一、項目背景

按照國務院辦公廳《關于防止耕地“非糧化”穩(wěn)定糧食生產的意見》（國辦發(fā)〔2020〕44號）和天津市農業(yè)農村委員會、市規(guī)劃和自然資源局《關于印發(fā)<天津市防止耕地“非糧化”穩(wěn)定糧食生產工作方案>的通知》（津農委〔2020〕40號）要求，天津市開展主要糧食作物種植情況以及糧食生產功能區(qū)動態(tài)監(jiān)測工作，形成天津市主糧種植區(qū)域空間分布矢量數(shù)據(jù)，以及識別本年度糧食功能區(qū)內主糧應種未種地塊，切實加強對種植農作物情況的監(jiān)管。

2022年1月，天津測繪院聯(lián)合武漢大學共同設立《耕地“非農化”、“非糧化”智能遙感解譯關鍵技術研究》課題，專題研究耕地“非農化”、“非糧化”遙感監(jiān)測技術，并依托AI智能解譯技術探索出三大主糧高精度自動化提取方法，高效助力天津市主糧種植情況及糧食生產功能區(qū)動態(tài)監(jiān)測工作。

二、技術特點

1、技術路線

 耕地“非農化”智能遙感解譯關鍵技術研究技術路線

耕地“非糧化”智能遙感解譯關鍵技術研究技術路線

2、算法開發(fā)

①面向耕地“非農化”的圖斑發(fā)現(xiàn)算法研究

基于Mask R-CNN和GCN的耕地“非農化”的圖斑發(fā)現(xiàn)網絡：給定輸入圖像，由Mask R-CNN生成所有建筑物、構筑物的邊界框；然后，將每個邊界框內的圖像和對應特征輸入到GCN網絡中，生成對應建筑物、構筑物的初始矢量多邊形。圖為所設計和提出的Two Scale GCN（TS-GCN）網絡框架。

 TS-GCN網絡框架

②面向耕地“非糧化”的圖斑發(fā)現(xiàn)算法研究

設計了基于長程特征相關監(jiān)督的U型網絡（FCS-UNet），先利用多時相遙感影像數(shù)據(jù)和深度學習智能算法提取準確的地表覆蓋類型分類結果，再將地表覆蓋分類結果與規(guī)定的耕地范圍進行比較，實現(xiàn)自動地發(fā)現(xiàn)耕地內非糧化區(qū)域。

它的整體結構如圖所示。FCS-UNet網絡包括特征監(jiān)督模塊和自適應感受野特征提取模塊，其中特征監(jiān)督模塊可以輸出圖像上不同距離像素/區(qū)域間的相關分數(shù)，并重新校準內部特征圖，以增強對易混淆區(qū)域的判別能力；自適應感受野特征提取模塊接收不同尺度的輸入圖像，以提取更加全面的地表地物信息。

 FCS-UNet網絡結構

3、自動化軟件開發(fā)

自動化軟件基于Python3.7實現(xiàn)，依賴于Pytorch深度學習框架以及各種影像和矢量處理包，使用PyQt5控件框架，用于構建靈活、易于擴展的Windows平臺應用程序。

基于深度學習技術的耕地“非農化”“非糧化”提取應用軟件

根據(jù)基于遙感影像的違規(guī)耕地作物提取及變化檢測軟件平臺的項目需求，研制六個功能模塊，包括工程項目、數(shù)據(jù)預處理、數(shù)據(jù)核查、模型處理、數(shù)據(jù)后處理、使用幫助。

三、應用案例

1、武清區(qū)“非糧化”提取結果及精度分析

按照以上技術路線，本項目對年武清區(qū)“非糧化”圖斑進行了提取及處理，實驗結果如圖所示。

本次實驗共發(fā)現(xiàn)非糧化圖斑數(shù)6061個，且完全覆蓋真值圖斑，查全率達到100%。實驗表明，通過“非糧化”圖斑識別技術，可以有效提高人工作業(yè)效率，并且可以對“非糧化”現(xiàn)象進行有效治理，輔助生產作業(yè)。

武清區(qū)“非糧化”圖斑及局部效果

2、武清區(qū)“非農化”提取結果及精度分析

按照以上技術路線對武清區(qū)“非農化”圖斑進行了提取及處理，實驗結果如圖所示。本次實驗共發(fā)現(xiàn)非糧化圖斑數(shù)15520個，查全率達到95%。研究表明，通過對耕地提取進行“非農化”圖斑查找雖然無法全面覆蓋所有“非農化””現(xiàn)象，但對比建（構）筑物提取效果來著，查全率得到了有效提升，更適用于實際需求。

武清區(qū)“非農化”圖斑及局部效果

四、社會效益

本項目打造的AI+遙感耕地“非農化”“非糧化”自動監(jiān)測技術方案，解決了傳統(tǒng)人工判讀效率低、遺漏率高等問題，減少外業(yè)核查工作量，為實現(xiàn)耕地“非農化”“非糧化”年度動態(tài)監(jiān)測打下堅實的基礎，一定程度上減輕作業(yè)人員繁重的手工標繪工作，提升實際生產效率，切實加強對天津市種植農作物情況的監(jiān)管，為嚴防耕地“非糧化”、糧食安全保障提供第一手的基礎信息。