EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 11: 2293 - 2302

DOI: https://doi.org/10.12082/dqxxkx.2023.230315

Prior Knowledge Guided Deep Learning for Monitoring Buildings and Greenhouses within Cultivated Land

  • TAN Min , 1 ,
  • LIN Huijing , 2, * ,
  • HAO Ming 2
Expand
  • 1. School of Public and Management (School of Emergency Management), China University of Mining and Technology, Xuzhou 221116, China
  • 2. Jiangsu Key Laboratory of Resources and Environmental Information Engineering, China University of Mining and Technology, Xuzhou 221116, China
*LIN Huijing, E-mail:

Received date: 2023-06-06

  Revised date: 2023-09-07

  Online published: 2023-11-02

Supported by

Fundamental Research Funds for the Central Universities(2021YCPY0113)

National Natural Science Foundation of China(52204190)

National Natural Science Foundation of China(42271368)

Fold

Abstract

Accurate and automated monitoring of the non-agriculturalization of cultivated land has important implications for upholding the arable land red line and ensuring sustainable socio-economic development. This paper proposes a deep learning method guided by prior knowledge to achieve precise monitoring of the illegal occupation of cultivated land by buildings and greenhouses, with the ultimate goal of issuing timely warnings. Firstly, the vector range and category attributes are obtained from the third national land survey database, serving as prior knowledge. Then, parcel-level segmentation of high-resolution remote sensing images is performed using the front-phase vector data of the cultivated land to locate detection areas. Next, the SRAM-SegFormer model, integrated with prior knowledge, is employed to extract potential non-agricultural patches. Finally, post-processing operations such as mosaic, reclassification, and overlay are performed to obtain final monitoring results of arable land non-agriculturalization. Taking the Peixian County in Xu Zhou City as the study area, the performance of common sematic segmentation networks, including Deeplabv3+, PSPNet, U-Net, HRNet, SegFormer, and SRAM-SegFormer, in extracting potential non-agricultural patches are compared. The results show that Deeplabv3+ and PSPNet are prone to omissions and false detections in complex areas; U-Net tends to miss large-scale buildings; HRNet exhibits irregular boundaries in extracted non-agricultural patches; SegFormer has poor extraction ability for small-scale buildings and greenhouses, and tends to merge buildings and greenhouses in densely populated areas; SRAM-SegFormer shows the best results, with the highest accuracy rate for Mean Pixel Accuracy (MPA) (84.30%), Mean Intersection-Over-Union (MIoU) (73.76%), and Overall Accuracy (OA) (97.91%), especially in extracting small-scale buildings and greenhouses. Therefore, the proposed method in this paper can achieve more efficient and automated monitoring of arable land non-agriculturalization.

Key words： non-agriculturalization of cultivated land; buildings; greenhouses; prior knowledge; deep learning; the third national land survey database; remote sensing images; parcel-level

Cite this article

TAN Min , LIN Huijing , HAO Ming . Prior Knowledge Guided Deep Learning for Monitoring Buildings and Greenhouses within Cultivated Land[J]. Journal of Geo-information Science, 2023 , 25(11) : 2293 -2302 . DOI: 10.12082/dqxxkx.2023.230315

1 引言

耕地非农化即违规占用耕地进行非农建设，实质为耕地利用类型发生改变。耕地作为我国宝贵的资源之一，是粮食生产的根基，是保障我国粮食安全的根本[1]。近年来，由于我国经济快速发展及城镇化进程加快，耕地非农化行为时有发生，甚至部分地区耕地非农化行为不断增多，严重威胁了我国的粮食安全[2-3]。因此，及时准确监测耕地非农化行为，采取有力的措施加强耕地保护，有利于严守耕地红线，保障经济社会的可持续发展。
高分辨遥感影像具有空间分辨高、重返周期短、覆盖范围大、纹理特征丰富等特点，已广泛应用于自然资源监测，为及时准确获取耕地变化信息提供了有力的数据支持[4]。目前，针对高频率、大范围的耕地非农化行为监测主要分为两类，一是传统的方法，二是深度学习的方法。传统的耕地非农化行为监测是利用遥感影像上耕地的光谱、空间特征构建可解释强的耕地变化检测模型。Massey等[5]针对大尺度耕地监测设计了一种随机森林与对象分割结合的方法，该方法涉及多个参数的设置流程较繁琐。为了实现耕地自动化监测， Useya等[6]提出了一种融合多分类器系统（MCS）和多指数（NDVI-BSI）的耕地变化检测方法，然而，该方法中多指数的最佳阈值的选取需要良好的判断力和先验知识。李刚等[7]利用“三调”成果数据进行样本筛选和耕地非农化特征筛选，再通过支持向量机算法提取非农化图斑，但该方法的通用性不足，提取精度受耕地非农化特征的选取影响较大。传统的方法需要根据先验知识人为设计特征提取算法，不同地区易受光照、传感器等外部因素影响，对大范围的耕地非农化行为监测的通用性较差。基于深度学习的耕地非农化行为监测是利用样本自动学习遥感影像的深度特征构建耕地变化检测模型。Persello等[8]为了提高非洲地区小面积耕地的监测精度将SegNet网络模型和水平集分割算法相结合，该方法对于不同农作物的耕地边界的划分更加精细和完整。高鸣等[9]基于U-Net网络构建了一个基于深度学习的农房侵占耕地的自动化监测模型，该方法提取的是整个研究区域的农房而不是仅针对耕地内的农房。为了提高耕地变化检测的精度，徐志红 等[10]将面向对象影像分析（OBIA）和对象卷积神经网络（OCNN）结合获取发生变化的耕地，然而，该方法需要人工选取各地类的影像特征去提取潜在变化地块。曹州等[11]提出了一种联合光谱-对象-时间特征的深度学习遥感影像变化检测方法实现双时相影像变化信息的提取，但该方法对于耕地和林地的区分能力较差。为了克服耕地变化训练样本不足的问题， Chen等[12]基于生成对抗网络设计了一种耕地变化检测方法（CropGAN）。深度学习的方法虽然自动化程度较高，但过度依赖训练样本，未考虑耕地非农化行为的特性，导致构建的网络模型针对性不足。
综上所述，传统方法通常需要依赖丰富的先验知识来设计适合研究区域的非农化影像特征的算法，由于不同研究区域非农化影像特征存在明显差异，特征选取需反复调整，因此对大范围耕地非农化监测的通用性较差;深度学习方法具有较强的自动学习影像特征的能力，通过学习大量的样本提取普适特征，但忽略了耕地非农化的影像特征的表示，导致模型针对性不足。《关于坚决制止耕地非农化行为的通知》[13]中耕地非农化行为包括6种，分别是占用耕地绿化造林、超标准建设绿色通道、占用耕地挖湖造景、占用永久基本农田扩大自然保护地、占用耕地从事非农建设和违法违规批地用地。在上述耕地非农化行为中，乱占耕地从事非农建设是一种较为常见的现象，主要是在农业生产的耕地上非法建设建筑物或搭建大棚房。近年来，全国开展了大棚房问题专项清理整治行动，大棚房问题主要是指假借建设农业大棚违法违规占用耕地在大棚内建房[14]。为了精准监测建筑物和大棚房乱占耕地现象并及时预警，本文提出了一种先验知识引导深度学习的耕地非农化监测方法。该方法首先利用“三调”数据库中耕地矢量范围和类别属性信息进行先验知识的抽取，再根据耕地的先验知识对高分辨率遥感影像进行地块级分割，然后通过提出的融入先验知识的深度学习语义分割模型（SRAM-SegFormer）提取潜在的非农化图斑，最后将提取结果进行后处理得到耕地变化区域，实现耕地非农化行为监测。

2 研究方法

本文采用前时相的耕地矢量数据和后时相的遥感影像实现先验知识引导深度学习的耕地非农化监测，具体技术路线如图1所示。首先，对“三调”数据库中耕地的先验知识进行提取，再根据耕地矢量范围和类别属性信息对检测区域快速定位，接着利用融入先验知识的深度学习语义分割模型（SRAM-SegFormer）进行潜在非农化图斑获取，最后将提取结果进行后处理并结合前时相的耕地矢量数据获得耕地非农化监测结果。
图1 耕地非农化监测技术路线

Fig. 1 Flowchart of monitoring the non-agriculturalization of cultivated land

2.1 先验信息抽取

本文的研究区域为耕地，可利用“三调”数据库实现耕地范围的提取。根据“三调”数据库中各地类成果数据对耕地的先验知识进行抽取，从而获取前时相的耕地矢量数据。《土地利用现状分类》（GB/T 21010-2017）中耕地包括水田、水浇地和旱地。本文依据耕地的先验知识，将各地类成果数据中类别属性为水田、水浇地和旱地的矢量数据筛选出来，完成耕地矢量数据的获取。

2.2 检测区域快速定位

利用前时相的耕地矢量数据和后时相高分辨率遥感影像快速实现检测区域定位。先将前时相的耕地矢量数据按照唯一字段分割成单个的耕地矢量数据，再依据单个的耕地矢量数据对后时相高分辨率遥感影像进行地块级分割。本文的方法可剔除非耕地区域，实现检测区域的快速定位，提高检测效率。

2.3 潜在非农化图斑提取

2.3.1 融入先验知识的潜在非农化图斑提取网络模型（SRAM-SegFormer）

本文设计的SRAM-SegFormer潜在非农化图斑提取网络如图2所示。该网络为编码-解码结构，在SegFormer[15]的基础上，引入耕地显著区域注意力模块（SRAM），提高网络对耕地非农化图斑提取的准确率。SRAM-SegFormer的设计主要是对编码器部分进行优化，将耕地与建筑物和大棚房的颜色和纹理特征差异作为一种耕地非农化图斑提取的先验知识，通过SRAM模块利用提取到的耕地非农化图斑先验知识和强语义特征层进一步增强弱语义特征层，达到增强网络对小尺度非农化图斑语义特征的学习能力的目的。
图2 SRAM-SegFormer网络结构

Fig. 2 The network structure of SRAM-SegFormer

在编码器部分，主要由无位置编码多层的Transformer模块和SRAM模块组成。无位置编码多层的Transformer模块负责获取不同层级的语义特征层，SRAM模块负责利用先验知识和强语义特征层反向增强弱语义特征层的语义信息。假设一张影像 I ∈ R H × W × C，其中H和W为影像的高和宽，C为影像的通道数。经过无位置编码多层的Transformer模块获取到4个语义特征层 O 1 , O 2 , O 3 , O 4，其分辨率依次降低为 H 4 × W 4 × 32 , H 8 × W 8 × 64 , H 16 × W 16 × 160 , H 32 × W 32 × 256，而语义信息依次增强。为了帮助网络准确定位建筑物和大棚房的区域，引入SRAM模块得到3个融入先验知识的强语义信息特征层 E 1 , E 2 , E 3，其大小为 H 4 × W 4 × 32 , H 8 × W 8 × 64 , H 16 × W 16 × 160。
本研究中，耕地非农化监测主要考虑对耕地内的建筑物和大棚房进行监测。在同一地块中，耕地的颜色较相近、纹理特征差异较小。而耕地内的建筑物和大棚房一般较为突出，与耕地的颜色和纹理特征差异较大，可将建筑物和大棚房作为耕地内的显著区域。采用LC算法[16]对耕地内的显著区域进行提取，得到耕地显著区域图 S 1 , S 2 , S 3，其大小为 H 4 × W 4 × 32 , H 8 × W 8 × 64 , H 16 × W 16 × 160。因此，本文利用耕地显著区域图作为耕地非农化图斑提取的先验知识，再结合影像的高分辨率弱语义特征层和低分辨率强语义特征层，构建了SRAM模块，其网络结构如图2所示。SRAM模块的计算过程如下：
S i I j = ∑ I j - I k
O ' i = σ ( O i )
S ' i = σ ( S i )
O ' i + 1 = σ ( O i + 1 )
E i O ' i , S ' i , O ' i + 1 = σ ( S o f t m a x ( S ' i O ' i + 1 T d ) O ' i ) + O i
式中：Ij为影像I中的第j个像素值; Ik为影像I中的第k个像素值; Ij和Ik的取值范围为[0, 255]; ∙为像素值Ij和像素值Ik的欧氏距离; σ为卷积核大小为 1 × 1的卷积操作， i = 1,2 , 3，特征图 O i , S i , O i + 1分别经过卷积操作得到向量 O ' i , S ' i , O ' i + 1，其大小为 C ' × H × W 2 i + 1 , H × W 2 i + 1 × C ' 8 , C ' 8 × H × W 2 i + 1; Softmax为归一化指数函数，经过归一化操作注意力图中每个值的范围为[0, 1]; d为输入向量的维度。
在解码器部分，该网络仅由多个轻量级的MLP层构成，大大减少了整个网络的计算量和参数量。首先，语义信息增强后的特征层 E 1 , E 2 , E 3 , O 4经过MLP层得到4个大小相同的特征层，其大小为 H 4 × W 4 × C;接着，将这4个特征层进行融合;最后，将融合后的特征经过一个MLP得到最终的输出结果。
为了得到更加准确的潜在非农化图斑提取结果，解决样本不平衡的问题，本文使用的损失函数L计算如下：
L = L D i c e + L F o c a l
式中：LDice代表Dice Loss; LFocal代表Focal Loss。

2.3.2 精度评价

本文选取了3个评价指标来定量评价潜在非农化图斑提取结果，分别是类别平均像素准确率（MPA）、平均交并比（MIoU）和总体精度（OA）。
MPA表示每个类别内正确预测的像素个数占全部预测为该类别像素个数的比值的平均值，计算公式如下：
M P A = 1 q + 1 ∑ m = 0 q p m m ∑ n = 0 q p m n
MIoU表示每个类别真实值与预测值2个集合的交集和并集之比的平均值，计算公式如下：
M I o U = 1 q + 1 ∑ m = 0 q p m m ∑ n = 0 q p m n + ∑ n = 0 q p n m - p m m
OA表示正确预测的像素个数占全部像素个数的比值，计算公式如下：
O A = ∑ m = 0 q p m m ∑ m = 0 q ∑ n = 0 q p n m
式中：q为类别数; m和n表示类别; pmm表示正确预测的像素个数; pmn和pnm表示错误预测的像素个数。

2.4 后处理

针对大范围区域的耕地非农化监测，需对潜在非农化提取结果进行后处理。首先，将获取到的潜在非农化图斑进行镶嵌;接着，将镶嵌后的结果进行重分类得到仅包含建筑物和大棚房潜在非农化图斑;最后，将前时相耕地矢量数据、后时相高分辨率遥感影像和重分类后的潜在非农化图斑三者进行叠加，可为内外业核查和更新耕地矢量数据提供参考。

3 实验及结果分析

3.1 实验区概况及数据来源

本文以徐州市沛县部分区域作为研究区如图3所示，该研究区域全部为冲积平原，地势平坦，耕地资源丰富。随着沛县得到工业、农业、城镇建设等进程的推进，耕地非农化行为逐渐突显，特别是乱占耕地建房及搭建大棚房的问题。
图3 研究区概况

Fig. 3 The study area

研究中使用的“三调”数据库是2021年沛县第三次国土调查的成果数据，该成果数据包含了所需的耕地矢量范围和类别属性信息。后时相高分辨率遥感影像为2022年Google Earth上的三波段影像，经过正射校正、镶嵌、裁剪等预处理得到分辨率为0.5 m的正射影像。

3.2 实验结果与分析

根据“三调”数据库中耕地的先验知识对后时相高分辨率遥感影像进行地块级分割，共获取5000个耕地地块。为了实现耕地非农化监测，采用手工标注的方式制作数据集。本实验随机选择3 000组用于训练，1 000组用于验证，1 000组用于测试。
本文中所有实验在PyTorch框架下使用NVIDIA GeForce RTX 3090 GPU进行，自适应矩估计（Adam）作为优化器，批大小设置为30，训练轮数为100，学习率设置为0.000 1。由于数据集中耕地地块的尺寸不同，在输入网络模型时统一将影像的尺寸缩放为256×256。

3.2.1 不同方法的潜在非农化图斑提取结果对比

为了验证本文提出的SRAM-SegFormer网络对潜在非农化图斑提取的有效性，本文采用了几种常用于语义分割的方法进行比较，分别是Deeplabv3+[17]、PSPNet[18]、U-Net、HRNet[19]和SegFormer。Deeplabv3+为了优化不同尺度的特征图的分割效果引入了带有空洞卷积的金字塔池化模块。PSPNet是在FCN的基础上嵌入金字塔池化模块，以获得更丰富的上下文信息。U-Net由编码器和解码器构成，其网络结构为对称的U形结构。HRNet将不同分辨率的特征图进行并联保持了特征图的高分辨率强语义信息。SegFormer是一种简单高效的语义分割方法，主要由多层Transformer模块和轻量级的多层MLP模块两部分组成。
不同方法的潜在非农化图斑提取结果如图4所示。Deeplabv3+和PSPNet的潜在非农化图斑提取结果较差，这2种方法易出现漏检和误检现象。U-Net、HRNet 、SegFormer和SRAM-SegFormer这4种方法提取效果较理想，影像上的建筑物和大棚房基本上能被准确识别出来。但是， U-Net 对于大尺度的建筑物容易出现漏检现象。HRNet提取出来的潜在非农化图斑的边界不规则，与标签中的边界存在一定的误差。SegFormer对一些小尺度的建筑物和大棚房提取能力较差易出现漏检的现象，并且对于密集区域的建筑物和大棚房的提取易出现粘连现象。SRAM-SegFormer相较于其它方法，它能够更加有效的识别小尺度的建筑物和大棚房，提取的潜在非农化图斑的边界更加精细。
图4 不同方法的潜在非农化图斑提取部分结果

Fig. 4 The potential non-agricultural land extraction results of different methods

不同方法的潜在非农化图斑提取结果精度评价如表1所示。SRAM-SegFormer相较于其他方法，在MPA、MIoU和OA上均取得了最高的精度，分别为84.30%、73.76%和97.91%。与同样使用了Transformer模块的SegFormer相比， SRAM-SegFormer在MPA、MIoU和OA上分别提升了4.59%、5.34%和0.92%。因此，SRAM模块的嵌入能帮助网络有效关注潜在非农化图斑的区域，提高网络对潜在非农化图斑提取的精度和稳定性。
表1 不同方法的潜在非农化图斑提取结果精度评价

Tab. 1 Accuracy evaluation of the potential non-agricultural land extraction results by different methods (%)

方法 MPA MIoU OA
Deeplabv3+ 74.46 61.05 95.61
PSPNet 76.54 64.53 96.00
U-Net 76.56 66.38 96.84
HRNet 79.19 64.33 96.26
SegFormer 79.71 68.42 96.99
SRAM-SegFormer 84.30 73.76 97.91

注：表中加粗数值表示表格中每一行的最佳值。

3.2.2 消融实验

消融实验通过去除特定的模型组件，可评估该组件对网络性能的影响，为网络结构的优化提供帮助。为了进一步验证本文提出的SRAM模块的性能，本文还进行了消融实验。由表2可知，在网络的不同位置嵌入SRAM模块均对潜在非农化图斑提取精度有一定的提升，其中3个位置都使用SRAM模块的效果是最好的。将嵌入SRAM模块的特征图进行可视化如图5所示，SRAM模块的使用能够有效增强网络对潜在非农化图斑的识别能力，保持潜在非农化图斑内部的一致性减少空洞现象，使潜在非农化图斑的边界更加光滑和精细。
图5 嵌入SRAM模块的可视化结果

Fig. 5 Visualization of adding SRAM modules

表2 消融实验精度评价结果

Tab. 2 Accuracy evaluation results of ablation studies (%)

方法 MPA MIoU OA
S1+SRAM S2+SRAM S3+SRAM
√ √ √ 84.30 73.76 97.91
× × √ 82.44 72.00 97.85
× √ × 83.98 71.79 97.76
√ × × 80.94 70.50 97.73
× × × 79.71 68.42 96.99

注：表中加粗数值表示表格中每一行的最佳值。

3.2.3 大范围区域耕地非农化监测应用

选取徐州市沛县北部区域作为监测区域，该区域的高分辨率遥感影像空间分辨率为0.6 m，面积约为389.48 km2。根据“三调”数据库中的耕地矢量数据，一共获取了12 162块耕地地块，并利用训练好的模型对该区域进行大范围的耕地非农化监测。耕地非农化监测的结果如图6所示，该区域共提取出了7 349个建筑物图斑和4 935个大棚房图斑，共耗时11 min 33 s。针对大范围区域耕地非农化监测，本文提出的方法检测结果较理想，设计的SRAM-SegFormer模型的通用性较强，MPA、MIoU和OA分别达到了84.35%、71.37%和97.56%。由大范围区域的耕地非农化监测结果图可知，该区域建筑物违法占用耕地的行为多发生在村庄与耕地的交界处，大棚房主要集中在西部区域，本文提出的方法对于大范围区域的应用效果较好，提取的建筑物和大棚房较规整和准确。
图6 大范围区域耕地非农化监测结果

Fig. 6 Monitoring results of non-agriculturalization of cultivated land in a large area

4 结论与讨论

本文通过利用“三调”数据库中前时相耕地矢量数据和后时相高分辨率遥感影像，再结合耕地中建筑物和大棚房的遥感影像特征构建了SRAM-SegFormer网络模型，提出了一种先验知识引导深度学习的耕地非农化监测的方法。实验结果表明：
（1）在同一地块中，耕地的颜色较相近且纹理差异较小。而耕地内的建筑物和大棚房较为突出，与耕地的颜色和纹理特征差异较大，可将建筑物和大棚房作为耕地内的显著区域。因此，将耕地与建筑物和大棚房的颜色和纹理特征差异作为一种耕地非农化图斑提取的先验知识，本文提出了耕地显著区域注意力模块（SRAM）。SRAM模块利用提取到的耕地显著区域图和强语义特征层进一步增强弱语义特征层，可有效增强网络对耕地内小尺度非农化图斑区域的识别能力。
（2）对耕地内潜在非农化图斑提取时， Deeplabv3+和PSPNet漏检和误检现象较多，U-Net 对尺度大的建筑物易出现漏检，HRNet提取出来的非农化图斑边界较不规整，SegFormer对小尺度的非农化图斑提取效果较差，而SRAM-SegFormer能精准提取小尺度非农化图斑且边界较精细。SRAM-SegFormer提取的精度最高，其MPA、MIoU和OA分别达到了84.30%、73.76%和97.91%。与同样使用了Transformer模块的SegFormer相比，SRAM-SegFormer在MPA、MIoU和OA上分别提升了4.59%、5.34%和0.92%。
本文主要针对耕地内建筑物和大棚房的非农化行为进行监测，在未来研究中，需考虑更多不同类型的耕地非农化现象，综合分析非农化行为的遥感影像特征构建更高效的深度学习网络模型，以实现更加全面、精准的耕地非农化监测。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
黄祖辉, 李懿芸, 毛晓红. 我国耕地“非农化”“非粮化”的现状与对策[J]. 江淮论坛, 2022(4):13-21.

Huang Z H, Li Y Y, Mao X H. The situation, drivers and countermeasures of “non-agricultural” and “non-grain” transformation of cultivated land in China[J]. Jiang-Huai Tribune, 2022(4):13-21. ] DOI:10.16064/j.cnki.cn34-1003/g0.2022.04.002

[2]
李宏鹏, 田达睿, 谭静斌. 延安市2000—2020年耕地非农化时空格局演变及其影响因素[J]. 水土保持通报, 2022, 42(4):330-337,372.

Li H P, Tian D R, Tan J B. Spatio-temporal pattern evolution and influencing factors of cultivated land non-agriculturalization in Yan’an city[J]. Bulletin of Soil and Water Conservation, 2022, 42(4):330-337,372. ] DOI:10.13961/j.cnki.stbctb.2022.04.041

[3]
张兆鹏, 田昕, 朱新杰, 等. 基于GF-1影像的兰州新区土地利用类型时空变化分析[J]. 地理信息世界, 2022, 29(3):58-65.

Zhang Z P, Tian X, Zhu X J, et al. Analysis of spatial-temporal changes of land use types in Lanzhou new area based on GF-1 image[J]. Geomatics World, 2022, 29(3):58-65. ] DOI:10.3969/j.issn.1672-1586.2022.03.011

[4]
闫利, 张毅, 杨见兵, 等. 自然资源典型地类遥感智能主动调查监测技术及应用[J]. 地理信息世界, 2022, 29(5):66-73.

Yan L, Zhang Y, Yang J B, et al. Autonomous remote sensing investigation and monitoring technique of typical classes of natural resources and its application[J]. Geomatics World, 2022, 29(5):66-73. ] DOI:10.3969/j.issn.1672-1586.2022.05.013

[5]
Massey R, Sankey T T, Yadav K, et al. Integrating cloud-based workflows in continental-scale cropland extent classification[J]. Remote Sensing of Environment, 2018, 219:162-179. DOI:10.1016/j.rse.2018.10.013

[6]
Useya J, Chen S B, Murefu M. Cropland mapping and change detection: Toward zimbabwean cropland inventory[J]. IEEE Access, 2019, 7:53603-53620. DOI:10.1109/ACCESS.2019.2912807

[7]
李刚, 宁晓刚, 张翰超, 等. “三调”成果数据引导的耕地“非农化”遥感监测[J]. 测绘科学, 2022, 47(7):149-159.

Li G, Ning X G, Zhang H C, et al. Remote sensing monitoring for the non-agriculturalization of cultivated land guided by the third national land survey results data[J]. Science of Surveying and Mapping, 2022, 47(7):149-159. ] DOI:10.16251/j.cnki.1009-2307.2022.07.020

[8]
Persello C, Tolpekin V A, Bergado J R, et al. Delineation of agricultural fields in smallholder farms from satellite images using fully convolutional networks and combinatorial grouping[J]. Remote Sensing of Environment, 2019, 231:111253. DOI:10.1016/j.rse.2019.111253

[9]
高鸣, 周鑫鑫, 刘琦, 等. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022(3):47-53.

DOI

Gao M, Zhou X X, Liu Q, et al. Automatic monitoring of farmland occupation by farm house based on deep learning network[J]. Bulletin of Surveying and Mapping, 2022(3):47-53. ] DOI:10.13474/j.cnki.11-2246.2022.0076

[10]
徐志红, 关元秀, 王善华, 等. 融合对象影像分析和OCNN的耕地变化检测[J]. 遥感信息, 2022, 37(5):15-22.

Xu Z H, Guan Y X, Wang S H, et al. Integration of object based image analysis and object convolutional neural networks for farmland change detection[J]. Remote Sensing Information, 2022, 37(5):15-22. ] DOI:10.3969/j.issn.1000-3177.2022.05.003

[11]
曹州, 刘士彬, 马勇, 等. 一种联合光谱-对象-时间特征的遥感影像变化检测方法[J]. 中国科学院大学学报, 2022, 39(1):102-109.

DOI

Cao Z, Liu S B, Ma Y, et al. A change detection method by combining spectral-object-temporal features for remote sensing imagery[J]. Journal of University of Chinese Academy of Sciences, 2022, 39(1):102-109. ] DOI:10.7523/j.ucas.2020.0005

DOI

[12]
Chen J G, Zhao W Z, Chen X. Cropland change detection with harmonic function and generative adversarial network[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19:1-5. DOI:10.1109/LGRS.2020.3023137

[13]
国务院办公厅. 国务院办公厅关于坚决制止耕地“非农化”行为的通知[J]. 中华人民共和国国务院公报, 2020(27):36-37.

[General Office of the State Council of the People’s Republic of China. Circular of the general office of the state council on resolutely stopping the “non-agriculturalization” of cultivated land[J]. Gazette of the State Council of the People's Republic of China, 2020(27):36-37. ]

[14]
农业农村部自然资源部印发《关于开展“大棚房”问题专项清理整治行动坚决遏制农地非农化的方案》的通知农农发[2018]3号[J]. 中华人民共和国农业农村部公报, 2018(10):49-52.

[ Notice on the plan to carry out the special clean-up and rectification action of “greenhouse” to resolutely curb the non-agriculturalization of agricultural landJ. Gazette of the Ministry of Agriculture and Affairs of the People’s Republic of China, 2018(10):49-52. ]

[15]
Qiu C P, Li H, Guo W Y, et al. Transferring transformer-based models for cross-area building extraction from remote sensing images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15:4104-4116. DOI:10.1109/JSTARS.2022.3175200

[16]
Ma J L, Zhou Z Q, Wang B, et al. Infrared and visible image fusion based on visual saliency map and weighted least square optimization[J]. Infrared Physics & Technology, 2017, 82:8-17. DOI:10.1016/j.infrared.2017.02.005

[17]
Du S J, Du S H, Liu B, et al. Incorporating DeepLabv3+ and object-based image analysis for semantic segmentation of very high resolution remote sensing images[J]. International Journal of Digital Earth, 2021, 14(3):357-378. DOI:10.1080/17538947.2020.1831087

[18]
Yuan W, Wang J, Xu W B. Shift pooling PSPNet: Rethinking PSPNet for building extraction in remote sensing images from entire local feature pooling[J]. Remote Sensing, 2022, 14(19):4889. DOI:10.3390/rs14194889

[19]
Wang J D, Sun K, Cheng T H, et al. Deep high-resolution representation learning for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2021, 43(10):3349-3364. DOI:10.1109/TPAMI.2020.2983686

Options
Outlines

/

〈 〉