基于深度学习的耕地非农化遥感监测与时空分析——以开阳县为例

doi:10.13474/j.cnki.11-2246.2024.0303

摘要/Abstract

摘要： 如何快速发现耕地非农化违法行为,并了解其空间分布和变化过程是从根本上减少耕地非农化行为的核心问题。基于多时相遥感影像数据,本文建立了一套耕地非农化监测指标体系和具有本地地形、地物特征的样本库,利用深度学习技术搭建遥感变化检测模型,将其应用于开阳县耕地非农化的时序化监测中。在此基础上,运用核密度估算法分析探讨区域耕地非农化的时空分布特征。应用结果表明,将卫星遥感与深度学习技术相结合,可实现大范围内耕地非农化的快速动态监测,开阳县2021年4月—2022年12月监测到的新增违法非农化行为整体呈下降态势,但存在局部聚集区域,且违法数量的高低表现出较为明显的季节特征。

关键词: 遥感影像, 耕地, 非农化, 深度学习, 核密度估算

Abstract: How to quickly detect illegal cultivated land non-agriculturalization and understand its spatial distribution and change process is a central issue of fundamentally reducing cultivated land non-agriculturalization.Based on multi-temporal remote sensing image,a monitoring index system for land non-agriculturalization and a sample database with local topographic features are established.A remote sensing change detection model is established using deep learning technology,and applied to the temporal monitoring of land non-agriculturalization in Kaiyang county.On this basis,the spatial and temporal distribution characteristics of regional land non-agriculturalization are discussed using kernel density estimation spatial analysis method.The results show that the combination of satellite remote sensing and deep learning technology can achieve rapid and dynamic monitoring of land non-agriculturalization in a large range.The overall trend of new illegal land non-agriculturalization activities monitored in Kaiyang county from April 2021 to December 2022 is decreasing,but there are local aggregation areas and the number of illegal activities shows relatively obvious seasonal characteristics.

Key words: remote sensing images, cultivated land, non-agriculturalization, deep leaming, kernel density estimation

中图分类号:

P237

张兰兰, 王红雷. 基于深度学习的耕地非农化遥感监测与时空分析——以开阳县为例[J]. 测绘通报, 2024, 0(3): 13-18.

ZHANG Lanlan, WANG Honglei. Non-agricultural monitoring and spatio-temporal analysis study of cultivated land based on deep learning method:a case study of Kaiyang county[J]. Bulletin of Surveying and Mapping, 2024, 0(3): 13-18.

参考文献

[1] 傅泽强,蔡运龙,杨友孝,等.中国粮食安全与耕地资源变化的相关分析[J].自然资源学报,2001,16(4):313-319.
[2] 袁承程,张定祥,刘黎明,等.近10年中国耕地变化的区域特征及演变态势[J].农业工程学报,2021,37(1):267-278.
[3] 国务院第三次全国国土调查领导小组办公室.自然资源部国家统计局.第三次全国国土调查主要数据公报[N].人民日报,2021-08-27(017).
[4] 国务院办公厅关于坚决制止耕地"非农化"行为的通知[EB/OL].2020-09-15.http://www.gov.cn/zhengce/content/202009/15/content_5543645.htm.
[5] 眭海刚,冯文卿,李文卓,等.多时相遥感影像变化检测方法综述[J].武汉大学学报(信息科学版),2018,43(12):1885-1898.
[6] 林晓萍.基于国产卫星影像的自然资源动态监测[J].测绘通报,2020(11):28-32.
[7] 林晓萍.基于深度学习的耕地新增建房监测研究[J].地理空间信息,2021,19(11):88-91.
[8] 王蕾,杨武年,任金铜,等.GF-2影像面向对象典型城区地物提取方法[J].测绘通报,2018(1):138-142.
[9] 陈文倩,丁建丽,李艳华,等.基于国产GF-1遥感影像的水体提取方法[J].资源科学,2015,37(6):1166-1172.
[10] 厉芳婷,张过,石婷婷,等.耕地"非农化"遥感解译样本分类体系及应用[J].农业工程学报,2022,38(15):297-304.
[11] 耿欣,雷丽珍,花卉,等.基于深度学习方法的耕地违建自动提取[J].地理空间信息,2022,20(3):18-24.
[12] 李悦,张敏.面向对象的高分辨率遥感影像建设用地变化监测[J].测绘通报,2021(2):54-58.
[13] 高鸣,周鑫鑫,刘琦,等.深度学习网络支持下的农房侵占耕地自动化监测[J].测绘通报,2022(3):47-53.
[14] 夏照亮,兰安军,范泽孟,等.贵州省耕地非农化的空间格局特征与迁移路径[J].中国农业资源与区划,2023,44(9):159-170.
[15] 李丹,王帅,周嘉,等.黑龙江省耕地非农化的空间格局演变特征研究[J].湖南师范大学自然科学学报,2022,45(6):81-89.
[16] 李宏鹏,田达睿,谭静斌.延安市2000-2020年耕地非农化时空格局演变及其影响因素[J].水土保持通报,2022,42(4):330-337.
[17] 石婷婷,戴腾,厉芳婷,等.基于深度学习的耕地"非农化"遥感监测初探[J].地理空间信息,2022,20(3):34-37.
[18] 郑思宇,胡华浪,黄进,等.双通道孪生网络在遥感变化检测中的应用[J].计算机系统应用,2022,31(3):56-64.
[19] VARGHESE A,GUBBI J,RAMASWAMY A,et al.ChangeNet:a deep learning architecture for visual change detection[M]//Lecture Notes in Computer Science.Cham:Springer International Publishing,2019:129-145.
[20] 员永生,常庆瑞,杨为民.一种快速非参数核密度模型及其应用[J].兰州大学学报(自然科学版),2009,45(2):132-137.
[21] 蔡为民,肖婷,毕芳英,等.基于核密度估算的大都市耕地数量空间分布特征分析:以天津市为例[J].中国农业资源与区划,2019,40(1):152-160.