[0001] 本申请涉及卫星遥感区域应用技术领域，特别涉及基于机器学习沟道耕地非粮化识别方法、系统及存储介质。

[0002] 耕地非农化地块在遥感影像上会呈现特有的形态和纹理特征，这些特征与其周围的环境反差较大，可从遥感影像中识别。黄土高原沟道水热条件好，沟道土壤含水量是塬坡面的近3倍，蕴藏着十分丰富的耕地后备资源和粮食增产潜力，但随着农业结构调整、部分地区劳动力缺失导致耕地撂荒、部分农民违规在基本农田上种树、挖塘等现象导致“非粮化”情况严重。耕地非粮化影响粮食安全，农民福利及农村稳定。黄土丘陵地区地形条件多变，沟道耕地占耕地数量的80％，故非粮化的识别对土地资源集约节约利用至关重要，可提升耕地资源利用效率，保障区域粮食安全。机器学习网络通过观察大量的数据和训练，以自动“学习”的算法并从数据中分析发现事物规律，识别人类可能遗漏的数据趋势和模式，获得分析问题、解决问题的能力，然后利用规律对新样本进行预测，主要应用于遥感影像分类、建筑物提取和道路提取等常见地物上，对于非粮化特征的提取与识别的研究仍然处于起步阶段。

[0029] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0030] 参考图1，一种基于机器学习的沟道耕地非粮化识别方法，包括以下步骤：

[0031] S1：分析沟道耕地非粮化与自然形成因素之间的多重共线性问题；

[0032] S2：建立沟道耕地非粮化训练数据集，完成多通道图层信息的提取；

[0033] S3：构建适合研究区的DeepLabV3+机器学习模型，实现对沟道耕地非粮化的提取。

[0034] 具体的，DeepLabV3+机器学习模型是结合了深度卷积神经网络和概率图模型的系语义分割方法。

[0035] 如图2所示，深度卷积神经网络主要包括卷积层、激活函数、池化层和全连接层。

[0036] 池化层是对统计信息进行缩减、提取特征信息的过程，池化操作能减少特征图的尺寸，有效减少计算量同时抑制过拟合现象的发生，并且由于最大池化操作可以在一定区域内总是选取到最大值元素，可以消除部分微小位移带来的误差影响。

[0037] 全连接层整合卷积层和池化层提取出的具有类别的局部信息。

[0038] 进一步的，DeepLabV3+机器学习模型是在DeepLabV3模型利用具有多个扩张率的池化特征获取丰富的上下文信息基础上，融入了Encoder Decoder结构。

[0039] Encoder Decoder结构用于融合多尺度信息并获取图像分割结果，通过控制空洞卷积来平衡输出编码特征的分辨率精度与运行时间，Encoder使用空洞卷积提取特征，替代了下采样的过程，Decoder用于恢复目标边界细节。

[0040] 进一步的，DeepLabV3+机器学习模型中的DCNN(深度卷积神经网络)语义分割任务中采用Resnet18模型提取图像特征，Resnet18模型包含带有权重的17个卷积层和1个全连接层，其余池化层不包含权重，其学习结果受到网络权重和数据波动的影响较大。

[0041] 示例性地，DeepLabV3+机器学习模型采用两种模型训练策略，一种是整个训练过程中固定学习率，另一种是每经过一定训练轮数后，学习率会逐渐按照某个固定倍率缩小，直至训练结束。当初始学习率为0.001，缩减倍率为每轮减小0.63倍时，学习率分别在第25轮和第50轮训练处接近0.0001和0.00001学习率。在控制其余训练参数默认不变的情况下，依据学习率每隔一定轮数可以逐渐缩小为原来的1/10经验，分别训练了初始学习率为0.001、每隔五轮缩减为0.63倍的变化学习率，以及0.001、0.0001和0.00001三种固定学习率的DeepLabV3+机器学习模型。

[0042] 将训练集中的原始影像和标签图像对训练好的四种学习率下DeepLabV3+机器学习模型进行整体分类精度的测试并对比分析得到：0.0001学习率模型的各项精度都达到最高，其次为0.001学习率和变化学习率模型，最差为0.00001学习率模型，四种模型的召回率、精确度、IOU(重叠度)值最大相差为27.27％、8.32％和0.1712。综合模型各项精度评价后本实施例中DeepLadV3+机器学习模型的学习率参数设定为0.0001。

[0043] 具体的，步骤S1分析多重共线性问题所用到的检测方法包括Pearson相关系数法、方差膨胀因子以及信息增长率。

[0044] 进一步的，步骤S1依据Pearson相关性分析、方差膨胀因子和信息增长率的计算结果，保留训练样本中不存在多重共线性问题的所有影响因子。

[0045] 参考图3，步骤S2利用ENVI完成了对研究区的遥感影像的预处理，所述ENVI主要使用的模块包括辐射定标、大气校正和正射校正模块。

[0046] 辐射定标模块主要是将遥感影像的数字量化值转化为有物理意义的大气表观辐射亮度值。

[0047] 大气校正模块主要是消除由大气影像所造成的辐射误差，反演各类地物真实的反射率。

[0048] 正射校正模块主要是修正影像倾斜误差。

[0049] 进一步的，步骤S2利用Arcmap分别提取267个沟道耕地非粮化图斑和非沟道耕地非粮化图斑作为正样本和负样本，共包含5580个像元。5580个像元中按照7:3的比例选取3906个像元作为训练集，1674个像元作为测试集。

[0050] 本申请实施例还提供了一种基于机器学习的沟道耕地非粮化识别方法系统，包括：

[0051] 采集分析模块，用于分析沟道耕地非粮化与自然形成因素之间的多重共线性问题；

[0052] 遥感处理模块，用于建立沟道耕地非粮化训练数据集，完成多通道图层信息的提取；

[0053] 信息数据库模块，用于构建适合研究区的DeepLabV3+机器学习模型，实现对沟道耕地非粮化的精确提取。

[0054] 一种计算机可读存储介质，包括计算机程序，当计算机程序在计算机上运行时，使得上面所述的任意识别方法被执行。

[0055] 尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。

[0056] 显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。