摘要
耕地是人类生存发展所需要的重要资源，耕地信息数据准确、实时提取对人们的生存发展、土地信息的实时监控有着重要意义。目前的精准耕地数据获取方法主要是通过利用大量的人工对高分辨率遥感图像进行目视解译绘制获取，而这种方法尽管相对精确，但也相当花费时间成本，信息数据提取周期也比较长，导致提取结果利用价值降低。随着遥感技术和计算机知识的进步，耕地信息自动化提取得到发展，但针对山区耕地的复杂性，传统的自动化耕地提取方法也难以将耕地准确识别。本文尝试借助地形信息对山区耕地的视觉特征和分布特征进行分析，结合分区分层思想，对研究区进行分区分层处理，针对不同区层的特点，分别采用不同的提取方案提取研究区耕地，主要研究成果如下： （1）本文在进行研究区耕地信息提取之前，参考研究区DEM数据，结合高分辨率遥感影像，从研究区高程、坡度、曲率、坡向和水文条件5个方面对研究区耕地在遥感影像上的视觉特征和分布特点进行分析，找出研究区耕地在地形上的分异规律。 （2）在对研究区地形条件分析的基础上，结合分区分层思想，利用坡度数据将研究区划分为平坝区和山地区两个区域，并根据耕地的分布特征，进一步将这两个区划分为平坝区的规则耕地层、山地区的12~25°坡度层和25°以上坡度层3个耕地层。 （3）针对划分好的3个区层，平坝区的规则耕地层采用256×256像素大小的样本作为该区域样本训练U-Net模型；山地区采用缩小样本采集尺度的方法，将每张256×256像素大小的样本图像划分为4张128×128像素大小的图像，用128×128像素大小窗口进行U-Net模型训练和耕地提取；并将山地区的初步提取结果与坡度大于25°的图层进行叠加判断，得到山地型耕地。最后对不同区层提取到的耕地进行融合，得到完整的耕地提取成果。 （4）将分区分层方法提取结果与基于U-Net方法提取得到的耕地结果进行定性和定量评价，在细节上，基于U-Net方法在稀疏植被覆盖区域和耕地暂时闲置区域提取效果不理想，而基于分区分层方法，因其模型训练对研究区有更好的适应性，得到的提取效果更好。从分类精度来看，分区分层方法对研究区提取 Kappa系数为 0.9161 ， IoU为 0.8951；基于 U-Net方法对研究区提取Kappa系数为0.8435，IoU为0.8137。分区分层方法对耕地信息的提取精度优于基于U-Net方法提取精度，其中Kappa系数比基于U-Net方法高0.0726；IoU比基于U-Net方法高0.0814，这些精度指标的提升，说明分区分层方法具有较为明显的优势。
NETL