基于地块尺度的耕地集约利用与环境压力关系——以塔里木河流域780个地块为例

为了揭示耕地高效利用与此过程中所产生的环境压力的关系,基于农户抽样问卷调查,利用集约度与环境负荷率指标,分析了塔里木河流域780个耕地地块集约利用与环境压力的关系。结果表明：（1）75.90%的地块集约度小于1元.m 2,环境负荷率随集约度的增长而明显增加;18.60%的地块集约度在1~1.5元.m 2之间,环境负荷率的增长小于集约度的增长,在小幅波动的基础上保持较为平稳的趋势;5.50%的地块集约度大于1.5元.m 2,环境负荷率随集约度的增高反而呈降低趋势。（2）耕地投入结构的差异导致耕地环境压力的不同变化趋势,不可更新工业能的投入比重增加会导致环境负荷率增大,但是在增加不可更新工业能的同时加大可更新人工辅助能的投入可以抑制环境负荷率的升高。（3）作物种植类型与地块规模也在一定程度影响到耕地环境负荷的变化,小麦与林果任何规模的地块环境负荷率都随集约度增长而增大;小规模植棉地块,环境负荷率随着集约度的增大而增强,0.33 hm2以上的大地块棉田,环境负荷率随着集约度的增长特征没有小地块明显;小地块瓜地集约度基本保持一致,环境负荷率变化也较少,而大规模瓜地环境负荷率随着集约度增加有所增大。

基于高精度历史耕地地块的农区多光谱影像分割方法研究

与传统的基于像元的影像分类方法相比,面向对象的分类方法能够提供更为准确的地类识别结果。对象作为信息提取过程的中间实体,对其划分的好坏直接关系到影像的分类精度。为了更准确地对农区多光谱影像进行分类,提出了一种基于高精度历史耕地地块数据的影像分割方法。该方法首先判定现势遥感图像上耕地地块的均质性,然后通过计算区域对比度指标指导局部最优参数的动态选择,最终获得影像的分割结果。基于农区的案例研究表明:①在相同的全局分割参数条件下,基于高精度历史耕地地块数据的影像分割方法能够在保持稳定的耕地地块边界的同时,获得比直接影像分割更均一的对象;②局部参数的应用使得影像"欠分割"和"过分割"现象基本消除,分割结果较使用全局参数的分割结果更为合理;③局部最优分割参数的自动选取,极大地增强了该方法的客观性;④区域对比度指标对"欠分割"和"过分割"现象十分敏感,能够较好地指导影像分割,为评价农区影像分割的优劣提供了有效的评价指标。

深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法

耕地是丘陵山区稀缺的土地资源,具有地形条件复杂、种植结构多样的特点,导致了山地耕地信息难以快速、准确获取,并且基于传统的遥感数据及遥感监测方法开展山区耕地信息快速自动提取比较困难。针对这一问题,本文以西南山区贵州省息烽县作为试验区,根据地理空间异质性特征,提出分区控制、分层提取的耕地形态信息提取思路,构建了一种地貌单元约束条件下的分区分层耕地形态信息的提取方法。该方法首先根据地貌-植被特征将试验区划分为平坝区、山坡区、林草区3类地理分区;然后在每类分区基础上,根据耕地所呈现的视觉特征划分为不同的类型,对不同类型的耕地分别设计不同的深度学习模型进行分层提取。试验结果证明,该方法对山区复杂地形背景噪声具有较好的抑制作用,所提取的耕地地块信息相比于传统方法更符合实际耕地的实际分布形态,有效地减少了漏提率和错提率。

基于地块尺度的重庆山区耕地撂荒风险研究

城乡劳动力转移背景下耕地撂荒风险的研究是土地利用覆被变化的重要组成部分,辨明耕地撂荒的风险与发展趋势是预测耕地未来发展的重要依据。本文选择重庆市石柱、巫山和酉阳3县作为研究区,基于地块尺度对山区耕地撂荒现象的特点与影响因素的调查分析,确定经验模型,评估现有耕地(尚未撂荒的)未来撂荒的风险大小。结果表明,2011年重庆市3县耕地地块为21.71万个,处于低、中、高三级撂荒风险水平的耕地面积依次为6.3万hm^2、13.2万hm^2和5.8万hm^2,比例分别为25%、52%和23%。通过对比村级尺度撂荒风险耕地分布图、高程图与坡度图发现,高撂荒风险的耕地主要集中分布在海拔高且坡度陡的地区。

地块尺度的山区耕地精准提取方法

山地丘陵区域耕地资源稀缺,耕地碎片化现象严重,耕地地块细小狭窄且结构复杂,导致了地块级别的耕地信息难以快速、精准获取,阻碍了基于高分辨率遥感影像的精准数字农业服务在山地丘陵地区的应用。现有基于边缘检测/语义分割的耕地提取方法忽略了地块的结构化特征,对于狭长地块提取效果不佳,存在边界模糊问题。针对上述问题,该研究以西南山区湖南省邵东县为研究区,提出一种面向地块尺度的山区耕地遥感影像高精度提取方法。该研究模型主要有以下特征:1)将耕地边缘作为独立于耕地地块外的新类别,使得语义分割能够更好地区分耕地地块边缘和内部区域;2)级联语义分割网络和边缘检测网络,实现耕地边缘线特征和面特征的融合,使耕地边缘特征强化,提高耕地地块边缘检测精度;3)针对高分影像中耕地边缘像素远少于耕地内部像素问题,借助聚焦训练方法,使模型在训练过程中更加关注边缘像素,提高边缘检测精度。试验结果证明,该研究提出的方法在测试集上分类准确率和交并比分别为92.91%和82.84%,相比基准方法分别提升4.28个百分点和8.01个百分点。该研究所提取的耕地地块相比于现有方法更符合耕地的实际分布形态,为地块尺度的耕地信息精准提取提供了实用化方法。

基于深度卷积网络和分水岭分割的耕地地块识别方法

耕地地块作为精准农业的重要支撑,现有地块边界大多依靠人工勾绘。随着遥感技术的发展,基于遥感影像自动提取耕地地块成为研究主要方向,其中基于深度学习的方法能够克服传统检测方法难以适应复杂场景的局限而被广泛使用,但现有检测方法仍存在问题,基于深度卷积模型直接识别耕地区域会丢失内部边界、而基于边缘检测模型识别耕地边界时则会同时得到大量无关边界;此外,现有的基于阈值提取地块的策略所提取的地块不够规整,存在内陷的问题。针对上述问题,本研究提出一种基于深度卷积网络和分水岭分割的耕地地块提取方法,从信息检测和地块提取两方面进行改进:(1)将耕地边界视作一种地物类别,在深度卷积网络中进行类别概率检测,帮助实现对耕地边界的语义识别。(2)基于改进后的D-LinknetXt网络进行检测,其网络架构适合于对耕地边界这类线性目标的提取,同时更换原始D-Linknet网络的残差单元,帮助提高了网络的特征提取能力。(3)基于分水岭分割对耕地地块进行提取,利用了区域分割方法获取边界的封闭性,并且这种以区域为单元进行分割并合并的方式,解决了原有方法在像元尺度上基于阈值提取所遇到的提取地块存在内陷的问题,使地块更规整准确。在一景高分二号影像上进行检验,并设计两类精度指标,从全局边界精度和地块几何精度两方面进行方法性能评估。实验结果表明,本方法的精度优于3种对比方法,在代表边界精度的F1分数上达到了0.933,地块几何精度为0.829。本研究所提出的方法能够更加准确的对耕地地块进行提取,并适用于实际应用中。

时空协同的农业种植结构遥感精细制图

农业是国民经济的重要组成成分,精准地掌握农作物种植结构信息是精细化农业应用的基础。本文挖掘不同源遥感数据的时空特征互补优势,设计了一种时空协同的农业种植结构遥感制图方法,考虑将高空间分辨率遥感影像提取的耕地地块作为基本单元,再结合高时间分辨率遥感影像的光谱时序信息,在深度学习技术支持下实现地块尺度的作物分类识别和种植结构精准制图,进而可分析主要作物的空间分布特征。宁夏引黄灌区的试验案例结果表明:(1)本实验共获取研究区耕地地块149万个,总面积约54万ha,总体分类精度为0.80;(2)相比于利用传统的制图单元和机器学习方法,基于RCF网络从高分影像上获取的耕地地块形态信息更准确,与实际农业耕作管理单元更匹配,基于Bi-LSTM网络进行作物分类能够将时间序列特征的上下文信息考虑在内,且能保证更高的分类识别精度;(3)玉米、水稻、小麦和蔬菜是研究区的主要作物,其中玉米是种植面积最大的优势作物,空间分布最为广泛,菜地主要集中分布在永宁县和青铜峡市,水稻集中分布在灌溉便利的区域,而小麦大规模种植面积较少,其中小麦夏季收割后种植其他作物的情况主要集中于青铜峡灌区,且复种指数呈现由南向北逐渐降低的趋势。