遙感技術(shù)在耕地類(lèi)型分類(lèi)中的應(yīng)用

孫玉璟

摘要? ? 耕地是人類(lèi)在地球上賴(lài)以生存的主體，耕地面積對(duì)糧食產(chǎn)量的保證起到至關(guān)重要的作用。在衛(wèi)星或航拍得到的遙感圖像中提取耕地類(lèi)型是遙感圖像分類(lèi)中的難點(diǎn)。本文分析了基于遙感圖像的耕地類(lèi)型識(shí)別與分類(lèi)的重要性，并列出耕地類(lèi)型分類(lèi)的主要算法，為提高耕地利用率、促進(jìn)農(nóng)業(yè)發(fā)展提供參考。

關(guān)鍵詞? ? 遙感技術(shù);遙感圖像;耕地類(lèi)型;耕地面積

中圖分類(lèi)號(hào)? ? TP751? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼? ? A? ? ? ? 文章編號(hào)? ?1007-5739（2019）09-0196-02

目前，我國(guó)大面積的土地資源得不到合理利用，并且土地沙漠化、地震、泥石流等自然災(zāi)害頻繁出現(xiàn)，導(dǎo)致可耕地面積不斷減少。加上我國(guó)地少人多的基本國(guó)情，黨中央也提出了“嚴(yán)守18億畝耕地紅線”，這是推進(jìn)農(nóng)村土地制度改革的底線，是試點(diǎn)的大前提，決不能逾越?？梢?jiàn)，耕地面積問(wèn)題仍是國(guó)家戰(zhàn)略和國(guó)土資源管理部門(mén)面臨的首要問(wèn)題[1]。

目前，我國(guó)可耕地面積沒(méi)有統(tǒng)一的測(cè)算方法，并且不同區(qū)域采用的測(cè)算方法各不相同，使得可耕地類(lèi)型的判斷和可耕地面積的統(tǒng)計(jì)具有較大難度。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，利用計(jì)算機(jī)算法自動(dòng)識(shí)別和分析衛(wèi)星拍攝的不同地區(qū)的遙感圖像，可以提取出可用耕地的類(lèi)型，并對(duì)每種類(lèi)型的耕地面積進(jìn)行估算。政府管理部門(mén)可以針對(duì)不同類(lèi)型的耕地制定合理的種植策略，可以增加單位耕地面積的產(chǎn)量，提高可耕用土地的利用效率[2]。利用遙感圖像還能夠及時(shí)檢測(cè)潛在的自然災(zāi)害，幫助人們及時(shí)采取有效的防護(hù)措施以減少風(fēng)沙、泥石流等自然災(zāi)害或地質(zhì)災(zāi)害對(duì)可用耕地的破壞，避免可用耕地的減少[3]。因此，利用遙感圖像對(duì)土地資源實(shí)時(shí)檢測(cè)和分類(lèi)十分重要。

1? ? 遙感技術(shù)

遙感技術(shù)是從衛(wèi)星、飛機(jī)或其他飛行器中收集地表物體的電磁輻射信號(hào)，對(duì)接收到的信號(hào)進(jìn)行成像，并探測(cè)地球資源和環(huán)境的技術(shù)[4]。遙感技術(shù)廣泛應(yīng)用于土地資源動(dòng)態(tài)監(jiān)測(cè)、農(nóng)林作物遙感估產(chǎn)、自然災(zāi)害的遙感監(jiān)測(cè)、空氣與海洋環(huán)境監(jiān)測(cè)、軍事及其他領(lǐng)域中。

傳統(tǒng)的遙感圖像均是利用衛(wèi)星拍攝的遙感圖像，衛(wèi)星遙感圖像具有大面積同步監(jiān)測(cè)、獲取信息速度快、數(shù)據(jù)量大的特點(diǎn)，但會(huì)受電磁波波段、大氣環(huán)境和地表覆蓋物的影響，衛(wèi)星發(fā)回的遙感圖像通常需要幾何糾正、去霧處理等圖像處理技術(shù)才能使用。近年來(lái)，隨著無(wú)人機(jī)技術(shù)的成熟，部分要求精度較高的遙感圖像采用了無(wú)人機(jī)低空拍攝遙感圖像。無(wú)人機(jī)遙感技術(shù)能夠克服傳統(tǒng)遙感圖像獲取成本高、分辨率低、氣候影響大等缺點(diǎn)，在某些領(lǐng)域得到了廣泛的應(yīng)用。遙感技術(shù)在農(nóng)業(yè)或耕地上的研究?jī)?nèi)容主要集中在土壤演變、耕地提取及分類(lèi)、種植信息提取等方面[5]。

2? ? 耕地分類(lèi)原理

基于遙感技術(shù)的耕地類(lèi)型分類(lèi)是利用土地分類(lèi)和分布的知識(shí)，結(jié)合遙感圖像中光譜信息和空間信息，識(shí)別遙感圖像中耕地區(qū)域，并利用有效的分類(lèi)算法對(duì)耕地類(lèi)型進(jìn)行分類(lèi)。傳統(tǒng)的遙感圖像分類(lèi)方法大致分為2類(lèi)：基于監(jiān)督學(xué)習(xí)分類(lèi)方法和基于非監(jiān)督學(xué)習(xí)分類(lèi)方法。這2類(lèi)分類(lèi)方法的依據(jù)是訓(xùn)練數(shù)據(jù)是否有標(biāo)記信息[6]，即遙感圖像中像素點(diǎn)對(duì)應(yīng)的實(shí)際分類(lèi)，若有則為監(jiān)督學(xué)習(xí)，若沒(méi)有則為非監(jiān)督學(xué)習(xí)。

基于監(jiān)督學(xué)習(xí)分類(lèi)方法首先要人工標(biāo)注出每條數(shù)據(jù)對(duì)應(yīng)的分類(lèi)和遙感圖像中對(duì)應(yīng)每個(gè)像素所屬的分類(lèi)，并分配一個(gè)標(biāo)簽，作為訓(xùn)練數(shù)據(jù)。創(chuàng)建一個(gè)訓(xùn)練過(guò)程的模型，利用模型對(duì)遙感圖像的每個(gè)像素做出分類(lèi)，當(dāng)分類(lèi)不正確時(shí)反饋糾正，通過(guò)持續(xù)的訓(xùn)練使分類(lèi)結(jié)果達(dá)到期望的分類(lèi)，當(dāng)錯(cuò)誤率較低或達(dá)到最大的訓(xùn)練次數(shù)即可停止。隨著深度學(xué)習(xí)的快速發(fā)展，越來(lái)越多的研究嘗試用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)。深度學(xué)習(xí)框架中的神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)提取輸入遙感圖像中的特征，通過(guò)分類(lèi)算法利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)大量的特征信息分類(lèi)，并將土地類(lèi)型作為神經(jīng)網(wǎng)絡(luò)的輸出層輸出。常見(jiàn)的監(jiān)督學(xué)習(xí)分類(lèi)算法還包括決策樹(shù)算法、KNN算法、支持向量機(jī)SVM等。遙感圖像測(cè)試圖Stockton如圖1所示。

基于非監(jiān)督學(xué)習(xí)的分類(lèi)方法是按照“物以類(lèi)聚”的思想，不需要標(biāo)注每個(gè)像素所屬的分類(lèi)，利用設(shè)定的規(guī)則計(jì)算機(jī)算法自動(dòng)將遙感圖像中相似光譜的像素點(diǎn)劃分為一類(lèi)，劃分的依據(jù)是地物的光譜理論。遙感圖像中的同類(lèi)地物具有相同的表面結(jié)構(gòu)特征、植被覆蓋，具有相同或相近的光譜特征，屬于同一個(gè)分類(lèi);不同的地物，光譜信息特征不同，屬于不同的分類(lèi)。分類(lèi)的結(jié)果是將遙感圖像上的所有像素點(diǎn)都映射到不同的類(lèi)別中，所有的像素分類(lèi)應(yīng)滿足同一類(lèi)別像素間的差別盡可能小且不同類(lèi)別像素間的差別盡可能大的要求，由于沒(méi)有標(biāo)簽信息，所以無(wú)法評(píng)估非監(jiān)督學(xué)習(xí)的分類(lèi)結(jié)果。常用的非監(jiān)督學(xué)習(xí)方法包括k-means聚類(lèi)算法、分級(jí)集群法、動(dòng)態(tài)聚類(lèi)法等。

一般衡量分類(lèi)結(jié)果的精確性常采用空間精度與定量精度2種評(píng)價(jià)標(biāo)準(zhǔn)?？臻g精度根據(jù)已有的調(diào)查數(shù)據(jù)選取的檢驗(yàn)樣本，計(jì)算混淆矩陣獲取精度等系數(shù)，對(duì)可用耕地的分類(lèi)結(jié)果進(jìn)行評(píng)價(jià)。定量精度采用計(jì)算耕地提取面積與統(tǒng)計(jì)面積的一致性進(jìn)行評(píng)價(jià)。

3? ? 結(jié)語(yǔ)

本文針對(duì)可用耕地計(jì)算中出現(xiàn)的問(wèn)題，結(jié)合遙感圖像，利用監(jiān)督學(xué)習(xí)算法和非監(jiān)督學(xué)習(xí)方法，提供了不同的可用耕地類(lèi)型和面積計(jì)算算法?？筛鶕?jù)實(shí)際應(yīng)用場(chǎng)景，組合或改進(jìn)已有的分類(lèi)算法，提高可耕地資源遙感圖像的分類(lèi)效果，有效地提高耕地類(lèi)型的分類(lèi)精度和計(jì)算效率。

4? ? 參考文獻(xiàn)

[1] 劉紅巖，陳劍，陳國(guó)青.數(shù)據(jù)挖掘中的數(shù)據(jù)分類(lèi)算法綜述[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2002，42（6）：727-730.

[2] 柏延臣，王勁峰.結(jié)合多分類(lèi)器的遙感數(shù)據(jù)專(zhuān)題分類(lèi)方法研究[J].遙感學(xué)報(bào)，2005，9（5）：555-563.

[3] 朱海洲，賈銀山.基于支持向量機(jī)的遙感圖像分類(lèi)研究[J].科學(xué)技術(shù)與工程，2010，10（15）：3659-3663.

[4] 賈坤，李強(qiáng)子，田亦陳，等.遙感影像分類(lèi)方法研究進(jìn)展[J].光譜學(xué)與光譜分析，2011，31（10）：2618-2623.

[5] 馬玥，姜琦剛，孟治國(guó)，等.基于隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類(lèi)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（1）：297-303.

[6] 周志華.機(jī)器學(xué)習(xí)及其應(yīng)用[M].北京：清華大學(xué)出版社，2015.

作者簡(jiǎn)介? ?孫玉璟（1974-），女，山東聊城人，助理工程師，從事園林種植、技術(shù)推廣工作。

收稿日期? ?2019-01-04