一、項目背景

按照國務院辦公廳《關于防止耕地“非糧化”穩定糧食生產的意見》（國辦發〔2020〕44號）和天津市農業農村委員會、市規劃和自然資源局《關于印發<天津市防止耕地“非糧化”穩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動態監測工作，形成天津市主糧種植區域空間分布矢量數據，以及識別本年度糧食功能區內主糧應種未種地塊，切實加強對種植農作物情況的監管。

2022年1月，天津測繪院聯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動態監測工作。

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

①面向耕地“非農化”的圖斑發現算法研究

基于Mask R-CNN和GCN的耕地“非農化”的圖斑發現網絡：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”的圖斑發現算法研究

設計了基于長程特征相關監督的U型網絡（FCS-UNet），先利用多時相遙感影像數據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定的耕地范圍進行比較，實現自動地發現耕地內非糧化區域。

它的整體結構如圖所示。FCS-UNet網絡包括特征監督模塊和自適應感受野特征提取模塊，其中特征監督模塊可以輸出圖像上不同距離像素/區域間的相關分數，并重新校準內部特征圖，以增強對易混淆區域的判別能力；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

自動化軟件基于Python3.7實現，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

根據基于遙感影像的違規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、數據預處理、數據核查、模型處理、數據后處理、使用幫助。

三、應用案例

1. 武清區“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“非糧化”圖斑進行了提取及處理，實驗結果如圖所示。

本次實驗共發現非糧化圖斑數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效率，并且可以對“非糧化”現象進行有效治理，輔助生產作業。

武清區“非糧化”圖斑及局部效果

2. 武清區“非農化”提取結果及精度分析

按照以上技術路線對武清區“非農化”圖斑進行了提取及處理，實驗結果如圖所示。本次實驗共發現非糧化圖斑數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“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”自動監測技術方案，解決了傳統人工判讀效率低、遺漏率高等問題，減少外業核查工作量，為實現耕地“非農化”“非糧化”年度動態監測打下堅實的基礎，一定程度上減輕作業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。