一、项目背景
按照国务院办公厅《关于防止耕地“非粮化”稳定粮食生产的意见》（国办发〔2020〕44号）和天津市农业农村委员会、市规划和自然资源局《关于印发<天津市防止耕地“非粮化”稳定粮食生产工作方案>的通知》（津农委〔2020〕40号）要求，天津市开展主要粮食作物种植情况以及粮食生产功能区动态监测工作，形成天津市主粮种植区域空间分布矢量数据，以及识别本年度粮食功能区内主粮应种未种地块，切实加强对种植农作物情况的监管。
2022年1月，天津测绘院联合武汉大学共同设立《耕地“非农化”、“非粮化”智能遥感解译关键技术研究》课题，专题研究耕地“非农化”、“非粮化”遥感监测技术，并依托AI智能解译技术探索出三大主粮高精度自动化提取方法，高效助力天津市主粮种植情况及粮食生产功能区动态监测工作。
二、技术特点
1、技术路线
耕地“非农化”智能遥感解译关键技术研究技术路线
耕地“非粮化”智能遥感解译关键技术研究技术路线
2、算法开发
①面向耕地“非农化”的图斑发现算法研究
基于Mask R-CNN和GCN的耕地“非农化”的图斑发现网络：给定输入图像，由Mask R-CNN生成所有建筑物、构筑物的边界框；然后，将每个边界框内的图像和对应特征输入到GCN网络中，生成对应建筑物、构筑物的初始矢量多边形。图为所设计和提出的Two Scale GCN（TS-GCN）网络框架。
TS-GCN网络框架
②面向耕地“非粮化”的图斑发现算法研究
设计了基于长程特征相关监督的U型网络（FCS-UNet），先利用多时相遥感影像数据和深度学习智能算法提取准确的地表覆盖类型分类结果，再将地表覆盖分类结果与规定的耕地范围进行比较，实现自动地发现耕地内非粮化区域。
它的整体结构如图所示。FCS-UNet网络包括特征监督模块和自适应感受野特征提取模块，其中特征监督模块可以输出图像上不同距离像素/区域间的相关分数，并重新校准内部特征图，以增强对易混淆区域的判别能力；自适应感受野特征提取模块接收不同尺度的输入图像，以提取更加全面的地表地物信息。
FCS-UNet网络结构
3、自动化软件开发
自动化软件基于Python3.7实现，依赖于Pytorch深度学习框架以及各种影像和矢量处理包，使用PyQt5控件框架，用于构建灵活、易于扩展的Windows平台应用程序。
基于深度学习技术的耕地“非农化”“非粮化”提取应用软件
根据基于遥感影像的违规耕地作物提取及变化检测软件平台的项目需求，研制六个功能模块，包括工程项目、数据预处理、数据核查、模型处理、数据后处理、使用帮助。
三、应用案例
1、武清区“非粮化”提取结果及精度分析
按照以上技术路线，本项目对年武清区“非粮化”图斑进行了提取及处理，实验结果如图所示。
本次实验共发现非粮化图斑数6061个，且完全覆盖真值图斑，查全率达到100%。实验表明，通过“非粮化”图斑识别技术，可以有效提高人工作业效率，并且可以对“非粮化”现象进行有效治理，辅助生产作业。
武清区“非粮化”图斑及局部效果
2、武清区“非农化”提取结果及精度分析
按照以上技术路线对武清区“非农化”图斑进行了提取及处理，实验结果如图所示。本次实验共发现非粮化图斑数15520个，查全率达到95%。研究表明，通过对耕地提取进行“非农化”图斑查找虽然无法全面覆盖所有“非农化””现象，但对比建（构）筑物提取效果来着，查全率得到了有效提升，更适用于实际需求。
武清区“非农化”图斑及局部效果
四、社会效益
本项目打造的AI+遥感耕地“非农化”“非粮化”自动监测技术方案，解决了传统人工判读效率低、遗漏率高等问题，减少外业核查工作量，为实现耕地“非农化”“非粮化”年度动态监测打下坚实的基础，一定程度上减轻作业人员繁重的手工标绘工作，提升实际生产效率，切实加强对天津市种植农作物情况的监管，为严防耕地“非粮化”、粮食安全保障提供第一手的基础信息。
下一篇：暂无
