多源遥感协同的西南山地区耕地信息提取方法研究
多源遥感协同的西南山地区耕地信息提取方法研究
本文针对我国西南山地的地形，提出了分区控制、分层提取、时序优化的耕地信息提取思路，结合了多时相 SAR 数据构建地块级时序特征，剔除获得结果中的非耕地类型，进一步优化提取结果。
1. 本文贡献
本文针对我国西南山地的地形，提出了分区控制、分层提取、时序优化的耕地信息提取思路，结合了多时相 SAR 数据构建地块级时序特征，剔除获得结果中的非耕地类型，进一步优化提取结果。
2. 研究技术
本文结合了高空间分辨率的Google Earth 卫星影像和卷积神经网络技术实现地理分区分层的耕地形态特征提取方法，并结合高时间分辨率的 Sentinel-1A 雷达时序数据和循环神经网络技术来实现耦合遥感时序特征的耕地类型判别优化方法。具体的工作流程技术路线如下图所示：
3. 基于分区分层思想的耕地提取框架
该方法主要包含三个部分：
- 1）结构分解过程：首先在一个复杂的地表中建立一个自顶向下的分区分层体系，保证每个地理区块内的地形条件相对一致。并在区块内部将复杂多样的山区耕地逐级划分成几种相对一致的亚类型，将耕地提取的过程限定在每个地理区块内。
- 2）解析重组过程：根据每种亚类型耕地所呈现的视觉特征，分别选取并改进合适的深度学习模型分层提取各类型的耕地。然后将多个耕地亚类型的提取结果进行融合与后处理，得到初步的耕地提取结果图。
- 3）耕地利用类型的判别过程：在上述所提取地块基础上，采用多时相遥感影像数据构建地块级时序特征，借助循环神经网络技术，构建序列数据分类模型，由土地覆盖变化反推土地利用类型，在时间维度上确定耕地/非耕地类型，最终获取精准的耕地空间分布图。
3. 地理分区分层的耕作地块形态特征提取
本文以Google Earth卫星高分遥感影像作为数据源，基于地理空间异质性特征，提出了分区控制、分层提取的地块形态信息提取思路，构建了一种地貌单元约束条件下的分区分层地块形态信息的提取方法。
3.1 耕地分区特征分析
本文针对西南山地的复杂地表系统，主要利用道路/水系/地形线等条形状要素，通过切割的方式把地表划分为若干个分区，每个区块内的地形条件相对一致。且提取过程只限定在区块之内。
3.2 耕地分层特征分析
本文根据高分遥感影像上耕地的几何特征和纹理特征，将其划分为四种类型，分别为：平坝区的规则耕地、山坡区的梯田和坡耕地以及林草地中零散分布的林间耕地。
3.3 基于分区分层特征的耕地提取模型
本文根据四种类型耕地的特点，分别选择和设计针对性的深度学习提取模型：
- 1）对于规则耕地，本文采用RCF网络进行提取，该网络可以进行端到端的边缘预测；
- 2）对于梯田，本文采用改进的 RCF 网络进行提取，通过去除第三层的池化来加强对更为精细边缘线的提取与生成，因而可以捕获更多的边缘特征，最后，再通过数学形态学处理方法和自适应对象生成算法来得到耕作地块；
- 3）对于坡耕地，本文采用D_LinkNet网络的语义分割模型提取坡地耕地信息；
- 4）对于林间耕地，本文也是先利用D_LinkNet网络在语义上通过大尺度分割将林间耕地与林草地进行区分，获得潜在的耕地，再在分割图斑的基础上，针对大量零散图斑，利用时序特征对其进行耕地类型的判别。
3.3 基于高分影像的耕地形态信息分区分层提取方法
本文设计了基于分区分层思想实现山地耕地提取的流程，其关键在于在地块尺度上对每一种耕地的形态特征分别设计机器学习算法进行解析与提取，再对每一块耕地优化重组，形成完整的耕地制图工作。具体的耕地提取技术路线：
- 1）分区控制：首先要根据分区系统和山区地形特点，将实验区划分为平坝区和山地区；
- 2）样本制作：分别在平坝区和山坡区中选择典型规则耕地与典型的梯田、坡耕地、林间耕地进行样本制作，得到用于耕地提取的四种类型样本集；
- 3）深度学习模型训练：使用制作好的样本集，分别采用RCF 模型和D_LinkNet 模型进行模型训练，并分别得到规则耕地、梯田、坡耕地和林间耕地四种提取模型；
- 4）耕地提取与后处理：分别用训练好的模型依次提取耕地，先提取规则耕地，再用所提取的规则耕地作为掩膜后提取梯田，接着以所提取的规则耕地和梯田作为新的掩膜提取坡耕地，进而再以前三个提取结果作为掩膜提取林间耕地；
最终将上述得到的四种类型耕地分布图叠加，得到最终完整的耕地空间分布图。
4. 耦合遥感时序特征的耕地类型判别优化
时序影像可以反映地表地物的时间序列特征，可以依据不同类型地物时间行为的差异性来进一步区分地块的耕地/非耕地类型。
SAR 数据具有全天候数据采集的优势，在多云多雨地区的遥感监测中显示出巨大的潜力。因此本节将通过对农作物的SAR 散射机制总结的基础上，对耕地覆盖类型的SAR 时序特征进行进一步分析，从而为地块级 SAR 时序特征分类提供支持。
对于每个 SAR 图像，本文将地块内部像素的平均值视为该地块的特征值。最终从 S1A 数据集中为每个地块构建了五个时间序列曲线，包括两个线性极化（VV，VH）和三个极化分解参数（H，A 和 alpha）。这种计算地块内像素平均值的方法还有助于减弱 SAR 数据的斑点效应的影响。实地采样数据数据也以这种方式处理以生成训练样本。