0 引言

2020 年，在自然资源部下发《自然资源调查监测体系构建总体方案》的背景下，国土资源成为自然资源调查中的重点调查对象之一。中国可利用的国土资源非常有限，特别是秦岭北麓地区，如何及时且快速地掌握国土资源现状，了解其变化信息，对配合秦岭“伤痕调查”，服务“数字国土”及“智慧秦岭”建设，提升秦岭北麓国土资源调查监管能力和治理能力具有重要意义。传统的人工调查方法中，人工投入大、成本高、监督客观性弱（丁永福等，2018），随着中国卫星遥感技术的不断进步，国产卫星影像的空间分辨率显著提高，米级、亚米级的数据已广泛应用于生产实践（胡琨菠等，2019），国产卫星遥感技术也成为国土资源调查监测的有效手段（蓝翔，2021）。

在国土资源变化监测方面，传统的监测往往通过人工目视解译来获取变化信息，耗时长、成本高 （周柱灿等，2022）。随着遥感影像数据空间分辨率的提升，遥感数据处理技术逐渐向智能化方向发展 （付杰等，2022），以神经元网络为特征的深度学习技术超越了传统的人工目视解译，成为人工智能研究领域中的一个热点（孙江锋等，2019），在遥感图像分类、识别及目标检测等任务中得到了广泛应用。吴海平和黄世存（2019）以北京市通州区 2016 年和2017 年度的北京二号遥感数据为基础，利用卷积神经网络完成了深度学习变化监测模型的训练，实现了北京通州区新增建设用地信息的自动提取； 王志有等（2020）以高分二号影像数据作为数据源，提出了基于分支卷积神经网络的变化监测方法，实现宁夏地区卫星影像的变化监测。 2015 年， Jonathan Long 等提出的全卷积神经网络（fully convolutional networks，FCN），在丢弃了传统卷积神经网络（Convolutional Neural Networks，CNN）算法中的全连接层的基础上，通过末端的反卷积层使输出的分割结果与输入图像的分辨率一致，实现了像素级的分类，被广泛应用于遥感领域（黄露等，2020）； 谢锦莹等（2020）以浙江慈溪部分杭州湾滨海湿地为研究区，基于高分辨率影像，采用 FCN 与面向对象相结合的方法实现了滨海湿地植被监测。目前还没有利用 FCN 算法进行秦岭北麓建设用地变化监测的应用研究，因此，本文在选用秦岭北麓建设用地作为研究对象的基础上，利用图像裁剪算法搭建秦岭北麓解译样本库，然后构建FCN模型对遥感影像特征进行提取，并选取实验区对FCN模型提取的准确度进行验证，最后利用FCN算法实现秦岭北麓多期次建设用地遥感监测智能化提取，并对监测结果进行对比分析，摸清秦岭北麓国土资源现状和变化趋势，以期提升国土资源调查监管技术水平，为国土执法监察部门提供决策支持和执法依据。

1 研究区概况与数据

1.1 研究区概况

研究区西起宝鸡，东到潼关，南以秦岭分水岭为界，北至关中盆地南缘，为陕西境内秦岭北麓地区，主要涉及宝鸡、西安、渭南 3 市 15 个县（区），总面积16065 km²，是关中地区的生态屏障和水源涵养地（周煜杰等，2019）（图1）。研究区地形陡峭、沟谷深邃、河流短促，属于温带大陆季风气候（鲍锋等， 2020），土地覆被以林地和耕地为主，约占秦岭北麓地区总面积的 93%，其次为不透水面、草地，约占秦岭北麓地区总面积的 6%，灌木地、水体和荒地面积相对较少。

1.2 数据与处理

根据季度监测的频次需求，选取符合时相要求 （2019—2021年共12个季度），影像质量较好的国产高分一号（GF-1）遥感影像数据作为解译数据源，影像来源于自然资源陕西省卫星应用技术中心。所用卫星影像云量需低于 5%、噪音少，且 3 个年份相同季度的影像时间需较为接近，这可保证植被、水体等地物在相似的季节中保持一个稳定的状态（刘美等，2020），从而提高解译结果的准确性。

高分一号遥感影像预处理主要包括辐射定标、大气校正、正射校正、影像镶嵌与配准、研究区裁剪等步骤（周智勇等，2015），通过影像预处理消除图像几何畸变等因素对影像质量的影响（王娟等， 2014）。本研究的遥感影像预处理在GXL软件中进行，以1 m分辨率全省DOM数据为参考影像，全省5 m网格DEM数据为计算依据，实现影像地面控制点采集、平差计算、正射校正、融合镶嵌等处理，形成满足解译要求的正射影像底图。

2 研究方法

2.1 样本库构建

样本库是图像智能化分类的基础，样本数据的标注质量在深度学习神经网络模型的设计和训练中起到至关重要的作用，会直接影响模型运行的最终效果。在对影像进行预处理后，选取2019年任一期秦岭北麓2 m影像数据和对应的建设用地矢量作为样本库数据源，按照“规则先行、最大最小、标签完整性、所标即所见”的原则对样本进行标注，在保证标注和影像套合的前提下，利用ArcGIS Pro的“导出训练数据进行深度学习”功能来对影像进行切片，从而生成数据标签，形成秦岭北麓建设用地样本库（图2）。

2.2 FCN模型搭建

FCN 主要由图像输入层、输出层、卷积层、池化层和上采样层组成，整个模型表达的过程就是图像卷积、池化和上采样的过程（谢锦莹等，2020）。卷积层主要对输入影像进行特征提取，池化层位于卷积层后面，作用是对影像进行二次特征提取，减少计算量，防止过拟合现象的出现，上采样层是 FCN 算法的一大创新，又被称为反卷积层，它可以对上一个卷积层的 feature map 进行上采样，使它恢复到输入图像相同的尺寸（江涛和王新杰，2019）。FCN 模型结构共有 16 层卷积层和 5 层池化层，后接 3 层卷积层和一层上采样层，每层卷积层后的激活函数均为ReLU函数。模型结构示意图如图3所示。

2.3 FCN提取方法验证

2.3.1 实验区选取

通过对秦岭北麓遥感影像进行分析，选取地物类型齐全，影像质量较好的区域作为分类方法精度验证实验区。本次选取的实验区位于秦岭北麓长安区与鄠邑区交界处北部（图4），面积为60 km²。

2.3.2 多尺度分割

图像分类易受同物异谱和异物同谱现象的干扰，分类结果常会出现“椒盐效应”（刘建闽等， 2015）。为了有效解决图像分类结果过于细碎的问题，需要在数据处理过程中对图像进行分割（陈广群等，2010），分割后的斑块（Segment）构成后续特征提取、图像分析的基本单元（张猛等，2020）。本次图像分割采用 SNIC 算法，SNCI 分割算法中分割尺度 size 是关键的参数，通过设置不同分割尺度对实验区图像进行分割（王修信等，2020），分割结果如图5所示，结合影像数据，认为分割尺度size为20的图像分割结果与影像实际信息较吻合。

2.3.3 样本选择

利用 ArcGIS 在实验区范围内生成 1200 个随机点，将其中1000个随机点设为样本点，200个随机点设为验证点。再根据影像特征区分地类，并为每个点填上适合的标签形成实验样本，根据实验区图像特征，共分为耕地、林草地、建设用地、水体和其他用地5类，下图（图6）为随机生成的样本点。

2.3.4 分类结果与精度验证

利用 FCN 算法对实验区进行图像分类提取结果如图7所示，可以看出，FCN算法在建设用地提取上十分精确平整，整体上没有出现细碎图斑。经验证，FCN 算法在训练集上的分类精度为 96.46%（表1），在验证集上的精度为 93. 05%（表2），算法运行时间为5 min左右。

3 秦岭北麓建设用地变化监测与分析

通过构建建设用地样本库，在实验区进行了 FCN算法的精度验证后，将 FCN算法应用至秦岭北麓全区，开展多时序建设用地变化监测。同时，利用秦岭北麓范围内区县矢量数据、秦岭生态保护区 （三区）数据（图8）对解译成果进行综合分析。

3.1 解译结果统计分析

2019 年第一季度到 2021 年第四季度，建设用地面积从 85769.65 hm² 上升到 87311.84 hm²，整体呈现增长状态（图9）；从县域划分来看，蓝田县建设用地面积占比最大，太白县最少；从“三区”划分来看，建设用地大部分分布于一般区，核心区鲜有分布。

同时，通过在ArcGIS中将各季度的解译结果进行空间叠置分析，可以厘清秦岭北麓地区 3 年来建设用地的转入转出情况。从类型上来看，建设用地的转入与转出都主要以其他用地为主；从时间上来看，转入主要发生在 2019 年第三季度，转出则以 2020 年第三季度最多；从区域上来看，建设用地变化最多的为长安区，其次是蓝田县；从“三区”划分上来看，建设用地的变化主要集中在一般区，而核心区范围内几乎未有变化。

3.2 图斑变更因素分析

通过对秦岭北麓 2019—2021 年建设用地解译结果和变更情况进行统计分析可知，建设用地整体呈现增加趋势，但各季度变化均不相同，其中 2019 年第四季度至2020年第一季度面积增长缓慢，几乎未发生变化；2020年第四季度秦岭北麓建设用地总面积减少，而下一季度即2021年第一季度面积大幅度增加（图9），分析有以下原因：

（1）新冠疫情影响。2019年底，新冠疫情爆发，直至 2020 年 3 月份，新冠疫情得到初步控制，各行各业才得以顺利复工。所以在这期间，建筑行业基本处于停滞状态，建设用地也增长缓慢，几乎未发生变化。

（2）地方用地规划影响。2020 年第四季度，建设用地总面积大幅度减少，通过实地调查发现这期间长安区有村庄大面积进行拆除；而2021年第一季度建设用地面积大幅度增加，主要是因为蓝田县修建了大型工厂和大面积垃圾填埋场。

（3）常住人口数量增加。据国家统计局数据显示，截至 2020年末，陕西省常住人口 3876.21万人，比上年末增加11.81万人，人口增加，也导致建设用地需求增加。

（4）《陕西省秦岭生态环境保护条例》施行。据秦岭“三区”分布图（图8）可以看出，秦岭北麓区域内南部核心保护区以及重点保护区占比较多，而北部则处于保护范围之外，且多为建设用地，对秦岭 “三区”2019—2021 年建设用地净增长值制图分析 （年度建设用地总转入面积-年度建设用地总转出面积）（图10）。可见一般区内随时间增加，净转入面积增加，说明一般区内开发建设活动较为频繁； 重点区内2020年度净增加面积最大，其余两年远小于此年度，其总体面积小于一般区，最新修订的《陕西省秦岭生态环境保护条例》于 2019 年末施行，受条例影响，建设活动减少，且有一部分恢复治理活动；核心区内开发建设活动极少，净增量远小于其他年份，与秦岭生态保护区条例要求相一致。

4 结论

本文选取国产卫星影像数据高分一号作为数据源，以秦岭北麓建设用地作为研究对象，利用 GXL软件对影像数据进行预处理，形成研究区解译底图。通过建立秦岭北麓建设用地样本库，选取地类要素较为齐全的实验区，采用FCN算法对实验区影像进行智能提取，并对提取精度进行验证，然后将FCN图像分类算法应用到秦岭北麓全区，实现秦岭北麓建设用地的提取及变化监测。在此基础上，进一步分析了建设用地图斑分布情况、变化趋势以及变更因素。结果表明：

（1）FCN 图像分类前期难度大，需要建立样本库和算法模型，样本训练时对计算机的硬件性能要求较高，针对性较强。

（2）FCN 算法在建设用地提取上效果十分优良，分类精度较高，在实验区测试集上的分类精度为96.46%，在验证集上的精度为93. 05%。

（3）2019—2021 年，秦岭北麓建设用地整体呈现缓慢上升的趋势，长安区和鄠邑区同属于省会城市西安市，转入图斑面积最多，一定程度反映出城市的扩张。同时，耕地转入建设用地的图斑面积仅次于其他用地，相关职能部门可以以此为依据开展建设用地的执法和规划工作。

参考文献