探索水土保持措施识别与提取方法的研究

探索水土保持措施识别与提取方法的研究

郝起礼

陕西省土地工程建设集团有限责任公司商洛分公司 710075

摘要：水土保持措施信息获取方式主要有传统的野外调查、卫星遥感影像和无人机近景摄影等，其识别与提取方法主要包括目视解译、传统的机器学习、面向对象分类方法及深度学习模型。当前对于水土保持耕作措施识别与提取的成果鲜见报道，而农业实践中耕作措施较常见，后续应加强耕作措施识别提取的研究；将多模态学习、实例分割方法等深度学习算法与面向对象分类方法相结合应用到水土保持植物措施的识别提取中，提高不同水土保持植物措施的分类提取精度，从而完善各类水土保持措施的信息提取方法，为准确获取水土保持措施因子值及核算水土保持碳汇能力提供支撑。

关键词:无人机遥感；卫星遥感；深度学习；识别提取

0引言

土壤侵蚀是全球性生态环境问题，不断增强的人类活动加剧土壤侵蚀，威胁着农业生产、生态安全和经济社会可持续发展[1]。土壤侵蚀模型是预报土壤侵蚀时空特征、水土保持规划与效益评价的重要工具。经验模型具有结构简单、参数少、所需数据相对易获取、应用性强等优点，在区域土壤侵蚀模拟领域得到广泛应用。随着机器学习、深度学习在地物自动提取分类领域的广泛应用，无人机遥感技术不仅能提高获取的地面影像分辨率，还能通过人机交互解译判断各深度学习模型的解译精度，从而选择精度最高的模型应用于水土保持措施信息的自动识别与提取，更好地服务于区域土壤侵蚀模拟与预测。因此，本文围绕水土保持措施信息的识别与提取方法，对目前的相关研究成果进行梳理总结，具体围绕目视解译、传统的机器学习、面向对象分类及深度学习模型等4个方面来展开，总结其研究进展并提出不足与展望[2]。

1目视解译方法

1.1传统的野外调查方法

传统的野外调查是指研究者直接到现场目视判读进行记录，因而只适用于小范围的水土保持措施信息识别提取，大范围的识别提取单靠野外调查难以实现。传统的水土保持措施获取方法主要为分层抽样野外调查法，这必然消耗大量人力、物力及时间，其针对性强，但获取效率低，难以实现大范围水土保持措施信息的提取。采用传统的现场测量法获取研究区域的土地利用分类，通过实地测量得到面积、体积等，提取精度高，但效率极低[3]。

1.2基于卫星遥感影像的识别提取方法

随着遥感技术的发展，基于遥感影像进行水土保持措施信息识别提取成为主要方法。随着遥感影像分辨率的持续提高，研究者需要更加细致地进行目视解译，因而即使获取的水土保持措施信息愈加完善，但目视解译不适合进行大范围提取，只能作为一种辅助手段。即水土保持措施信息的识别提取应根据其特征选择适宜时相、适宜类别、适宜空间分辨率的遥感影像，并运用适宜的信息提取方法[4]。

1.3基于无人机遥感影像的识别提取方法

目前无人机技术也逐渐应用到水土保持研究领域，在研究区域进行实地观测时，可以运用低空无人机进行航摄，这不仅节省时间与人力成本，也能获得较高的信息提取精度。计算机自动分类有时会存在明显误判，因此需要通过人工矫正提高分类精度，基于无人机遥感影像获取DOM模型，采用人工识别方法统计分析水土保持工程措施和临时措施[5]。

2传统的机器学习方法

2.1基于SVM的识别提取

高分辨率遥感影像提供更加全面的细节信息，导致光谱分布异常复杂，降低水土保持措施信息在光谱域的可分性。为了提高分类精度，自动分类技术应充分利用图像中的隐藏信息，弥补光谱特征的不足，其中支持向量机(SVM)方法在解决小样本、非线性和高维模式识别问题方面有独特的优势。将通过SVM提取得到的植被覆盖度作为真值，而后验证植被指数提取得到的植被覆盖度，结果表明其所提出的植被信息提取方法适用于喀斯特地区，具有较好的提取精度和提取效果。因此可以将支持向量机方法运用于小范围、小样本的水土保持措施信息提取中。

2.2基于RF的识别提取

随机森林算法因其精度高、泛化能力强、抗过拟合能力强等优点，在遥感图像的特征提取和分类中得到广泛的应用。采用最优分割尺度对无人机图像进行分割，基于随机森林算法分析了不同特征维数的农田杂草信息提取效果。与其他算法相比，随机森林在非均衡数据集分类的情况下具有最优的性能。即相比其他传统的机器学习方法，应用随机森林算法可以对研究区域各种水土保持措施进行较为精准的分类。

3面向对象分类方法

3.1基于多尺度分割法的识别提取

高分辨率遥感影像、低空无人机航摄图像能够提供更为清晰和全面的水土保持措施信息，这也已逐渐成为地面水土保持措施信息的主要获取方法。面向对象分类方法可综合利用光谱、形状和纹理等特征，充分提取高分辨率影像的信息，因此可以使水土保持措施信息的识别结果具有更丰富的语义，获得更高的提取精度。运用面向对象方法对厘米级高分辨率无人机影像的横坡改垄、生态恢复乔木林等水土保持措施进行自动精准识别，提高了分类精度。

3.2结合传统的机器学习方法的识别提取

传统的基于像素的分类方法一般适用于中低分辨率遥感图像，基于对象的图像分析技术正逐渐被用于高分辨率遥感图像的处理，因而将面向对象分类方法与传统的机器学习方法相结合能够提高基于高分辨率遥感影像进行水土保持措施信息分类识别提取的精度与效率。运用一种新的基于改进颜色结构码和支持向量机的面向对象分类方法进行土地覆盖分类，通过分割、分类实验及精度评估，得到该方法比其他面向对象分类方法具有更高的分类精度；将基于无人机多光谱影像的面向对象方法和随机森林算法相结合进行城市树木分类，并验证其应用于城市树木分类的有效性。

4深度学习模型

4.1基于经典卷积神经网络的识别提取

卷积神经网络的合理架构保证强大的学习能力，能够自动从海量样本中学习特征，是图像分类、语义分割和土地利用分类等研究的主要算法，即运用卷积神经网络进行水土保持措施信息的识别提取可以得到一定的精度与效率。目前已有许多学者运用经典的模型进行水土保持措施地物信息的提取研究，将傅里叶变换与数字地形分析相结合进行黄土高原阶地提取，与面向对象方法相比，该方法具有更高的可靠性和准确性。

4.2基于改进的卷积神经网络的识别提取

许多学者基于已有的经典卷积神经网络模型进行改进优化以用于水土保持措施信息的识别提取，从而获得更高精度的提取性能。对于复杂环境下的小样本数据，卷积神经网络结合迁移学习机制可以克服环境影响，快速学习到主要特征，这也有利于更加精准提取水土保持措施信息。基于深度迁移学习的高分辨率遥感影像像素级阶地精确提取的方法，该方法能够更好地整合梯田边缘信息，更准确地分割梯田表面，适用于解决小样本问题。

5结论与展望

为更好地利用影像信息和提高识别提取精度，注重地物之间的关系和上下文信息的面向对象分类方法也逐渐应用到其中；而深度学习模型具有较高的自动化程度和分类准确度，因此为提高识别提取的精度和效率，越来越多的学者将深度学习模型应用到水土保持措施信息的识别提取中。深度学习算法提取的植物信息精度高、成本低，其提取精度相对于支持向量机、随机森林等浅层机器学习算法具有明显优势，还可应用于监测大规模植被信息。水土保持耕作措施的相关研究主要集中在其对土壤侵蚀的影响，而关于耕作措施信息的识别与提取研究鲜见报道。因而后续应加强对耕作措施识别与提取的研究，尤其是不同耕作措施的分类识别与提取研究，以提升水土保持措施因子值的科学性和准确度。

参考文献:

[1]赵蒙恩，闫庆武，刘政婷，等.鄂尔多斯市土壤侵蚀时空演变及影响因子分析[J].干旱区研究，2022，39(6):1819-1831.

[2]汪言在，董一帆，苏正安.基于土地利用与植被恢复情景的土壤侵蚀演变特征[J].自然资源学报，2020，35(6):1369-1380.

[3]赵搏华，王秀茹，阎世煜，等.面向对象分类方法在水土保持措施提取中的应用[J].中国水土保持科学(中英文)，2022，20(1):122-127.

[4]邬宁珊.基于无人机遥感提取黄土区林地植被参数的方法研究[D].北京:北京林业大学，2021.

[5]钱伟，王春，代文，等.基于深度学习融合OBIA的黄土高原小流域淤地坝系提取[J].干旱区地理，2023，46(11):1803-1812.