基于資源三號衛星影像的東北黑土區侵蝕溝快速提取

文 | 關雷 曹景慶 楊俊濤 仝國禮黑龍江第三測繪工程院

一、前言

我國地域遼闊，水土形態具有很強的多元性，水土保護行業也需要針對不同地質特點，制定出針對性的管理措施[1]。黑土資源退化嚴重威脅我國的糧食安全和生態安全，黑土保護刻不容緩。黑土地保護已經成為保障國家糧食安全、促進現代農業發展的國家戰略的重要組成部分。坡面侵蝕和溝蝕是東北黑土區土壤侵蝕中最主要的侵蝕方式[2]。侵蝕溝形成后，通過溯源向上游較快擴展，也會向下游發展。0.5°～5°的坡耕地占黑土區耕地總面積的56%，耕作方式粗放、保護性耕作措施不到位，造成水土流失不斷惡化[3]。

據統計，東北黑土區現有侵蝕溝數量達29萬余條，侵蝕溝蠶食耕地、破壞道路，造成土地零散，給商品糧基地的大型機械化生產作業帶來了諸多不便。侵蝕溝的存在一定程度上影響了人們的正常生活，而且對糧食生產產生了極大的威脅。然而，相關部門并未掌握侵蝕溝的詳細空間分布數據，只是粗略的統計而已。利用遙感信息技術可以快速獲取黑土區水土信息，對黑土地水土流失進行定量估算，為黑土地水土監測、生態環境建設以及水土流失防治提供了途徑[4]。因此在充分發掘和利用已有成果的基礎上，采用時間分辨率較高、覆蓋范圍較大的資源三號衛星遙感影像，利用遙感分析與深度學習技術，對黑龍江省典型黑土區侵蝕溝進行提取，掌握其空間分布特征，為黑土區土地整治、生態修復提供科學依據，對黑土區水土流失區域提出有針對性的防治措施。

二、研究對象及方法原理

1.資源三號衛星影像

資源三號是我國首顆民用高分辨率光學傳輸型立體測圖衛星，目前有三顆衛星在軌運行，影像分辨率達到2米級，三顆衛星共同組成立體測繪衛星星座，可快速獲取區域范圍內的影像數據，具有高時間分辨率與大范圍覆蓋的特點，可確保獲得最新時相的侵蝕溝數據。

2.侵蝕溝影像紋理

目前，關于黑土區侵蝕溝還未有相關的技術標準可以參考，一般而言，侵蝕溝的真實地表覆蓋呈現為裸土或植被[5]。一些學者如宋華將侵蝕溝分為三種類型即小型發展溝、大型發展溝與穩定溝。小型發展溝在衛星影像上表現為細條狀，邊界比較清楚，凸起明顯，周圍一般是耕地；大型發展溝在紋理上表現為條帶狀，邊界較為清晰，底部長有植被，溝深和溝寬仍在發展過程中；穩定溝在衛星影像上表現為紋理比較粗糙，底部長有茂盛植被，邊界模糊[6]。其中在類型上居多數、較為危險極易造成水土流失的是發展溝中的中型溝。

3.監督分類

遙感圖像自動識別分類的最終目的是讓計算機識別感興趣的地物，并將識別的結果輸出及識別正確率的評價。監督分類的思想是根據已知的樣本類別和類別的先驗知識，確定判別函數和相應的判別準則，依據判別準則對樣本的所屬類別進行判定。監督分類的過程主要包括：1） 確定感興趣的類別數，首先確定要對哪些地物進行分類，建立地物的先驗知識。2）根據感興趣地物的特征進行有針對性的特征變換，變換后的特征影像和原始影像共同進行特征選擇，滿足分類需要，加快分類速度，提高分類精度。3）選擇訓練樣區，訓練樣區的選擇要注意準確性、代表性和統計學三個問題。4）確定判別函數和判別規則。5）根據判別函數和判別規則對非訓練區的圖像區域進行分類。

4.深度學習

深度學習是機器學習的一種，其概念源自人工神經網絡（ANN），人工神經網絡從信息處理角度模擬了人腦的神經元之間傳遞和處理信息的模式[7]。當前遙感圖像的分辨率不斷提升，人工識別的方法無法滿足大批量遙感圖像識別任務的要求，而深度學習方法可以對低級特征和高級特征進行自動組織和提取，極大地提升遙感識別的速度。

三、侵蝕溝提取過程與應用結果

本文所選擇試驗區資源三號衛星影像的范圍位于黑龍江省拜泉縣、依安縣與明水縣三縣交界處，地處松嫩平原北部，地勢北高南低，土壤肥沃，以黑土和黑鈣土為主，是重要的糧食生產基地，試驗區位置如圖1所示。

圖1 試驗區位置

1.基于監督分類的提取方法

利用ENVI對影像進行預處理，確定分類系統；按照默認設置在影像上定義訓練樣本；進行分類器選擇，根據分類的復雜度、精度需求等確定分類器；基于傳統統計分析的分類方法參數進行影像分類，完成按照監督分類的方法提取侵蝕溝數據。

2.基于深度學習的提取結果

將深度學習技術應用到黑土侵蝕溝提取中，搭建Python+Tensorflow構建深度卷積神經網絡，進行黑土區侵蝕溝樣本訓練，并利用ENVI5.5 Deep Learning模塊進行黑土區侵蝕溝的樣本采集，檢驗深度學習技術提取的準確性。主要步驟包括：制作標簽樣本，利用ENVI中的Vector to ROI工具將圖像中的侵蝕溝邊界標記成標簽樣本；進行模型訓練，通過已有標簽數據，進行模型的函數訓練，使用ENVI軟件的Deep Learning模塊進行訓練，設置初始化函數；圖像識別，訓練模型后使用圖像識別工具對衛星影像中的侵蝕溝信息進行提取。模型訓練的準確度對圖像識別結果有較大影響，通過深度學習技術采集侵蝕溝樣本后建立訓練模型，對原始影像進行處理，提取出侵蝕溝數據。

3.兩種方法提取結果與應用

分別將通過監督分類與深度學習方法提取的結果與人工解譯提取結果在效率、準確率等方面進行比較，統計情況如表1，從中可以明顯看出，在同一機器環境下，針對資源三號影像進行深度學習在準確率方面優于監督分類，但提取效率受機器性能等因素的影響。兩種方法提取結果如圖2所示。

表1 侵蝕溝提取方法比較

圖2 深度學習（左）與監督分類（右）提取結果比較

資源三號衛星影像色彩豐富、紋理清晰，2米級分辨率的特性既保證了空間辨識度的要求，也兼顧了覆蓋范圍等因素，在處理速度上較亞米級分辨率影像有指數級的提升。以本文研究成果為基礎，將國情數據作為訓練樣本，對東北地區侵蝕溝發生較嚴重的拜泉縣、海倫市等地進行了侵蝕溝分布范圍與侵蝕面積的專題統計。

四、結論

本文以資源三號衛星影像作為研究對象，分別使用監督分類與深度學習方法對東北典型黑土區進行侵蝕溝的自動提取，研究結果表明，使用深度學習方法可以減少人工工作量，提取結果較監督分類好，但與人工提取結果相比還存在一定的差距，需要人工對結果進行審核。下一步，將在此研究基礎上對典型黑土區侵蝕溝演化特征及其驅動機制進行研究，利用統計分析等方法對東北地區典型黑土區侵蝕溝的演化特征進行闡述，并從自然因素、人為因素等方面探究侵蝕機理及其驅動機制，為水土流失防治模式探究、水土保持措施配置提供科學依據。