遙感技術在耕地類型分類中的應用

孫玉璟

摘要? ? 耕地是人類在地球上賴以生存的主體，耕地面積對糧食產量的保證起到至關重要的作用。在衛星或航拍得到的遙感圖像中提取耕地類型是遙感圖像分類中的難點。本文分析了基于遙感圖像的耕地類型識別與分類的重要性，并列出耕地類型分類的主要算法，為提高耕地利用率、促進農業發展提供參考。

關鍵詞? ? 遙感技術;遙感圖像;耕地類型;耕地面積

中圖分類號? ? TP751? ? ? ? 文獻標識碼? ? A? ? ? ? 文章編號? ?1007-5739（2019）09-0196-02

目前，我國大面積的土地資源得不到合理利用，并且土地沙漠化、地震、泥石流等自然災害頻繁出現，導致可耕地面積不斷減少。加上我國地少人多的基本國情，黨中央也提出了“嚴守18億畝耕地紅線”，這是推進農村土地制度改革的底線，是試點的大前提，決不能逾越。可見，耕地面積問題仍是國家戰略和國土資源管理部門面臨的首要問題[1]。

目前，我國可耕地面積沒有統一的測算方法，并且不同區域采用的測算方法各不相同，使得可耕地類型的判斷和可耕地面積的統計具有較大難度。隨著計算機技術的不斷發展，利用計算機算法自動識別和分析衛星拍攝的不同地區的遙感圖像，可以提取出可用耕地的類型，并對每種類型的耕地面積進行估算。政府管理部門可以針對不同類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檢測潛在的自然災害，幫助人們及時采取有效的防護措施以減少風沙、泥石流等自然災害或地質災害對可用耕地的破壞，避免可用耕地的減少[3]。因此，利用遙感圖像對土地資源實時檢測和分類十分重要。

1? ? 遙感技術

遙感技術是從衛星、飛機或其他飛行器中收集地表物體的電磁輻射信號，對接收到的信號進行成像，并探測地球資源和環境的技術[4]。遙感技術廣泛應用于土地資源動態監測、農林作物遙感估產、自然災害的遙感監測、空氣與海洋環境監測、軍事及其他領域中。

傳統的遙感圖像均是利用衛星拍攝的遙感圖像，衛星遙感圖像具有大面積同步監測、獲取信息速度快、數據量大的特點，但會受電磁波波段、大氣環境和地表覆蓋物的影響，衛星發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才能使用。近年來，隨著無人機技術的成熟，部分要求精度較高的遙感圖像采用了無人機低空拍攝遙感圖像。無人機遙感技術能夠克服傳統遙感圖像獲取成本高、分辨率低、氣候影響大等缺點，在某些領域得到了廣泛的應用。遙感技術在農業或耕地上的研究內容主要集中在土壤演變、耕地提取及分類、種植信息提取等方面[5]。

2? ? 耕地分類原理

基于遙感技術的耕地類型分類是利用土地分類和分布的知識，結合遙感圖像中光譜信息和空間信息，識別遙感圖像中耕地區域，并利用有效的分類算法對耕地類型進行分類。傳統的遙感圖像分類方法大致分為2類：基于監督學習分類方法和基于非監督學習分類方法。這2類分類方法的依據是訓練數據是否有標記信息[6]，即遙感圖像中像素點對應的實際分類，若有則為監督學習，若沒有則為非監督學習。

基于監督學習分類方法首先要人工標注出每條數據對應的分類和遙感圖像中對應每個像素所屬的分類，并分配一個標簽，作為訓練數據。創建一個訓練過程的模型，利用模型對遙感圖像的每個像素做出分類，當分類不正確時反饋糾正，通過持續的訓練使分類結果達到期望的分類，當錯誤率較低或達到最大的訓練次數即可停止。隨著深度學習的快速發展，越來越多的研究嘗試用神經網絡進行分類。深度學習框架中的神經網絡能夠自動提取輸入遙感圖像中的特征，通過分類算法利用訓練好的網絡對大量的特征信息分類，并將土地類型作為神經網絡的輸出層輸出。常見的監督學習分類算法還包括決策樹算法、KNN算法、支持向量機SVM等。遙感圖像測試圖Stockton如圖1所示。

基于非監督學習的分類方法是按照“物以類聚”的思想，不需要標注每個像素所屬的分類，利用設定的規則計算機算法自動將遙感圖像中相似光譜的像素點劃分為一類，劃分的依據是地物的光譜理論。遙感圖像中的同類地物具有相同的表面結構特征、植被覆蓋，具有相同或相近的光譜特征，屬于同一個分類;不同的地物，光譜信息特征不同，屬于不同的分類。分類的結果是將遙感圖像上的所有像素點都映射到不同的類別中，所有的像素分類應滿足同一類別像素間的差別盡可能小且不同類別像素間的差別盡可能大的要求，由于沒有標簽信息，所以無法評估非監督學習的分類結果。常用的非監督學習方法包括k-means聚類算法、分級集群法、動態聚類法等。

一般衡量分類結果的精確性常采用空間精度與定量精度2種評價標準。空間精度根據已有的調查數據選取的檢驗樣本，計算混淆矩陣獲取精度等系數，對可用耕地的分類結果進行評價。定量精度采用計算耕地提取面積與統計面積的一致性進行評價。

3? ? 結語

本文針對可用耕地計算中出現的問題，結合遙感圖像，利用監督學習算法和非監督學習方法，提供了不同的可用耕地類型和面積計算算法。可根據實際應用場景，組合或改進已有的分類算法，提高可耕地資源遙感圖像的分類效果，有效地提高耕地類型的分類精度和計算效率。

4? ? 參考文獻

[1] 劉紅巖，陳劍，陳國青.數據挖掘中的數據分類算法綜述[J].清華大學學報（自然科學版），2002，42（6）：727-730.

[2] 柏延臣，王勁峰.結合多分類器的遙感數據專題分類方法研究[J].遙感學報，2005，9（5）：555-563.

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

[4] 賈坤，李強子，田亦陳，等.遙感影像分類方法研究進展[J].光譜學與光譜分析，2011，31（10）：2618-2623.

[5] 馬玥，姜琦剛，孟治國，等.基于隨機森林算法的農耕區土地利用分類研究[J].農業機械學報，2016，47（1）：297-303.

[6] 周志華.機器學習及其應用[M].北京：清華大學出版社，2015.

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

收稿日期? ?2019-01-04