Bing. Remotely sensed big data era and intelligent information extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1861-1871. (in Chinese with English abstract)

[23] 尤淑撑，何芸，刘爱霞，等. 国产高分卫星数据在自然资源遥感监测中的应用[J]. 卫星应用，2021(12)：32-38.

[24] 孙建华，王远喆，杨四海，等. 耕地智能监测及农业数字化服务系统设计与实现[J]. 浙江国土资源，2021(11)：38-40.

[25] 李卓，查思含，霍伟，等. 耕地生产力隐性退化遥感监测与影响因素分析[J]. 农业机械学报，2022，53(4)：363-371.

Li Zhuo, Zha Sihan, Huo Wei, et al. Remote sensing monitoring of recessive degradation for cultivated land productivity and its influencing factors[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(4): 363-371. (in Chinese with English abstract)

[26] 李昌俊. 基于深度学习的农业遥感图像耕地提取技术研究[D]合肥：中国科学技术大学，2018.

Li Changjun. Research on Cultivated Land Extraction Technology of Agricultural Remote Sensing Images Based on Deep Learning[D]. Hefei: University of Science and Technology of China, 2018. (in Chinese with English abstract)

[27] 王敏，陈金勇，王港，等. 面向深度学习的遥感图像目标样本生成方法[J]. 国外电子测量技术，2019，38(4)：60-65.

Wang Min, Chen Jinyong, Wang Gang, et al. Remote sensing image object sample generation method for deep learning[J]. Foreign Electronic Measurement Technology, 2019, 38(4): 60-65. (in Chinese with English abstract)

[28] 胡杰，张莹，谢仕义. 国产遥感影像分类技术应用研究进展综述[J]. 计算机工程与应用，2021，57(3)：1-13.

Hu Jie, Zhang Ying, Xie Shiyi. Summary of research progress on application of domestic remote sensing image classification technology[J]. Computer Engineering and Applications, 2021, 57(3): 1-13. (in Chinese with English abstract)

[29] 朱秀芳，潘耀忠，张锦水，等. 训练样本对TM尺度小麦种植面积测量精度影响研究(Ⅰ)：训练样本与分类方法间分类精度响应关系研究[J]. 遥感学报，2007，11(6)：826-837.

Zhu Xiufang, Pan Yaozhong, Zhang Jinshui, et al. The effects of training samples on the wheat planting area measure accuracy in TM Scale(Ⅰ): The accuracy response of different classifiers to training samples[J]. National Remote Sensing Bulletin, 2007, 11(6): 826-837. (in Chinese with English abstract)

[30] 李德仁，眭海刚，单杰. 论地理国情监测的技术支撑[J]. 武汉大学学报（信息科学版），2012，37(5)：505-512，502.

Li Deren, Sui Haigang, Shan Jie. Discussion on key technologies of geographic national conditions monitoring[J]. Geomatics and Information Science of Wuhan University, 2012, 37(5): 505-512, 502. (in Chinese with English abstract)

[31] 陈俊勇. 地理国情监测的学习札记[J]. 测绘学报，2012，41(5)：633-635.

Chen Junyong. Study notes on geographic national condition monitoring[J]. Acta Geodaetica et Cartographica Sinica, 2012, 41(5): 633-635. (in Chinese with English abstract)

[32] 史文中，秦昆，陈江平，等. 可靠性地理国情动态监测的理论与关键技术探讨[J]. 科学通报，2012，57(24)：2239-2248.

Shi Wenzhong, Qin Kun, Chen Jiangping, et al. Key theories and technologies on reliable dynamic monitoring for national geographical state[J]. Chinese Science Bulletin, 2012, 57(24): 2239-2248. (in Chinese with English abstract)

[33] 石婷婷，戴腾，厉芳婷，等. 基于深度学习的耕地“非农化”遥感监测初探[J]. 地理空间信息，2022，20(3)：34-37.

Shi Tingting, Dai Teng, Li Fangting, et al. Preliminary study on non-agricultural cultivated land use remote sensing monitoring based on deep learning[J].Geospatial Information, 2022, 20(3): 34-37. (in Chinese with English abstract)

[34] Tan M X, Le Q V. EfficientNet: Rethinking model scaling for convolutional neural networks [J]. arXiv, 2019, Doi:10.48550/arXiv.1905.11946.

[35] Chen L C, Zhu Y, Papandreou G, et al. Encoder-decoder with atrous separable convolution for senmantic image segmentation[C]//Proncedings of the European Conference on Computer Vision, 2018:801-818.

Classification system and application of remote sensing interpretation samples of cultivated land non-agriculturalization

Li Fangting1,2, Zhang Guo1※, Shi Tingting3, Li Le4

(1.,,430079,; 2.,430074,; 3.,430074,; 4.,510520,)

Cultivated land non-agriculturalization has been a major challenge for the food security in China. The spatial-temporal pattern and evolution of cultivated land non-agriculturalization can be one of the most important steps for the decision-making on land use. The high-resolution satellite images have been widely used in surface remote sensing monitoring. However, it is still lacking on the classification system of non-agricultural monitoring using remote sensing, due to the complexity and diversity of the cultivated land non-agriculturalization types. In this study, a classification system was proposed for the remote sensing interpretation samples of the cultivated land non-agriculturalization, in order to construct the corresponding remote sensing interpretation sample database. At the same time, a fast sample collection was also proposed to improve the efficiency and quality of the sample collection using geographical condition monitoring. As such, high temporal, spatial precision and attribute reliability were achieved to verify the feasibility and effectiveness of the classification system and sample collection. The Hubei Province of China was selected as the study area. Nine types of samples were collected in the cultivated land non-agricultural sample system. The geographical conditions covered the flatland, hill, mountain, high-mountain and other terrains. The sample library was formed after training the deep learning model. The Efficient Net deep learning network was selected to extract the spatial distribution of cultivated land non-agricultural in study area. The result showed that: 1) The sample collection using geographical condition monitoring performed the best in the attribute accuracy. The changing pattern was quickly and accurately located in the more efficient solution for sample collection. 2) The model accuracy was significantly improved, when the number of samples exceeded 5 000. The accuracy was verified by the internal visual interpretation and field verification points in the verification area. The positive detection rates were 67.0 % and 76.5%, respectively, and the recall rates were 77.9% and 76.5%, respectively. 3) The sample classification system was also used to train the optimized model. There was a significantly improved accuracy of the non-agricultural cultivated land automatic identification in the study area, compared with the full factor sample training model. The positive detection rate of the five verification areas increased by more than 20 percentage points. Therefore, the classification system can be expected to improve the efficiency and accuracy of remote sensing monitoring of cultivated land non-agriculturalization using deep learning. The improved system can be applied to the seasonal remote sensing monitoring of cultivated land at the regional scale.

remote sensing; classification; interpretation; sample; cultivated land; non-agriculturalization; precision evaluation

10.11975/j.issn.1002-6819.2022.15.032

TP79

A

1002-6819(2022)-15-0297-08

厉芳婷，张过，石婷婷，等. 耕地“非农化”遥感解译样本分类体系及应用[J]. 农业工程学报，2022，38(15)：297-304.doi：10.11975/j.issn.1002-6819.2022.15.032 http://www.tcsae.org

Li Fangting, Zhang Guo, Shi Tingting, et al. Classification system and application of remote sensing interpretation samples of cultivated land non-agriculturalization[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(15): 297-304. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.15.032 http://www.tcsae.org

2022-03-11

2022-07-07

国家自然科学基金项目（41901345）

厉芳婷，高级工程师，研究方向为遥感影像数据处理技术和应用。Email：lifangting@whu.edu.cn

张过，教授，博士生导师，研究方向为几何定量遥感。Email：guozhang@whu.edu.cn