遥感耕地监测现状与方法探讨

遥感耕地监测现状与方法探讨

李海娟

深圳市爱华勘测工程有限公司广东深圳518000

摘要:耕地资源是我国农村发展和农业现代化的根基命脉,是国家粮食安全的基石,因此迫切需要获取精细化、精准化的耕地资源分布与变化信息。对地观测技术与人工智能领域的发展为快速、精准、智能化的耕地监测提供了有力支撑。本文通过搜集国内外耕地监测领域相关的研究,梳理耕地相关监测内容,归纳遥感耕地监测分类体系,回顾遥感耕地监测领域技术方法的演化历程,总结当前主流的耕地监测方法,揭示不同农业区域、尺度区域与分类单元的应用领域现状,并指出多源遥感数据耕地监测面临的挑战及可能的发展趋势:遥感耕地监测应面向不同区域、尺度、粒度开展耕地信息提取与变化检测研究,发展与创新多源/模态数据协同监测技术,实现耕地监测的“数据-模型-知识”联合驱动,逐步提升耕地监测精准化、精细化与智能化水平。

关键词:遥感；耕地监测；监测内容；分类体系；方法历程；主流方法；应用领域

0引言

实时准确的耕地空间分布与变化信息是促进农业信息化与现代化发展的重要前提,同时也对宏观农业政策制定、农业规划管理、农业资源保护与可持续发展具有重大的战略意义。21世纪以来,党中央和国务院相继提出“基本农田保护制度”“18亿亩耕地线”“非农化、非粮化”等相关政策,确保“舌尖上的安全”;同时,联合国千年发展目标(MDGs)也明确指出“消除极端贫穷和饥饿”的可持续发展目标,呼吁全球政府与公民保护农业资源,确保粮食安全供给。因此,精准化、精细化耕地资源信息的获取已成为全球可持续发展的重要议题,保护耕地资源刻不容缓。

为此,本文通过总结与归纳国内外学者对耕地监测领域的相关研究,梳理耕地相关监测内容,归纳遥感耕地监测分类体系,回顾遥感耕地监测领域技术方法的演化历程,总结当前主流的耕地监测方法,揭示不同农业区域、尺度区域与分类单元的监测应用现状,并指出多源遥感数据耕地监测面临的挑战及可能的发展趋势。

1监测内容

当前,较为权威的耕地定义来源于我国《土地利用现状分类》,即耕地是指种植农作物的土地,包括熟地,新开发、复垦、整理地,休闲地(含轮歇地、轮作地);以种植农作物(含蔬菜)为主,间有零星果树、桑树或其他树木的土地。耕地监测可以提供耕地空间分布及其变化的定量与定性信息。

2监测分类体系

本文通过梳理遥感耕地监测领域相关研究成果,从任务类型、数据种类、先验信息、区域特性、分析尺度、分类单元等不同的监测角度,总结以下遥感耕地监测分类体系:从监测任务类型来分,遥感耕地监测分为耕地提取方法与耕地变化检测方法。

3方法历程

遥感耕地监测方法的发展历程也是对地观测技术、人工智能等领域的发展史,遥感数据源的丰富,人工智能领域的新崛起,深深影响了遥感耕地监测方法的发展历程。通过对现有遥感耕地监测领域方法上的梳理,总结以下4个典型的发展阶段:

(1)第一阶段:早期遥感耕地监测受限于数据源与计算机发展水平,以统计变化与分析、无监督分类、边缘检测等方法为主,主要原理是对遥感影像中的像素进行差异性统计,实现相似像元的聚类,以便对所属耕地地块或地块边界进行描述。

(2)第二阶段:推动耕地遥感监测领域发展的第一次契机来源于智能化处理方法的发展,与早期以无监督算法相比,监督算法为遥感耕地监测带来了生机,特别是最大似然法、决策树、支持向量机、随机森林、贝叶斯网络、神经网络等为主的机器学习算法的应用。

(3)第三阶段:在机器学习与面向对象影像分析(Object-BasedImageAnalysis,OBIA)技术的影响下,研究人员对耕地要素的认知逐渐向以光谱为基础的物候学分析方法转移,在光谱分析算法上,以线性光谱分解、光谱角制图、三角剖分法等为主的方法逐渐在各个尺度分辨率数据上得到应用;在光谱匹配算法上,通过统计与分析耕地内不同农业作物的物候特征。

(4)第四阶段:近年来,深度学习的快速发展为耕地资源要素智能监测领域注入新的活力。以稀疏自编码、卷积神经网络、循环神经网络、深度神经网络为主的深度学习法,以及注意力机制引导、多类型网络嵌套、知识描述等混合方法在耕地地块识别、耕地边界划分和农作物分类领域得到广泛应用。

4目前主流监测方法

4.1基于物候学分析的大尺度耕地制图

基于物候学分析的大尺度耕地制图研究主要利用30-250m等中低分辨率数据,通过波段分析或植被敏感指数计算,选择适合耕地的物候学特征表达,并开发适用于大尺度的自动耕地提取算法。

4.2集成机器学习与对象级分割的耕地监测

基于机器学习与面向对象影像分析相结合的耕地监测框架,是区域尺度或中小区域尺度下耕地监测最主流的方法,其应用范围包括耕地地块提取、弃耕撂荒地检测、作物类型分类以及相关农业措施监测等。

4.3深度学习驱动的耕地智能化监测

在区域尺度或中小区域尺度下,耕地监测领域另一主流方法是基于深度学习进行的耕地地块识别、耕地边缘划分以及详细农作物分割等研究。与传统机器学习算法只学习到耕地“表层”特征相比,深度学习通过“黑箱操作”可以实现更深层次抽象特征的提取与挖掘。

5应用领域

5.1不同农业区域监测应用

世界上农业生产可以根据投入情况分为两大类:一类是机械化水平较高的集约型农业,主要分布于美国、欧洲和中国东北等地势平坦的平原农业区域;另一类则是呈现出自给自足典型小农特性的粗放型农业,主要分布于热带、亚热带的非洲、东南亚、中国南方等区域。前者由于规模化种植,且地块呈现一定连片规则状,因此以往的研究大多基于此农业区域进行作物类型制图、耕地地物提取以及农业土地利用监测等。

5.2不同区域尺度监测应用

遥感耕地监测尺度分为全球尺度、区域尺度以及中小尺度等多个类别。在过去几十年里,生产了若干全球或区域尺度的耕地监测产品,这有助于及时了解全球耕地的空间分布特征,如GlobalCroplandExtent、CroplandMaskofAfrica等。此外,在全球/区域土地利用覆盖监测中,耕地往往作为一类或多类存在,这些产品侧重于土地利用/覆盖制图,耕地并不是主要目标,但分类体系不统一、空间分辨率限制、专题性不强、精度难以综合评估等问题导致其利用率并不高。

5.3不同分类单元监测应用

遥感耕地监测受限于数据源较为粗糙的空间分辨率,大都是基于像元作为最小监测单元进行耕地监测,主要通过利用像素值之间的差异进行耕地的区分。

6展望

耕地本质上是一个涵盖多种作物的复合要素,因此,遥感耕地监测本质上是一个复杂的过程。随着大数据、人工智能技术的不断发展与应用领域的拓展,遥感耕地监测的智能化、精细化与精准化的需求也日益明显,因此在后续的研究中将面临的挑战及可能的发展趋势有以下4个方面。

(1)在耕地专题性监测基础上,应更加注重耕地变化检测问题,包含致使耕地“非农化”与“非粮化”现象的耕地类型转换,以及耕地类内由于种植类型与种植模式变化而导致的“伪变化”。特别面向重大工程应用需求,在已有的基底数据上,快速实现耕地变化发现以辅助耕地数据的快速更新仍是一项重要内容。

(2)遥感数据是一个从单源到多源、从单模态到多模态、从低分辨率到高分辨率的发展过程。成像机理与工作模式的差异导致单模态数据源应用于耕地监测时呈现出一定局限性。耕地具有自然地物与人工地物的双重属性特征,即物候特征与形态特征。因此,发展与创新多源/模态数据协同监测依然是实现耕地时空异质性联合表征最有效的途径。

(3)尽管传统的机器学习算法与面向对象影像分割技术的结合依然在耕地检测领域发挥重要作用,但以深度学习为主的方法已在耕地监测领域展现出巨大的潜力,构建多时相、多尺度、多维度、多传感器、多模态的耕地/作物样本数据库。

参考文献

[1] 易凤佳,李仁东,常变蓉,等.面向对象的丘陵区水田遥 感识别方法[J].农业工程学报,2015,31(11):186-193.