摘要
关系十四亿人生活的最宝贵的资源—耕地，是国家粮食安全的重要基础。“十四五”规划指出:需要“坚守非常严苛的耕地保护制度”、“并坚定不移的遏制耕地发生‘非农化’的问题，有效预防‘非粮化’情况的出现。耕地“非农化”明确来讲就是在耕地范围内从事非农业的行为，具体包括:挖塘养鱼、建设人工表面、撂荒限制、建设林地（果园）、采矿、取土等行为。 遥感技术因其宏观的特点适合进行耕地资源利用及其变化监测，但是，传统的耕地利用监测主要利用人工目视解译的方法进行勾绘提取，费时费力，效率低下。因此本文提出一种基于遥感与深度森林的耕地非农化自动监测方法，实现耕地范围内水体、人工表面、裸地、林地等土地覆被类型的监测;针对现有自动分类方法对样本高度依赖的问题，提出利用迁移学习方法实现样本缺失年份的非农化监测，减轻模型对年际间样本点的依赖性。本文将以上方法在枣庄高新区进行实验，并尝试分析影响非农化行为的影响因素，主要结论如下: 本文选取枣庄高新区作为研究对象，利用深度森林与迁移学习方法，构建非农化监测模型，通过深度森林的优化算法，提取了多年度耕地非农化数据的空间分布，通过多元回归模型分析了主要驱动因素对耕地变化的影响，综合分析了高新区从2009年到2021年的耕地分布变化情况。论文研究主要结论如下: （1）深度森林模型相比于随机森林和卷积神经网络，具有强大的表征学习能力、较少的超参数、模型结构的可解释性以及较小的计算开销等特点，适合处理大规模数据。本项研究以深度森林应用框架为基础，选择了包含多种植被指数在内的特征，并通过网格搜索策略和K-折交叉验证（K-CV）进行模型参数的优化，在“三调”耕地掩膜的范围内进行地物分类，区分非农化行为产生的地表覆盖:水体、种树、果园、建筑、水体等的监测，实现耕地非农化的监测，平均精度达到87％。 （2）为了解决样本点缺失对非农化监测的限制问题，本文提出一种基于迁移学习的非农化监测方法，在实验过程中，我们采用了多源地物判别模型和集成学习的方法，有效地提高了分类的精度和稳定性。实验结果表明，本文提出的基于迁移学习的耕地非农化监测方法能够准确地进行年际间的遥感影像地物分类，识别准确率最高的为裸露地，准确率为88.00％,作物的识别准确率为87.83％,识别的总体精度为85.30％。这种方法大大减少了识别区域对当年样本采集的需求，提高了算法的迁移能力，使得遥感监测识别算法具有了更广泛的应用潜力。 （3）采用因子分析和多元线性回归方法构建耕地非农化驱动力模型，选取2009至2021年耕地非农化数据集进行模型分析，同时对2009-2021年耕地变化分布进行时序验证，探究枣庄高新区非农化驱动的主要影响因素。研究发现:经济类因素是枣庄高新区耕地非农化的主要驱动因素。特别是土地流转的价值导致的群众种植意愿降低。不同类型的耕地发生非农化行为的概率不同。地方政策可以影响耕地的非农化现象，在2022年期间通过政府行为干涉，实现了部分耕地的转入。
NETL