摘要
为了治理黄土高原水土流失，国家实施了一系列水土保持措施，其中包括坡改梯措施。梯田作为黄上高原地区重要的一项水上保持措施，具有高效的保水、保土和保肥作用，对防治水土流失具有重要意义。传统梯田统计方法速度慢且精度低，亟需提出一种快速有效的梯田提取方法，科学准确的评估梯田对土壤侵蚀量估算的影响，为黄土高原水土保持工作和生态环境建设提供数据依据。 本文以延河流域为研究区，基于高分一号数据(GF-1)，分别采用深度学习法和面向对象分类法提取梯田信息，综合利用GIS、RS、RUSLE模型等技术方法，定量评价梯田的水土保持作用。主要研究结果如下: (1)基于深度卷积神经网络模型探讨了主干特征网络及损失函数最优提取梯田信息的策略组合。结果表明在PSPNet模型下利用ResNet50主干网络和Lovasz-Softrnax损失函数提取梯田效果最优。ResNet50主干网络在训练集、验证集和测试集平均交并比分别比Mobilenet主干网络提高了6.19％、5.51％和13.35％，精度分别提高了5.67％、5.36％和12.37％。ResNet50主干网络提取精度明显优于Mobilenet主干网络。基于ResNet50主干网络分别与Log-softmax、CrossEntropyLoss和Lovasz-Softmax三种损失函数组合，结果表明利用Lovasz-Softmax损失函数在测试集平均交并比分别比Log-softmax和CrossEntropyLoss损失函数高6.23％和3.41％，精度分别提高了2.73％和2.12％。 (2)比较了深度学习方法和面向对象分类法提取梯出边界的精度，结果表明深度学习方法在提取梯田边界时精度更高。基于梯田的光谱、纹理、形态等特征，构建梯田的分类规则，其提取梯田边界的正判率和平均交并比分别为81.25％和78.31％;基于PSPNet模型在梯田信息提取时的正判率和平均交并比相对面向对象分类法分别提高了9.00％和9.01％。因此，利用深度学习方法提取梯田信息更准确。 (3)使用深度学习最优策略组合提取了延河流域梯田信息，定量分析了不同分类结果下梯田对土壤侵蚀量估算的影响。2015年延河流域梯田面积约307.56km2。利用RUSLE模型定量估算梯山在减少土壤侵蚀量的贡献，结果表明2015年延河流域未考虑梯田的情况下土壤侵蚀量为76.84×106t，考虑梯田作用后的土壤侵蚀量为69.77×106t，梯田信息影响了约9.20％的土壤侵蚀量;考虑梯田后，微度侵蚀、轻度侵蚀和中度侵蚀面积占比分别增加了0.08％、2.36％和1.03％，强烈侵蚀、极强烈侵蚀以及剧烈侵蚀的面积占比分别减少了0.05％、0.83％和2.69％，梯田的建设可以有效减少土壤侵蚀量。此外，计算了不同分类精度对土壤侵蚀量估算的影响。基于深度学习提取的梯田信息与面向对象分类法提取的梯田信息评估的土壤侵蚀量差异达3.29×104t，因此，准确提取梯田信息对评估延河流域的土壤侵蚀情况有着重要影响。
NETL