2. 中国科学院大学, 北京 100049;
3. 广州大学地理科学学院, 广东 广州 510006;
4. 长安大学地质工程与测绘学院, 陕西 西安 710064;
5. 贵州师范大学喀斯特研究院, 贵州 贵阳 550001
2. University of Chinese Academy of Sciences, Beijing 100049, China;
3. School of Geographical Sciences, Guangzhou University, Guangzhou 510006, China;
4. School of Geology Engineering and Geomatics, Chang'an University, Xi'an 710064, China;
5. School of Karst science, Guizhou Normal University, Guiyang 550001, China
实时、精确的农业信息是促进农业现代化发展的重要前提和关键环节[1]，同时也对国家制定农业政策、保证粮食安全具有重要的意义[2-3]。早期的农业信息主要是通过实地采集的方式进行统计并汇总。虽然数据较为精确，但在大面积的农业信息调查时，需要耗费极其昂贵的时间成本与物力成本，并且获得的结果具有滞后性，利用价值大大降低[4]。现代农业的不断发展，迫切需要新的技术和手段来提高农业信息获取的水平。遥感技术作为大范围、快速获取地球表面信息的唯一方式，已成为及时掌握农业信息的有效途径。
耕地分布信息是最重要的农业信息之一[5]，其对于农田长势监测、农业产量预测、农业风险评估等[6-9]应用均具有重要价值[10]。因此，从20世纪70年代开始，欧美等国就已经开始研究如何利用遥感技术提取耕地的空间分布信息[11-15]。传统的方法是使用基于像素的网格进行区域或全球尺度的耕地分布制图，或者是对大范围平原区域密集分布的耕地进行提取。但由于“同物异谱”和“同谱异物”现象以及混合像元的普遍存在，像素级方法所提取的耕地信息的精度十分有限，只能宏观上获得大尺度的耕地空间分布信息，而在中小尺度上并不适用。此外，现有研究多位于地势较为平缓的平原地区，多是鉴于平原区耕地的形态较为规整且分布密集、作物种植类型单一，是遥感应用的理想场所，而与平原地区不同，面向山地区域的遥感耕地信息提取研究甚少，因为地形复杂区域的研究存在更多困难。以我国西南山区为例，主要的挑战在于：山地区域人地矛盾紧张，农业以小农形态为主，耕地零散分布于山区各地，而且形态各异，大多细小破碎，种植的农作物种类繁多，且大多是一年多熟，因而种植结构极其复杂；此外，山地区域崎岖的地形特征和特殊的水热条件，导致空间异质性大，耕地信息提取困难加大[16]。因此，开展山地区域的耕地信息提取研究具有重要的现实意义和应用价值。
随着遥感影像空间分辨率的不断提高，其所能呈现的地物特征更加详细，亚米级影像基本可以准确地界定地物的形态和类型，这为山地区域零散分布的破碎耕地信息提取给予了数据保障。随后，农业遥感的研究对象也从以往的大范围、大体积的“密集农田区”向更加精细的“耕地地块”转变。而在技术方法层面，也从原有的像元级方法过渡到对象级方法[17]。这是由于基于对象的方法可以充分利用高空间分辨率遥感影像(简称高分辨率遥感影像)的空间信息和专家知识进行推理分析[18]，具有明显的优势[19-21]，其最关键问题是如何获取边缘精准的影像对象。传统上是采用影像分割的方法来获取对象，即利用了影像的光谱、纹理信息，基于像元的同质性，自底向上聚合形成影像对象[22]。但由于分割获取影像对象的方法本质上没有考虑影像所具有的形态信息、上下文语义信息等高层特征，是基于光谱特征的像素聚合，而没有充分利用高分辨率遥感影像所具有的其他特征[23-24]。因此，分割方法所获得的对象单元与人们对实际目标地物的形态往往并不匹配，进而导致对象级的分类结果无法转换成具有实际地理实体意义的解译成果。
在目前的实际工作中，高分辨率遥感影像解译工作主要还是由人工目视来完成。究其原因是人在进行高分辨率遥感影像目标识别时，能够分层次地感知影像上所呈现的形态、纹理等空间特征，并对所获得的视觉信息进行分层提取，从而实现对地物目标信息的精准提取。因此，如何充分利用高分辨率遥感影像所具有的丰富特征，模拟人的视觉感知机制，提取与实际地物目标相符合的地理图斑单元(如本文关注的耕地地块)是关键所在。
近年来，深度学习技术在图像分类领域的研究取得了巨大进步，尤其卷积神经网络能够在多个尺度上学习和表达多种视觉特征，在自然图像分析领域取得了巨大的成功[25-28]。随后，利用以卷积神经网络为代表的深度学习模型进行高分辨率遥感影像信息提取的研究日益升温。例如文献[29]探索了深度卷积神经网络在高分辨率遥感影像中进行信息提取的可行性，表明其相比于传统的方法具有更好的性能，文献[30]将卷积神经网络应用于遥感影像的分类研究，使得分类结果获得了显著的提升，文献[31]设计了一种3D卷积神经网络用于从遥感数据中提取时空特征，并进行农作物的分类，取得了良好的效果。但是，目前这些基于深度学习技术的遥感信息提取研究，总是意图采用一种深度学习模型实现遥感影像中所有地物目标的分类与提取，却始终无法达到人工目视解译的效果。究其原因，是在地表这一复杂环境中，不同地物类型之间千差万别，特别是在山地区域中，高度复杂的种植结构以及高强度的空间异质性导致了多样化的种植方式和耕地类型，理论上仅利用一种模型方法难以构建地物目标从影像空间向地理空间的完全映射关系，无法体现地理分异特征[32]。因此分区分层的地理学思想被借鉴用于山地区域遥感信息提取模型中[33-34]。本文将在地理学分析思想指导下对复杂地表空间进行有序重构，按照分区分层思路将影像空间分解为若干相对独立的地物提取算法的组合，即每一类地物都需按照其特定的视觉特征分别设计深度学习的提取算法。但如何根据地理景观分异规律的先验认知，设计合理有效的逐级分区式分类方法，是需要在模型中考虑的。
综上所述，本文将在分区分层的地理学思想指导下，借助深度学习技术的优势，提出了一种复杂山区环境下的耕地形态信息提取方法，主要的实现思路是：①针对复杂的地表情况，建立山区的分区分层体系，根据地形特征划分成不同的地理区块，保证每个区块内的地理要素条件和地形特点相对一致；再根据每个区域内耕地的视觉特征，将耕地划分为不同的亚类型，原则是每个类型的耕地具有相似的视觉特征；②针对高分辨率遥感影像所具有的丰富特征，采用擅长学习和表达视觉特征的深度学习模型进行耕地提取。根据各类型的耕地在高分辨率遥感影像上所呈现视觉特征差异，分别针对性地选择和设计深度学习提取模型；③使用所设计的深度学习模型对各类型的耕地进行分层式的逐级提取，进而再对分层提取的结果进行融合后处理，最终得到完整的耕地信息提取结果。研究区的试验验证了该方法对于山区复杂环境下耕地信息提取的可行性与有效性。
1 研究方法复杂多变的地表系统中，在不同地形条件、不同耕作方式以及不同季节里，山区耕地都会因其作用机制的不同而呈现出千差万别的空间形态特征，在高分辨率遥感影像上相邻耕地也因其视觉形态上的不一致而可被区分，总而言之，视觉形态信息是基于高分辨率遥感影像进行耕地信息提取的主要特征依据。因此，本文根据丘陵山区耕地在高分辨率遥感影像上所呈现的视觉形态特征，在对其总结描述的基础上，遵循“分区分层感知”的地理图斑智能计算理论[35]，模拟人的视觉感知机制，设计了面向复杂山区的耕地形态信息提取方法。主要包含两个部分：①分区分层的结构分解过程，根据山区的地形特征和耕地的影像视觉特征建立分区分层系统，将复杂多样的山区耕地逐级划分成几种相对一致的亚类型；而后是解析重组过程，根据每种类型耕地所呈现的视觉特征，分别选取并改进合适的深度学习模型分层提取各类型的耕地，以避免逻辑上的分类错误，同时也提高分类效率；②将多个耕地亚类型的提取结果进行融合与后处理，得到完整的一期耕地提取结果图。
1.1 地理分区山地区域中，本文利用道路/水系/地形线等线状要素，通过切割方式将试验区划分为若干块，使得每个区块内的地形条件相对一致，而驱动其中某一种耕地占据主导。保证了区块之间的相对独立性，使得提取过程只限定在区块之内，避免了误差传播。根据山区的地形特点和在遥感影像上所呈现的视觉特征，将山区划分为平坝区、山坡区和林草区3种类型的区域。各区域特点如图 1所示：①平坝区是山区或丘陵地带的局部平原，主要分布于山间构造盆地、山间河谷和山麓平原，地势较为平坦，其间主要分布有规则耕地；②山坡区主要指山顶与平坝区之间的倾斜面，是山顶与山麓之间无大片林草覆盖的区域，其间主要分布有梯田和坡耕地；③山区林地和草地间分布有独特特征的林间耕地，因此将大片林地和草地分布的区域单独划分为林草区。
|
| 图 1 3种类型的地理区域 Fig. 1 Three types of geographical areas |
1.2 耕地分层
在不同的山地分区区域中，由于所处的地形差异，耕地在遥感影像上呈现出不同的视觉特征。因此，本文根据高分辨率遥感影像上耕地的几何特征和纹理特征，将其划分为4种类型，分别为：平坝区的规则耕地、山坡区的梯田和坡耕地以及林草地中零散分布的林间耕地。各类型耕地的特征归纳于表 1。
| 区域 | 土地类型 | 边缘特征 | 纹理特征 | 形态特征 |
| 平坝区 | 规则耕地 | 清晰 | 均匀 | 长宽比小 |
| 山坡区 | 梯田 | 清晰 | 均匀 | 细小狭长 |
| 坡耕地 | 模糊 | 较为粗糙 | 无明显边界 | |
| 林草区 | 林间耕地 | 模糊 | 类似草地 | 无明显边界 |
另外，图 2截取了各类型耕地的高分辨率遥感影像，对其视觉特征加以说明：①规则耕地主要处于地势较为平缓的平坝区，其边界清晰，内部纹理较为均匀，在空间上分布相对整齐，形态比较规则，作物种植类型也较为单一。因此可以设计深度学习的边缘模型提取边界信息，再通过“线构面”的空间特征后处理构建地块对象；②山坡区中主要分布有梯田和坡耕地，梯田地块的边界清晰，纹理均匀，相比于规则耕地地块，其形态较为细小狭长，因此需要设计更为聚焦的深度学习边缘模型，实现对更为精细边界的提取；③坡耕地的边缘特征十分模糊或基本不存在，且形态各异，主要靠裸露土壤或作物冠层的纹理结构加以辨别，因此需要通过深度学习纹理分割模型进行识别；④大片的林草区中零散分布有林间耕地，由于种植十分随意，随时可能撂荒，其纹理特征与草地或低矮灌木林地相似，且边缘形态特征也比较模糊，因此本文在基于林草地语义分割的基础上，再针对其中的破碎图斑采用深度学习纹理模型进行耕地的识别。
|
| 图 2 耕地视觉特征示意 Fig. 2 Schematic diagram of visual features of cropland |
1.3 耕地信息的分区分层提取
根据上述构建的地理分区系统和耕地分层体系，以及对每一层耕地在影像上呈现视觉差异机制的对比分析，本文设计了基于分区分层思想实现山区耕地提取的流程，其关键在于在地块尺度上对每一种耕地的形态特征分别设计机器学习算法进行解析与提取，再对每一块耕地优化重组，形成完整的耕地制图工作，具体流程如图 3所示：①根据分区系统和山区地形特点，将试验区划分为平坝区和山地区；②分别在平坝区和山坡区中选择典型规则耕地与典型的梯田、坡耕地、林草区、林间耕地进行样本制作，得到用于耕地提取的5种类型样本集；③使用制作好的样本集，分别采用HED模型[36]、RCF模型[37]、D_LinkNet模型[38]、U_Net模型[39]和Inception模型[40]进行模型训练，并分别得到规则耕地、梯田、坡耕地、林草区和林间耕地5种提取模型；④分别用训练好的模型依次提取耕地，先提取规则耕地，再用所提取的规则耕地作为掩膜后提取梯田，接着以所提取的规则耕地和梯田作为新的掩膜提取坡耕地，进而再以前3个提取结果作为掩膜提取林草区，最后在林草区中提取林间耕地；⑤将上述得到的4种类型耕地分布图叠加，得到最终完整的耕地图斑分布图。
|
| 图 3 分区分层的耕地提取流程 Fig. 3 A divided and stratified extraction method of cropland information |
1.4 分层提取的深度学习模型
本文设计的流程中对不同耕地类型进行了差异化的深度学习模型使用，但其构建过程大致相同(如图 4所示)，主要包括数据预处理、样本制作、深度学习模型训练和后处理4个部分：①首先对所选取的高分辨率遥感影像进行必要的预处理，经过几何校正、辐射定标、图像镶嵌、裁剪等步骤获得研究区可分析的影像数据；②分别选取各类型耕地的典型区域进行样本制作，保证样本量的典型性、分布均匀性及充足性；③将样本输入相应的网络模型进行模型学习，得到训练好的提取模型；④使用该模型在研究区影像上进行预测，并对预测结果图使用膨胀、腐蚀等数学形态学方法提取骨架线，再转换成矢量线后构建形成面状多边形的耕地图斑；⑤检查所得到的耕地图斑结果，对于漏提、错提的区域，进行样本增补或修正工作，反馈后重新训练以强化该模型，最终通过这种迭代反馈的增强方式，多轮训练后获得相对满意的结果。下面，对流程中所采用的几个深度网络模型进行介绍。
|
| 图 4 深度学习模型训练与预测过程 Fig. 4 Training and prediction processes of deep learning model |
(1) 对于规则耕地，该类型耕地形态较为规则，边界清晰，排列紧凑。本文采用了holistically-nested edge detection (HED)网络进行提取。该网络可以进行端到端的边缘预测，其构造是在VGG网络[41]的基础上，增加了多个侧向输出层，并与每个卷积池化阶段(stage)的最后一个卷积层相连，将网络中每层学习到的结果通过侧向层输出，并采用一个权重融合层来综合利用这些侧向输出的结果，实现了对影像多尺度特征的学习。另外，其在多层网络中不断继承和学习边缘特征，最终可得到更加精准的耕地边界线，经过“线构面”后得到规则耕地图斑也更加可靠。
(2) 山地区的梯田分布较广，边缘特征也十分明显，内部纹理均匀，但相对于规则耕地，其形态更为狭小细长，因此对于边缘特征提取的要求更为精准。对此，本文采用RCF网络模型进行梯田的提取。在HED模型的基础上，RCF模型充分利用了每个池化阶段的所有卷积层的输出特征，并且通过去掉第3级池化层来实现对更为精细边缘线的提取与生成，因而可以捕捉更多的边缘特征。最后，再通过数学形态学处理方法和自适应对象生成的算法来得到梯田图斑。
(3) 山区的山地坡面上土地质量较差，存在大量种植比较随意的坡耕地，这类耕地内部常有杂树杂草生长，撂荒随时，边缘形态较模糊，但其往往具有独特的纹理特征。在高分辨率遥感影像上主要通过内部的纹理特征进行区分。在技术上，本文采用了D_LinkNet的语义分割模型提取坡耕地信息，D_LinkNet网络是以LinkNet为主体，通过在中心部分增加膨胀卷积层，扩大接受域，从而能够综合多尺度特征，有助于处理坡耕地复杂性的问题。
(4) 在山区成片的林草用地中也会有零散分布的耕地，边缘一般较为模糊，视觉特征与草地接近，但仍具有独特的纹理特征，直接提取会存在诸多错提与漏提。因此，本文采用分步提取的方法，逐步识别林间耕地。由于U_net网络通过一个下采样过程进行特征的提取，并在上采样过程中联合了下采样提取的特征信息，从而将多尺度特征融合在一起，减少了信息的损失，十分适合用于超大影像分割任务，因此本文首先利用U_net网络，在语义上通过大尺度分割对零散耕地和林草地之间进行区分，再在分割图斑的基础上，针对大量零散图斑，利用Inception纹理模型训练林间耕地的纹理特征，识别各个图斑的耕地/非耕地属性，从而实现针对每个零散图斑进行耕地类型的判别。具体提取流程如图 5所示。
|
| 图 5 耕地提取流程 Fig. 5 The extraction process of cropland |
2 试验与分析 2.1 研究区概况
为了验证提出的上述方法，本文选择了贵州中部的息烽县作为试验区。如图 6所示，息烽县位于我国西南的山地区域，地理位置东经106°27′至106°53′，北纬26°57′至27°19′之间，在贵州第一大江乌江南岸，总面积1036.5km2。当地大部分为低中丘陵地，碳酸岩分布广，属于典型的喀斯特地貌区。该县地势北部低、南部高，地形起伏多变，种植地块狭小破碎、形态多变、种植类型繁多(玉米、油菜、水稻、果树、草药等)且结构复杂，是我国西南山区的一个代表性区域。
|
| 图 6 本文研究区：贵州省息烽县 Fig. 6 Study area:Xifeng County, Guizhou Province |
2.2 试验数据
试验前，笔者分析比较了包括北京2号、高分2号在内的多种亚米级遥感影像数据的覆盖率。但由于贵州省属于多云多雨地区，大多影像云量比例高，数据获取难度大。因此，最终采用了空间分辨率为0.53m的Google Earth高分辨率遥感影像进行试验。所使用的影像由多期影像裁剪镶嵌而成，其合成影像的时间跨度从2016年2月至2019年4月。
2.3 试验结果使用上文所述方法，笔者得到了以图斑为基本对象的息烽县耕地空间分布图，如图 7所示。所提取的各类型耕地信息统计于表 2。
|
| 图 7 息烽县耕地空间分布 Fig. 7 Cropland spatial distribution map of Xifeng County |
| 类型 | 地块 数/块 |
总面积 /万km2 |
面积占 比/(%) |
地块数占 比/(%) |
平均面积 /m2 |
| 规则耕地 | 162621 | 15852.85 | 46 | 52.7 | 974.8 |
| 梯田 | 64436 | 5754.76 | 16.7 | 20.9 | 893.1 |
| 坡耕地 | 70730 | 11447.39 | 33.2 | 22.9 | 1618.4 |
| 林间耕地 | 10906 | 1418.7 | 4.1 | 3.5 | 1300.8 |
| 总计 | 308693 | 34473.71 | 100 | 100 | 1116.76 |
2.4 精度评价与分析
为了验证分区分层方法的提取精度，选取了3块1000×1000像素大小的区域作为验证集，分别为HJC(合箭村)、TTC(天台村)、LLC(鹿龙村)，如图11(a1)—(a3)所示，对3个地区的耕地类型进行人工标注，标注结果如图 8(b1)—(b3)所示。另外，为了展现本文方法的优势，传统的耕地信息提取方法被用于比较试验，包括不采用分区分层的基于像素的方法(简称基于像素的方法)和不采用分区分层的基于对象的方法(简称基于对象的方法)。在对比试验中首先采用了目视判别的方法进行了定性视觉评价。图 8的(c1)—(c3)、(d1)—(d3)和(e1)—(e3)为分别使用分区分层方法、基于对象的方法和基于像素的方法提取结果，3种方法提取结果的局部放大图如图 9所示。
|
| 图 8 3种方法的分类结果 Fig. 8 Cropland extraction results of three methods |
|
| 图 9 3种方法耕地提取结果的局部放大 Fig. 9 Partial enlargement maps of cropland extraction results of three methods |
在此基础上，采用分类准确率(PA)、交并比(IoU)、Kappa系数和总体精度(OA)进行定量的精度指标评价，其中分类准确率是以影像像元为统计单元，与实际标注的地物类型进行比较后计算得出其准确率值，可以反映耕地类型提取的正确率。具体的，根据4种类型耕地与非耕地的混淆矩阵对研究区的耕地提取总体分类精度和Kappa系数进行了计算，3种方法的定量评价指标对比如表 3所示。此外，基于面积的交并比(IoU)指标被进一步用来计算所提取的耕地图斑与实际耕地地块的贴合程度，基于实际标注的地块进行了交并比的计算，分类准确率和交并比的计算公式如下
(1)
(2)
| 耕地类型 | 规则耕地/(%) | 梯田/(%) | 坡耕地/(%) | 林间耕地/(%) | OA/(%) | Kappa系数 |
| 基于像素的方法 | 83.79 | 78.31 | 66.76 | 40.78 | 78.72 | 0.6174 |
| 基于对象的方法 | 86.86 | 79.96 | 67.88 | 46.11 | 82.26 | 0.7166 |
| 分区分层提取方法 | 96.01 | 93.52 | 86.20 | 74.21 | 92.07 | 0.8985 |
式中，A是所提取的耕地图斑面积；B是所对应的实际耕地地块的面积；TP和FP分别表示正确分类和错误分类。交并比指标的计算结果如表 4所示。
| 耕地类型 | 规则耕地 | 梯田 | 坡耕地 | 林间耕地 | 总体IoU均值 |
| 基于像素的方法 | 0.6221 | 0.4913 | 0.3760 | 0.2816 | 0.5131 |
| 基于对象的方法 | 0.7680 | 0.6369 | 0.5443 | 0.3470 | 0.6973 |
| 分区分层提取方法 | 0.8727 | 0.8165 | 0.7165 | 0.6295 | 0.8027 |
结合上述结果，本文开展以下分析与讨论：①由表 3可知，本文提出的分区分层方法在Kappa系数和总体精度方面都优于传统的方法，其中总体分类精度比基于像素的方法和基于对象的方法分别高13.35%和9.81%，Kappa系数分别高28.11%和18.19%；②从图 9可知，本文分区分层的方法获得的耕地地块更为完整，更符合实际地块的形态，且能有效对识别不同形态和类型的耕地；而由于高分辨率遥感影像中“同物异谱”和“同谱异物”的现象，基于像素的方法提取结果中存在大量的噪点，基于对象的方法一定程度上降低了耕地噪点，但是分割对象锯齿严重，且存在不少漏提或误提，更重要的是两类方法均无法准确提取耕地边界；对比地，本文方法可以较好地避免“椒盐噪声”的出现，且提取的耕地边界能保持其形态的完整性；③表 4中所列为反映提取结果与实际地块形态贴合程度的IoU指标，可以看到，本文方法的总体IoU均值比基于像素的方法和基于对象的方法分别高28.96%和10.54%，尤其在坡耕地和林间耕地的形态提取效果上，本文方法比基于像素的方法分别高34.05%和34.79%，比基于对象的方法分别高17.22%和28.25%，这说明本文方法提取的耕地地块与实际耕地地块的形态更为接近。综合上述3个方面说明，基于分区分层思想的耕地提取结果明显优于传统方法，值得进一步研究研究和应用推广。
3 讨论本文针对山区耕地信息提取的实际需求，提出了一种分区分层的耕地信息提取方法。通过研究区的实验和方法对比分析，开展以下几个方面的讨论。
(1) 本文通过分区控制的方法，将复杂的丘陵山区划分为内部条件相对一致的地理区块，有效抑制了山区复杂地形背景噪声的影响。而耕地分层分级的提取方法，则充分考虑了各类型耕地的特点，避免了不同类型耕地之间的相互干扰，使得样本制作和提取模型训练难度大大降低，有效减少了漏提率和错提率。
(2) 相对于传统的只利用影像光谱信息的提取方法，利用深度学习技术进行耕地信息提取，获得了较为准确的耕地边界信息，而从目视判别的结果来看，深度学习技术所提取的耕地更接近实际耕地的形态，更符合人的视觉感知和对地块的理解，这充分说明了该类技术在模拟人的视觉感知机制方面具有明显优势。
(3) 在构建的提取过程中，本文按照规则耕地、梯田、坡耕地、林间耕地的顺序依次提取，并将上一步的结果作为掩膜进行下一步提取的约束。这种分层逐级提取的方式，大幅减少了误提取率，同时也简化了4种类型耕地提取结果的融合后处理过程，便于得到完整的、拓扑关系准确的耕地空间分布。
4 总结目前遥感信息提取的研究，主要集中在对单一方法的优化调整以及多种方法相结合改造这两个方面。但笔者认为，意图使用单一方法或多种方法的简单组合而去实现复杂遥感信息的准确提取，都存在弊端，主要原因是忽略了实际地理环境的空间异质性和地物特征的多样性特点。而本文在丘陵山区这一复杂地表环境下，在地理学分析思想和地理图斑“分区分层感知”理论的指导下，对传统遥感地学分析的分区分层方法进行了新的发展，在对高分辨率遥感影像视觉特征的分层特征进行对比分析的基础上，结合深度学习技术，提出了一个分区分层的丘陵山区耕地提取方法，在技术上，本文基于地表地形特征和耕地的视觉特征差异，对耕地形态信息进行逐级分解，每一类地块的提取过程被拆解为几何边缘、纹理结构、语义关系等具体的特征提取算法，灵活运用深度学习模型，针对性地构建自适应可控的主动训练环境与特征提取模型，所提取的耕地地块也更符合人对该地物的先验认知。试验的定性与定量对比也充分验证了其的可行性。针对该方法，笔者需要在未来的研究中进一步研究以下几个方面的问题。
(1) 由于山区空间异质性高，3大地理区块中都会存在小片其他类型的地理区块难以被完全区分出来，这些小片区块中往往分布有不同类型的耕地。虽然本文采用了分层逐级提取的策略，但是由于规则耕地和梯田、坡耕地和林间耕地具有一定的相似性，这些误提难以避免。因此，改进各类型耕地的深度学习提取模型，有望进一步提高耕地提取的精度。
(2) 规则耕地和梯田都是先使用边缘模型进行边缘信息的提取，再通过构线成面得到的耕地地块。而山区耕地往往与林地、建筑、水塘等其他地类交错分布，因此在由线构面的过程中其他地类的部分边缘线会混杂在耕地地块之中，导致误提。对于这些误提取地块，当数量较多时，人工修正的后处理工作量不小。因此，在未来的研究中，可以考虑利用多期影像数据计算地块上地物的时序变化特征，以此来区分耕地和非耕地地块。
(3) 由于山地区域的种植结构十分复杂，同一块耕地中也种植有多种作物，这种套种现象导致了部分规则耕地和梯田过于破碎。而在提取结果中，一些细小边界不易被提取出来，从而漏提了部分碎小地块，这方面还需要对深度边缘模型作进一步改进，以期提高对精细碎小边缘的识别与提取能力。
(4) 本文选择息烽县这一地形复杂、地类丰富的典型山地区域作为了一个难度较大的试验区。试验结果证明了分区分层方法具有很好的适用性，可以考虑推广到其他地区开展耕地信息的提取。根据本文所提取的耕地图斑形态信息，可以制作形成精细的耕地空间分布图和面积统计信息，并以其地块为基础识别作物种植类型，从而可支撑完成高精度的山地区域种植结构制图工作；在耕地地块基础上，还可以进一步融合土壤、水文、地形、气候气象、社会经济指标等其他信息，开展种植适宜性评价与结构优化分析，为制定科学的农业规划与政府决策提供有力支撑。
| [1] |
陈仲新, 任建强, 唐华俊, 等. 农业遥感研究应用进展与展望[J]. 遥感学报, 2016, 20(5): 748-767. CHEN Zhongxin, REN Jianqiang, TANG Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of Remote Sensing, 2016, 20(5): 748-767. |
| [2] |
SEE L, FRITZ S, YOU Liangzhi, et al. Improved global cropland data as an essential ingredient for food security[J]. Global Food Security, 2015, 4: 37-45. |
| [3] |
吴炳方. 中国农情遥感速报系统[J]. 遥感学报, 2004, 8(6): 481-497. WU Bingfang. China crop watch system with remote sensing[J]. Journal of Remote Sensing, 2004, 8(6): 481-497. |
| [4] |
刘成武, 李秀彬. 1980年以来中国农地利用变化的区域差异[J]. 地理学报, 2006, 61(2): 139-145. LIU Chengwu, LI Xiubin. Regional differences in the changes of the agricultural land use in China during 1980-2002[J]. Acta Geographica Sinica, 2006, 61(2): 139-145. |
| [5] |
XIONG J N, THENKABAIL P S, TILTON J C, et al. Nominal 30 m cropland extent map of continental Africa by integrating pixel-based and object-based algorithms using Sentinel-2 and Landsat-8 Data on Google Earth Engine[J]. Remote Sensing, 2017, 9(10): 1065. |
| [6] |
吴炳方, 张峰, 刘成林, 等. 农作物长势综合遥感监测方法[J]. 遥感学报, 2004, 8(6): 498-514. WU Bingfang, ZHANG Feng, LIU Chenglin, et al. An integrated method for crop condition monitoring[J]. Journal of Remote Sensing, 2004, 8(6): 498-514. |
| [7] |
SHRESTHA R, DI Liping, YU E G, et al. Regression model to estimate flood impact on corn yield using MODIS NDVI and USDA cropland data layer[J]. Journal of Integrative Agriculture, 2017, 16(2): 398-407. |
| [8] |
SHAO Yang, CAMPBELL J B, TAFF G N, et al. An analysis of cropland mask choice and ancillary data for annual corn yield forecasting using MODIS data[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 78-87. |
| [9] |
陈劲松, 黄健熙, 林珲, 等. 基于遥感信息和作物生长模型同化的水稻估产方法研究[J]. 中国科学(信息科学), 2010, 40(S1): 173-183. CHEN Jinsong, HUANG Jianxi, LIN Hui, et al. Rice yield estimation by assimilation remote sensing into crop growth model[J]. Science China (Information Sciences), 2010, 40(S1): 173-183. |
| [10] |
BECKER-RESHEF I, JUSTICE C, SULLIVAN M, et al. Monitoring global croplands with coarse resolution earth observations:the global agriculture monitoring (GLAM) project[J]. Remote Sensing, 2010, 2(6): 1589-1609. |
| [11] |
BIRADAR C M, THENKABAIL P S, NOOJIPADY P, et al. A global map of rainfed cropland areas (GMRCA) at the end of last millennium using remote sensing[J]. International Journal of Applied Earth Observation and Geoinformation, 2009, 11(2): 114-129. |
| [12] |
TELUGUNTLA P G, THENKABAIL P S, XIONG J N, et al. Spectral matching techniques (SMTs) and automated cropland classification algorithms (ACCAs) for mapping croplands of Australia using MODIS 250-m time-series (2000-2015) data[J]. International Journal of Digital Earth, 2017, 10(9): 944-977. |
| [13] |
LE TOAN T, RIBBES F, WANG Lifang, et al. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(1): 41-56. |
| [14] |
WARDLOW B D, EGBERT S L. Large-area crop mapping using time-series MODIS 250 m NDVI data:An assessment for the U.S. Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096-1116. |
| [15] |
史舟, 梁宗正, 杨媛媛, 等. 农业遥感研究现状与展望[J]. 农业机械学报, 2015, 46(2): 247-260. SHI Zhou, LIANG Zongzheng, YANG Yuanyuan, et al. Status and prospect of agricultural remote sensing[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(2): 247-260. |
| [16] |
李爱农, 边金虎, 张正健, 等. 山地遥感主要研究进展、发展机遇与挑战[J]. 遥感学报, 2016, 20(5): 1199-1215. LI Ainong, BIAN Jinhu, ZHANG Zhengjian, et al. Progresses, opportunities, and challenges of mountain remote sensing research[J]. Journal of Remote Sensing, 2016, 20(5): 1199-1215. |
| [17] |
BLASCHKE T, HAY G J, KELLY M, et al. Geographic object-based image analysis-towards a new paradigm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87: 180-191. |
| [18] |
周成虎, 骆剑承. 高分辨率卫星遥感影像地学计算[M]. 北京: 科学出版社, 2009. ZHOU Chenghu, LUO Jiancheng. Geo-computation of high-resolution satellite remote sensing image[M]. Beijing: Science Press, 2009. |
| [19] |
WHITESIDE T G, BOGGS G S, MAIER S W. Comparing object-based and pixel-based classifications for mapping savannas[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(6): 884-893. |
| [20] |
SONG Qian, HU Qiong, ZHOU Qingbo, et al. In-season crop mapping with GF-1/WFV data by combining Object-Based image analysis and random forest[J]. Remote Sensing, 2017, 9(11): 1184. |
| [21] |
陈军, 陈晋, 廖安平, 等. 全球30 m地表覆盖遥感制图的总体技术[J]. 测绘学报, 2014, 43(6): 551-557. CHEN Jun, CHEN Jin, LIAO Anping, et al. Concepts and key techniques for 30 m global land cover mapping[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(6): 551-557. |
| [22] |
巫兆聪, 胡忠文, 张谦, 等. 结合光谱、纹理与形状结构信息的遥感影像分割方法[J]. 测绘学报, 2013, 42(1): 44-50. WU Zhaocong, HU Zhongwen, ZHANG Qian, et al. On combining spectral, textural and shape features for remote sensing image segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(1): 44-50. |
| [23] |
ZHANG Xiaodong, WANG Qing, CHEN Guanzhou, et al. An object-based supervised classification framework for very-high-resolution remote sensing images using convolutional neural networks[J]. Remote Sensing Letters, 2018, 9(4): 373-382. |
| [24] |
MYINT S W, GOBER P, BRAZEL A, et al. Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery[J]. Remote Sensing of Environment, 2011, 115(2): 1145-1161. |
| [25] |
LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444. |
| [26] |
DONAHUE J, JIA Yangqing, VINYALS O, et al. Decaf: a deep convolutional activation feature for generic visual recognition[C]//Proceedings of the 31st International Conference on International Conference on Machine Learning-Volume 32(ICML'14). Beijing: JMLR.org, 2013: 647-655.
|
| [27] |
OQUAB M, BOTTOU L, LAPTEV I, et al. Learning and transferring Mid-Level image representations using convolutional neural networks[C]//Proceedings of 2014 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Columbus, OH: IEEE, 2014.
|
| [28] |
KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[C]//Proceedings of the 25th International Conference on Neural Information Processing Systems. Lake Tahoe, NV: [s.n.], 2012: 1097-1105.
|
| [29] |
HU Wei, HUANG Yangyu, WEI Li, et al. Deep convolutional neural networks for hyperspectral image classification[J]. Journal of Sensors, 2015, 2015: 258619. |
| [30] |
CASTELLUCCIO M, POGGI G, SANSONE C, et al. Land use classification in remote sensing images by convolutional neural networks[R]. arXiv: 1508.00092, 2015.
|
| [31] |
GONG Jianya, JI Shunping. Photogrammetry and deep learning[J]. Journal of Geodesy and Geoinformation Science, 2018, 47(6): 693-704. |
| [32] |
师庆东, 吕光辉, 潘晓玲, 等. 遥感影像中分区分类法及在新疆北部植被分类中的应用[J]. 干旱区地理, 2003, 26(3): 264-268. SHI Qingdong, LV Guanghui, PAN Xiaoling, et al. Vegetation classification method of divided area and DEM at north Xinjiang[J]. Arid Land Geography, 2003, 26(3): 264-268. |
| [33] |
竞霞, 王锦地, 王纪华, 等. 基于分区和多时相遥感数据的山区植被分类研究[J]. 遥感技术与应用, 2008, 23(4): 394-397. JING Xia, WANG Jindi, WANG Jihua, et al. Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images[J]. Remote Sensing Technology and Application, 2008, 23(4): 394-397. |
| [34] |
莫源富, 周立新. 分区分类法——针对山区遥感图象的一种有效的分类方法[J]. 中国岩溶, 2000, 19(4): 360-365. MO Yuanfu, ZHOU Lixin. Sub-region classification method-an new classification method to remote sensing image in mountain areas[J]. Carsologica Sinica, 2000, 19(4): 360-365. |
| [35] |
骆剑承, 吴田军, 吴志峰, 等. 地理图斑智能计算及模式挖掘方法研究[J]. 地球信息科学学报, 2020, 22(1): 57-75. LUO Jiancheng, WU Tianjun, WU Zhifeng, et al. Methods of intelligent computation and pattern mining based on Geo-parcels[J]. Journal of Geo-information Science, 2020, 22(1): 57-75. |
| [36] |
XIE Saining, TU Zhuowen. Holistically-nested edge detection[C]//Proceedings of 2015 IEEE International Conference on Com-puter Vision (ICCV). Santiago, Chile: IEEE, 2015: 1395-1403.
|
| [37] |
LIU Yun, CHENG Mingming, HU Xiaowei, et al. Richer convolutional features for edge detection[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI: IEEE, 2017: 3000-3009.
|
| [38] |
ZHOU Lichen, ZHANG Chuang, WU Ming. D-LinkNet: LinkNet with pretrained encoder and dilated convolution for high resolution satellite imagery road extraction[C]//Proceedings of 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Salt Lake City, UT: IEEE, 2018.
|
| [39] |
RONNEBERGER O, FISCHER P, BROX T. U-Net: Convolutional networks for biomedical image segmentation[C]//Proceedings of International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer, 2015: 234-241.
|
| [40] |
SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the inception architecture for computer vision[C]//Proceedings of IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV: IEEE, 2016: 2818-2826.
|
| [41] |
SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[R]. arXiv: 1409.1556, 2015.
|