“三调”成果数据引导的耕地“非农化”遥感监测​

摘要：为准确提取耕地“非农化”的变化信息，实现耕地“非农化”遥感监测，提出一种“三调”成果引导的耕地“非农化”遥感监测方法。先从前时相的矢量数据抽取矢量边界、类别属性等先验信息；进行超像素分割，提取像斑的光谱和纹理特征；在先验信息引导下，利用同质性特征分析、异常检测的方法自动筛选样本，利用影像特征差异分析的方法确定最优影像特征；针对不同的耕地变化类型，选择最优影像特征，结合支持向量机分类实现耕地“非农化”区域检测。在河北省选取两块区域进行实验，结果表明，该文方法在已有成果数据的引导下，能够有效检测出耕地“非农化”区域，总体检测精度均达到97%以上。

引言

耕地“非农化”是指各种违反国土空间用途管制制度，违规占用耕地开展非农建设的行为。长期以来我国面临着人口多、耕地少的局面，政府出台了一系列严格的耕地保护政策，但耕地“非农化”的行为仍然存在，甚至在部分地区有逐渐加重的倾向[1]。如何利用遥感技术实现耕地“非农化”精准监测，成为自然资源监测工作中亟待研究和解决的重要问题。

目前耕地“非农化”方面的研究主要是对其时空分布、驱动因素以及与经济增长的关系分析等方面进行理论研究，关于如何利用遥感技术进行耕地“非农化”监测方面的研究成果还比较少[2-5]。耕地“非农化”的实质是土地利用类型的变化，由耕地变化为其他地类，因此开展耕地“非农化”遥感监测就是在耕地范围内进行变化检测。但相比于以往的变化检测，耕地“非农化”监测难度更大，精度要求更高，需要达到90%以上[6]。特别是涉及到耕地与园、林地的区分，这在以往的变化检测中较少被人关注。

近几十年来，国内外学者就遥感影像变化检测方法进行了大量研究，根据使用的数据时相不同，总体可以分为两大类，一类是基于两期影像的变化检测方法，另一类是矢量数据与遥感影像相结合的变化检测方法[7]。目前大多数变化检测是采用第一类方法，基于两期影像的特征差异来进行变化检测，由于地物光谱特性会受到自身物理特性和成像时间、环境等外在因素的综合影响，导致基于两期遥感影像的变化检测方法面临工作量大、分类误差累积传递，或者数据条件要求苛刻、难以充分利用多源遥感影像数据等诸多问题，检测精度受到限制[8-10]。近些年来，一些学者将已有的成果数据与遥感影像结合起来进行变化检测，由于已有的成果数据中包含地物的位置、形状和类别属性等先验信息，利用这些先验信息进行影像分割、场景划分等内容，结合影像对象的特征差异进行变化检测，在一定程度上能够提高变化检测的精度和效率。文献[11]基于地理国情监测数据，通过分析遥感影像与矢量数据套合结果的不一致性，利用矢量数据辅助进行影像分割，从而获取同质性较强的像斑，之后提出了基于历史矢量与双时相遥感影像的变化检测方法，并通过实验证明了该方法的可行性。文献[12]两种不同数据类型（遥感图像和矢量信息）进行综合分析，提出一种描述建筑物完整性的特征，结合建筑物纹理特征进行半自动化建筑物变化检测;文献[13]基于旧时期土地利用矢量数据对建设用地变化监测进行场景划分，利用影像对象的光谱、纹理及形状特征，针对不同场景，结合不同的分类算法进行变化检测，提高了复杂场景下建设用地的变化检测精度。文献[14] 利用旧时相矢量数据约束，对新时相遥感影像进行细分割获得像斑，提取像斑的光谱、纹理特等特征，应用孤立森林计算像斑的变化指数，依据贝叶斯方法自动获取各地物类别的变化阈值，从而检测到变化信息。以上研究在相应的应用领域取得了较好的实验效果，验证了矢量数据和遥感影像结合进行变化检测的可行性。

为了实现耕地“非农化”遥感监测，本文将矢量数据和单期遥感影像相结合的变化检测方法应用到耕地“非农化”监测中，提出一种“三调”成果数据引导的耕地“非农化”遥感监测方法。该方法是将前时相“三调”成果矢量数据中的矢量边界、类别属性等先验信息应用到变化检测过程中，实现样本自动筛选和影像特征优选，提出了一种样本自动筛选的方法，解决了变化检测过程中人工剔除异常样本效率低下的问题。同时，利用地类特征先验信息，通过分析不同地类影像特征的差异实现耕地不同变化类型影像特征的优选，从而有效检测出耕地“非农化”区域，提高检测精度。首先获取“三调”成果数据的地类的矢量范围和栅格影像；其次通过超像素分割获得像斑，提取像斑的光谱和灰度共生矩阵（gray level co-occurrence matrix, GLCM）纹理特征；然后分析耕地范围内像斑同质性特征值分布情况，利用箱线图异常检测的方法剔除特征值异常的样本，实现样本的自动筛选；并通过分析各地类的特征，获得先验知识，确定不同耕地变化类型的最优影像特征；最后利用SVM算法提取发生变化的像斑，检测出耕地变化区域，实现耕地“非农化”遥感监测。

1 研究区概况与数据源

1.1 研究区概况

本文以河北省盐山县和黄骅市的部分区域作为研究区域，研究区内地势相对平坦，地物类型多样，耕地所占比例较高。近年来由于农业类型调整、人类活动扩张等多种因素影响，耕地“非农化”类型多，适宜于耕地“非农化”监测研究。

根据自然资源部制定的《2021年自然资源监测工作方案》，可以将耕地“非农化”的类型归纳为6类：占用耕地绿化造林，占用耕地种植果树、茶树等，占用耕地绿化种草，占用耕地挖塘养鱼、挖湖造景，占用耕地建房以及耕地未耕种^[6]。根据2020年国土利用遥感监测成果，选择河北省十个区县进行统计，耕地变化总面积是7.51 km²，其中变化为林地的面积为2.05km²，占比为27.30%；变化为园地的面积为0.38 km²，占比为5.05%；变化为建设用地的面积为4.84 km²，占比为64.45%；变化为水体的面积为0.05 km²，占比为0.67%；变化为其他地类的面积为0.19 km²，占比为2.53%。统计结果表明，河北省耕地“非农化”最常见的类型主要是占用耕地绿化造林，占用耕地种植果树、茶树等和占用耕地建房三类。本研究将实验区域的耕地“非农化”监测分为两类：1耕地变化为建设用地区域的检测；2耕地变化为园地、林地区域的检测。

1.2 数据源

本文使用的遥感数据为2020年获取的研究区域的北京二号和高分二号多光谱卫星图像，经过辐射校正、正射纠正、影像融合、镶嵌和裁剪等影像预处理，得到研究区域的高分辨率正射影像图。

研究中使用的成果数据主要是盐山县和黄骅市的第三次全国国土调查成果数据。该数据所使用的影像分辨率均优于2 m，经过严格的内业解译、质量核查以及外业核实，具有精度高、地面全覆盖、分类体系完备等优点。“三调”数据中地类的划分包括13 个一级类、55 个二级类，二级类的划分包含了耕地“非农化”的所有类型，因此该数据能够很好地被用于开展耕地“非农化”监测中。

2 监测方法

本文采用矢量数据与单期遥感影像结合的变化检测方法实现耕地“非农化”遥感监测，利用成果数据中先验知识的引导提高检测精度。具体的技术流程如图1所示，首先从已有成果数据中抽取先验分类信息，其次对各地类的栅格影像进行超像素分割获得影像对象，并提取对象的光谱、纹理特征，之后在先验信息引导下进行样本自动筛选和影像特征优选，最后结合SVM分类方法进行耕地变化区域检测并评价检测结果。

2.1 光谱和纹理特征提取

光谱均值能够较好反映像斑中光谱值的分布情况，本文分别统计R、G、B波段上像斑的光谱均值，将其作为光谱特征值。

除光谱特征外，纹理也是高分辨率遥感影像中地类的重要特征。灰度共生矩阵提取像斑的纹理特征，该方法被理论和实践证明是最有效的纹理分析方法之一，具有较强的适应能力和鲁棒性[20-21]。因此，本文通过灰度共生矩阵提取纹理特征，并选择角二阶矩（angular second moment, ASM）、对比度（contrast, CON）、熵（entropy, ENT）和同质性（homogeneity, HOM）4种最常用的纹理特征作为统计测度。同时为了在保证准确性的同时提高计算效率，将图像的灰度级压缩到16()级。通过实验，最终选择滑动窗口为，步长为1，四个方向上（0°、45°、90°、135°）的均值作为纹理特征值。

2.2 成果数据的信息抽取与应用

本文方法是利用前时相的“三调”成果矢量数据，结合后时相遥感影像进行耕地变化检测，因此，需要从已有的成果矢量数据中抽取各地类的矢量边界、类别属性等重要先验信息，再利用抽取的先验信息引导进行变化检测。在本文方法中已有成果数据的引导作用主要体现在检测区域定位、样本自动筛选以及影像特征优选3个方面。

2.2.1 检测区域定位

对“三调”成果数据库进行处理分析，获得各地类图斑的矢量边界和类别属性信息，从中抽取耕地和园地、林地和建设用地的矢量范围，在Arcgis10.2中利用掩膜提取的方式分别得到各地类对应的栅格影像。由于本研究的任务是进行耕地“非农化”监测，在耕地范围内检测耕地变化区域，因此利用耕地的矢量范围和栅格影像将检测区域快速定位在耕地范围内，缩小实验区域，从而提高检测效率。

2.2.2 样本自动筛选

利用矢量数据和遥感影像进行耕地变化检测的过程中，需要从分割后的影像对象中选择不同地物类别的样本，样本选取的过程中会存在类别属性不一致的异常样本，这些异常样本会降低最终的检测精度，因此异常样本的剔除是必须解决的难题[15]。目前相关的研究方法中，一般是通过人工目视判别剔除异常样本，往往效率比较低下，因此，本文利用已有成果数据的先验信息，提出了一种高效的异常样本自动剔除方法，从而实现样本的自动筛选。

该方法具体实现的流程是：基于相同地类在纹理特征上同质性高的原理，利用“三调”成果数据中的分类信息，提取各地类的同质性（Homogeneity, HOM）纹理特征，通过分析不同地类的同质性纹理特征分布情况，利用箱线图异常检测的方法，剔除类别属性不一致的异常样本，从而实现样本自动筛选。选择箱线图作为异常样本检测和剔除的原因在于相比于其他异常数据检测方法，该方法在识别和剔除异常数据方面性能表现优异，主要体现在两方面：①箱线图对样本数据的分布形式不做任何限制性要求，直接对实际样本数据进行处理，具有很强的抗差能力；②大多数异常检测方法是以均值和标准差作为判断异常值的基础，耐抗性极小，而箱线图判断异常值是以四分位数和四分位间距为基础，具有很好的耐抗性，不易受到极端异常值的干扰，识别异常值的结果更加客观[16-17]。

样本自动筛选的具体实现过程包括4部分内容：①利用成果数据中的分类信息，从各地类的矢量图层中随机选取一定数量的图斑，利用掩膜提取的方式获得图斑的栅格影像；②通过超像素分割处理影像，获得超像素作为初始样本，分别计算各地类初始样本的同质性纹理特征值；③分析各地类样本同质性特征值的箱线图分布情况，确定不同地类同质性特征值大小比较结果；④根据箱线图异常值检测原理：大于上界（Q3+1.5IQR）和小于下界（Q1-1.5IQR）的部分是异常值。其中，Q3是上四分位数，Q1是下四分位数，IQR是上四分位数和下四分位数的差距。结合各地类样本同质性特征值的大小比较结果，确定最终的异常值区间，剔除特征值异常的样本，在剩余样本中选择所需数量的样本作为最终的实验样本，保证选择的样本准确且具有代表性。

2.2.3 影像特征优选

在遥感变化检测和地物分类相关研究中，利用影像特征的差异识别和区分地物是最重要的内容。由于不同地物在不同影像特征上的差异程度不同，针对不同地物之间的区分，影像特征的选择尤为重要，对检测精度会产生较大的影响。为进一步提高耕地“非农化”监测的精度，本文方法利用已有成果数据获取地类特征先验信息，结合地类样本的分类实验结果，实现不同耕地变化类型的最优影像特征选择。

影像特征优选的具体实现主要可以分为三部分：（1）是利用“三调”成果数据的矢量类别信息，获得一定数量的不同地类样本，将异常样本剔除后，提取各地类样本的光谱、纹理特征；（2）分析各地类在光谱和纹理特征值上的分布情况，根据不同地类样本之间的影像特征差异，将差异明显的影像特征初步确定为最优的影像特征；（3）针对在光谱和纹理特征上差异都比较明显的地类，利用选择的地类样本进行分类实验，结合分类实验的结果，进一步确定不同耕地变化类型检测的最优影像特征，提高检测精度。

2.3 基于SVM分类的耕地变化检测

支持向量机（SVM）是在统计学习理论基础上发展起来的一种小样本机器学习方法，该方法适用性强、训练时间短、泛化性能好，在遥感影像分类和多源遥感影像数据信息融合等领域得到了有效应用。相比于其他分类算法，该方法能够有效降低模型估计和阈值选取时的不确定性，提高变化检测过程的可靠性[25]。因此，本文利用SVM分类算法检测耕地变化区域，实现步骤：①将自动筛选的样本分为训练集和测试集，比例大致为7：3，对SVM模型进行训练，采用网格搜索法自适应选择核函数中的最优惩罚系数C和径向基核函数参数;②选择不同的耕地变化类型的最优影像特征，利用训练好的SVM模型对待检测区域的超像素分割结果进行预测，根据预测结果检测耕地变化区域;③根据最小上图面积（400 m2）原则，剔除检测结果中未达到上图面积的耕地变化为园地、林地图斑，得到最终的检测结果。

成果数据在耕地变化检测中的引导作用主要体现在两方面，一方面是剔除异常样本，实现样本自动筛选；另一方面是实现不同变化类型检测的影像特征优选。

为验证本文方法的有效性，耕地变化检测的对比试验设置：将本文方法与无成果数据引导的耕地变化检测方法（方法一）进行比较，无成果数据引导的方法是指人工勾选样本、无影像特征优选，直接将光谱和纹理特征组合进行耕地变化检测的方法，将两种方法的检测精度进行比较，确定成果数据引导对于检测精度提高的重要性；为了探究样本自动筛选和影像特征优选对于检测精度提高的作用差异，另设置两组对比实验，方法二是人工勾选样本、有影像特征优选的方法，方法三是自动筛选样本、但无影像特征优选的方法，通过方法二、方法三与本文方法的检测精度对比，确定样本自动筛选和影像特征优选对检测精度影响差异。

2.4 精度评价方法

为了评定本文方法检测结果的准确性，本文选择错检率、漏检率和正确率3个指标进行精度评价。错检率是实际未变化、检测为变化的像元占检测变化像元的比例；漏检率是实际变化、检测为未变化的像元占实际变化像元的比例；正确率是检测结果和实际结果一致的像元占所有像元的比例。错检率和漏检率越低，正确率越高，说明检测结果的精度越高。

3 实验结果分析

选择两个实验区域进行实验，第一组实验数据为河北省盐山县2020年的BJ2遥感影像以及该县的“三调”成果数据，第二组实验数据为河北省黄骅市2020年的GF2遥感影像，影像数据的空间分辨率都为1 m，影像大小都为10241024像素，包含红、绿、蓝3个波段。

3.1 检测区域定位及超像素分割

根据“三调”成果数据中的耕地矢量范围，利用掩膜提取的方式获得实验区域的耕地范围影像，去除其他无关区域的影像，实现检测区域的快速定位，缩小检测范围。利用简单线性迭代聚类（simple linear iterative clustering, SLIC）超像素分割方法，设置超像素大小为20、迭代次数为15，对耕地范围影像进行分割，获得内部均一、同质性高的像斑。影像分割后，两组实验获取的检测区域内的有效像斑数目分别为1960和1598，见图2。

3.2 样本自动筛选和特征优选实验

利用成果数据的矢量边界和类别属性信息，结合待检测的耕地“非农化”类型，在耕地、园地、林地以及建设用地的矢量图层中随机选择一定数量的样本，通过掩膜提取获得对应的栅格影像，利用超像素分割的方式获得超像素作为初始样本，并计算分析各地类初始样本的同质性特征值。图3所示的是不同地类样本的同质性特征值的箱线图分布。分析图3可以得出，在3类样本中，耕地样本的同质性特征值整体上是最大的。

利用箱线图进行异常值分析时，一般认为大于上界（Q3+1.5IQR）和小于下界（Q1-1.5IQR）的值均为异常值。但结合3类样本的同质性特征值大小比较结果可知，同质性特征值大于上界的耕地样本是正常样本，同质性特征值小于下界的建设用地、园地和林地样本是正常样本。确定好异常值范围后，剔除异常样本，实现样本自动筛选，选择所需数量的每类实验样本，其中训练样本和测试样本的比例为7：3。

提取分析不同地类样本的光谱和纹理特征，分析耕地与其他地类在不同影像特征上的差异程度，结合不同地类样本的分类实验精度，确定不同耕地变化类型的最优影像特征。图4（a）、（b）、（c）分别是不同地类红、绿、蓝波段光谱均值分布箱线图，图5（a）、（b）、（c）、（d）分别是不同地类四种纹理特征值分布箱线图，表1所示的是利用不同影像特征对不同地物分类精度比较结果。通过分析图4、图5和表1可以看出，耕地和园地、林地在光谱特征上较为相似，而在纹理特征上差异较大；耕地和建设用地在光谱和纹理特征上的差异都比较大，但单独利用光谱特征比光谱和纹理特征组合起来的分类精度更高。因此，耕地变化为建设用地区域的检测选择光谱特征，耕地变化为园地、林地区域的检测选择纹理特征。

3.3 耕地变化区域检测实验

利用自动筛选得到的样本对SVM模型进行训练，用训练好的模型对待检测区域的超像素分割结果进行变化检测，首先将3个波段上光谱均值作为光谱特征值，检测耕地变化为建设用地的区域；再将ASM、CON、ENT和HOM作为纹理特征值，检测耕地变化为园地和林地的区域。最后根据最小上图面积原则，去除未达到上图面积（面积400 m2）的耕地变化为园地、林地区域，得到最终的检测结果。

图 6和图7（a）是人工目视解译得到的变化检测结果的矢量与影像叠加图，图 6和图7（b）是通过人工目视解译得到的标准变化结果，将其作为真值。

分析图6和图7可以得知，利用本文方法进行耕地变化检测的效果最好，很多变化的像斑均能被准确识别出来，未变化的图斑也能被正确判别。检测结果中变化区域的边界是不规则的，与目视解译得到的结果在边界上存在偏差，这是由于超像素分割后像斑边界的不规则性造成的。对比图6和图7（b）、图7（d）两组结果可知，无成果数据引导的方法会出现较多漏检和错检的情况，说明了成果数据引导能够有效提高检测结果的精度。

为定量分析不同方法的检测结果，利用误检率、错检率和正确率指标对四种方法的变化检测结果进行精度评价，两组实验中不同耕地变化类型的具体检测精度评价结果分别如表2和表3所示。

综合分析两组实验的结果，可以得出以下结论：

1）本文方法在已有数据的引导下进行耕地变化检测，能够有效降低错检率和漏检率，准确检测耕地变化区域，整体正确率均达到97%以上。两组实验中，本文方法比无成果数据引导的方法在精度上分别提升了4.42%和1.49%。

2）样本自动筛选和影像特征优选对检测结果精度的影响存在差异。相比于样本自动筛选，影像特征优选对检测结果精度的影响更为明显，在第一组实验结果中尤为明显。人工勾选样本、有影像特征优选的方法（方法二）检测结果的精度为94.64%，相比于本文方法精度降低了2.39%；而样本自动筛选、无影像特征优选的方法（方法三）的精度为88.97%，相比于本文方法精度降低了8.06%，对检测精度降低的影响程度相差了5.67%，说明利用成果数据引导进行影像特征优选对检测精度的提高作用更大。

3）不同方法对不同耕地变化类型检测精度的影响也存在差异。无样本自动筛选主要导致耕地变化为建设用地区域的错检率和耕地变化为园地、林地区域的漏检率增加；而无影像特征优选会导致两种类型的错检率和漏检率都增加，在耕地变化为建设用地区域的检测上体现得更加明显，存在严重错检的情况。

4 结束语

耕地“非农化”监测是国家自然资源调查监测中的重要内容，本文采用前时相矢量数据与后时相遥感影像结合的方法，利用已有“三调”成果数据引导变化检测过程中的样本自动筛选和影像特征优选，有效实现了耕地“非农化”区域的检测，为耕地“非农化”遥感监测提供了新的思路和方法。实验结果表明，在耕地变化检测过程中，对已有成果数据的先验信息进行抽取、在变化检测过程中加以应用，能够有效提高检测结果的精度，有力证明了已有成果数据引导的重要性。但本文研究中还存在一定的问题主要体现在两方面：一是选取的实验区域面积较小、样本数量有限，大面积区域的检测效果还需进一步验证；二是选择的两块实验区域都位于河北省，且都是平原区，本文方法在不同方位、地形的其他地区是否适用也需要通过以后的实验进行确定。因此，在未来的研究中，需要通过实验进一步验证大面积区域的检测精度以及本文方法在其他地区的通用性。此外，在实际应用中，一些典型区域（如大面积的果园种植区）中需要对园地和林地进行更具体的细分，而利用现有的影像特征实现二者的区分是十分困难的，需要考虑如何引入其他特征对二者进行区分，以实现耕地“非农化”的精准、精细监测。

（原文有删减）

基金项目：自然资源部华南热带亚热带自然资源监测重点实验室开放基金课题项目(2022NRMZ01)；国土空间规划专项监测与分析项目（A2113）

作者简介：李刚( 1996— )，男，河南驻马店人，硕士研究生，主要研究方向为自然资源监测。

E-mail: [e-mail]

通信作者：宁晓刚 研究员 E-mail: [e-mail]

引用格式：李刚,宁晓刚,张翰超,王浩,郝铭辉.“三调”成果数据引导的耕地“非农化”遥感监测[J].测绘科学,2022,47(07):149-159.DOI:10.16251/j.cnki.1009-2307.2022.07.020.

- END -