文献 | 复杂山区农业地块提取, 基于地理先验和深度学习

题目：Toward agricultural cultivation parcels extraction in the complex mountainous areas using prior information and deep learning

期刊：IEEE Transactions on Geoscience and Remote Sensing

论文：https://ieeexplore.ieee.org/document/10843732

创新点

• 整合地理先验与深度学习：提出了一种结合地理分区、分层策略与深度语义分割模型（改进的D-LinkNet）的框架，用于从复杂山区的高分辨率遥感影像中提取农业地块。
• 分区与分层策略：基于自然环境和农业特征进行地理分区，并采用分层策略区分不同地块特征，优化模型提取效果。
• 一致性检查：引入地块一致性检查，识别并优化分割不足的地块，提升提取的精度。

数据集

• 遥感影像数据

• 高分二号：0.8米分辨率，2023年休耕期影像，经过正射校正、融合、镶嵌和填补处理。
• Sentinel-2：2019-2023年NDVI均值合成，分辨率10米。
• MODIS：物候信息，500米分辨率。
• 预处理：影像正射校正、Gram-Schmidt融合、裁剪等。

• 辅助地理数据

• DEM：来自ALOS PALSAR，12.5米分辨率，提供海拔、坡度等。
• 水文数据：OpenStreetMap，10米分辨率，用于计算到水源距离。
• 土壤数据：Harmonized World Soil Database V1.2，提供土壤亚类信息。

• 气候数据

• 历史数据：WorldClim，日均温、降水季节性等。
• 当前数据：TPDC，包括温度、降水、蒸散发和干旱指数。

• 研究区域特征

• 位置：中国重庆江津区（105°49′E-106°38′E, 28°28′N-29°28′N）。
• 地形：复杂山地，岭谷、丘陵与盆地。
• 气候：亚热带湿润季风气候，年均温19.5°C。
  

• 验证数据

• 14个样本（每个1000×1000像素），手动标注，用于精度评估。
• 边界精度：600个地块的IoU（缓冲区0.8米）。

• 提取规模

• 识别地块：123万块（77%耕地，23%园地）。
• 面积分布：水田50.66万亩，旱地51.88万亩，椒园45.56万亩，其他园地11.08万亩。

方法模型

本文提出了一种整合地理先验信息和深度学习的框架，用于复杂山区的农业地块提取。

1. 地理分区

• 驱动因子选择：使用植被覆盖特征（NDVI季节均值等）和环境特征（坡度、海拔、干旱指数等）作为输入变量。
• 分区方法：采用空间集群算法（STICC）实现区域划分，确保分区内地块特性的一致性，便于样本收集和模型训练。

2. 粗尺度空间范围确定

• 方法：结合已有土地利用图层，通过分类器或历史数据直接划定农业用地边界。
• 目的：避免模型误识别非农业特征，提升提取效率。

3. 分层策略

• 分类依据：

• 水田：边界清晰，纹理均匀。
• 旱地：边界较模糊，纹理多样。
• 椒园：颗粒状纹理密集。
• 其他园地：纹理较稀疏。

• 策略：根据地块类型选择不同的特征提取优先级（边界或纹理）并优化样本设计。

4. 模型选择与训练

5. 后处理与一致性检查

• 矢量化处理：利用形态优化和边界提取算法生成地块矢量。
• 一致性检查：计算地块内部属性的均匀性，识别分割不足的地块并进行迭代优化。

结果与分析

本文提出的方法有效结合了地理先验信息和深度学习模型，克服了复杂山区地形对农业地块提取的挑战。地理分区和分层策略在优化样本分布、提高提取效率方面表现显著。

分布图

区域差异分析

• 空间分布：不同地理分区中地块提取效果存在明显差异，较平坦区域表现更优，而地形复杂的区域提取难度较大。
• 区域特征：部分区域的地块类型分布更集中，如椒园在某些区域呈现大规模聚集。

地块类型分析

• 耕地与园地比例：提取的地块中，耕地占大部分，包括水田和旱地，而园地（如椒园和其他果园）占相对较小比例。
• 地块形状特性：

• 水田：多为规则、较小的地块，分布集中。
• 旱地：形状多样，边界不规则。
• 椒园：密集排列，纹理清晰。

更多图表分析可见原文