摘要
耕地是人类生存与发展的重要资源，耕地资源的合理利用对于维护粮食安全、保障国家经济和社会稳定运行具有重要作用，对于中国这样的人口大国而言，耕地保护的意义更为重大。随着工业化和城市化的不断推进，耕地非农化问题日渐突出，如何利用现有技术和数据快速有效地识别并遏制耕地非农化是当前耕地保护和维护国家粮食安全的重中之重。因此，本文在对相关研究进行梳理分析后，以云南省安宁市为研究对象，对该区域耕地进行了非农化提取的相关研究。 本文利用“吉林一号”高分辨率卫星遥感影像和第三次全国国土调查结果构建数据集，并使用深度学习和面向对象的方法在高分辨率遥感影像上进行土地分类实验，根据实验结果选取效果最好的模型与方法对研究区内非农化耕地进行提取。主要研究成果如下: （1）首先建立了适用于本研究的土地分类体系，然后使用目视解译的方法构建用于深度学习的训练样本，并对样本进行了评价，最后利用该样本训练出的分类模型总体精度为79.78％，Kappa系数为0.739。 （2）由于目视解译构建的样本内部差异较大，导致其训练出来的模型分类效果较差。为了解决这一问题本文选择了一种可以增加样本特征并能够规避主观干扰的样本构建方法。首先在ENVI中对实验区域的影像进行分割，然后将分割结果赋予纹理均值、光谱均值、纹理方差、紧实度和外观等属性并与波段信息组合之后生成18个特征，最后使用非监督分类的方法对分割结果进行分类并提纯，从而构建出一套分类样本。相比于目视解译建立的样本，通过非监督分类建立的样本较好地解决了“同物异谱”的问题，纯净度更高，由此样本训练出的深度学习模型总体精度为90.1％,Kappa系数为0.87。 （3）为了对比深度学习与传统方法在分类效果上的差异，本文又选取了面向对象的方法对实验区域进行地物提取实验，最终的总体分类精度为75.67％,Kappa系数为0.713。 （4）对比三种分类方法可以发现，基于非监督分类样本的深度学习总体精度和Kappa系数最高，其建筑物及道路的制图精度为86.87％,用户精度为96.73％,也高于另外两种方法。因此本文选择基于非监督分类样本的深度学习模型对研究区的耕地非农化信息进行了提取，最终结果显示2019年底至2022年2月安宁市耕地非农化面积为264.979公顷。通过分析发现安宁市的耕地非农化有以下特点:耕地非农化现象以城镇周边居多并且建筑物的占用面积大于道路;耕地非农化现象主要发生在交通较为便利的道路沿线，从地形上看主要位于平原与谷地之中;大棚可以作为耕地非农化识别的重要线索，因为房屋和道路常作为配套设施与大棚共存。
NETL