CN114663771A - 一种基于分区分层理论的山区耕地智能化提取方法 - Google Patents

Abstract

本发明提供了一种基于分区分层理论的山区耕地智能化提取方法，包括：获取研究区的高空间分辨率光学遥感影像；基于分区分层理论，对遥感影像进行地理分区；针对不同形态类型的耕地分别制作耕地标签：分层提取规则耕地及梯田空间形态信息、坡耕地空间形态信息、林草间耕地空间形态信息：最后根据研究区耕地的空间关系，按照林草间用地‑坡耕地‑梯田‑规则耕地的顺序，将各类型耕地结果逐层优化，获取耕地空间形态信息。本发明实现了山区的耕地快速、智能化提取，减少了人工调查和编辑的工作量，解决了传统方法难以在山区开展耕地形态信息提取的问题。

Description

一种基于分区分层理论的山区耕地智能化提取方法

技术领域

本发明涉及遥感信息提取与分析技术领域，特别是涉及一种基于分区分层理论的山区耕地智能化提取方法。

背景技术

我国人口众多，但是有效的耕地较少，粮食问题一直是关乎民生的重大问题之一。提高农业精准化水平的核心内容之一是获取准确的农业种植面积信息，高分辨率遥感技术的发展，为实现这一目标提供了良好的基础。

利用高分辨率遥感数据进行耕地空间形态的提取多采用面向对象分割的方式，该类方法主要依赖于对象内部像元同质性的原则，究其原因是分割算法难以将对象的地学机制、形态特征以及对象随时间变化的过程考虑在内，从而导致获取的耕地空间形态结果容易受耕地类型、耕地边缘特征差异以及耕地内部异质的影响；另外，亚米级的遥感影像的纹理信息更加丰富，会进一步强化临近像元之间的异质性，导致分割结果破碎，难以应用到山区的耕地信息提取中。因此，该类方法多集中应用于地势相对平坦、耕地类型和形态简单的中国北方区域。目前，在中国南方的山区复杂地表环境下如何实现智能化、高精度的耕地空间形态信息提取的相关方法较为缺乏。

发明内容

本发明的目的是提供一种基于分区分层理论的山区耕地智能化提取方法，实现了山区的耕地快速、智能化提取，减少了人工调查和编辑的工作量，解决了传统方法难以在山区开展耕地形态信息提取的问题。

为实现上述目的，本发明提供了如下方案：

一种基于分区分层理论的山区耕地智能化提取方法，包括如下步骤：

S1，收集高空间分辨率遥感影像：获取研究区的高空间分辨率的光学遥感影像，利用遥感数据处理软件进行几何精校正，并基于地理坐标拼接完整覆盖研究区；

S2，对遥感影像进行地理分区：基于分区分层理论，依据遥感影像中的山地是否为主导地形进行初步判断，如果遥感影像中山地占主导地形，则以地形信息为约束进行影像分区，根据研究区的情况可划分为山区、山坡区以及平坝区；如果遥感影像中平原占主导地形，则对遥感影像提取道路信息，并以闭合的道路网将影像划分为平坝区以及山坡区；

S3，制作耕地标签：首先从遥感影像在每种类型的地理分区内分别裁剪出设定像素的影像样本；然后通过解译的方式根据耕地类型，绘制边缘与纹理的矢量样本；最后通过矢量栅格化方式分别转换为线状和面状的语义标签，与其对应的遥感影像共同构成训练标签；

S4，分层提取规则耕地及梯田空间形态信息：基于训练标签中的线状语义标签，利用边缘卷积网络提取平坝区规则耕地和分布于山坡区的梯田；

S5，提取坡耕地空间形态信息：基于训练标签中的面状语义标签，针对边缘相对模糊但内部有一定纹理特征的坡耕地，通过构建纹理模型的方式予以提取；

S6，提取林草间耕地空间形态信息：基于训练标签中的面状语义标签，采用多尺度分割的方式提取林草间区域的林草小斑，然后针对混杂在其中的剩余图斑赋予耕地的属性；

S7，对耕地空间形态信息制图：根据研究区耕地的空间关系，按照林草间用地-坡耕地-梯田-规则耕地的顺序，将各类型耕地结果逐层优化，获取耕地空间形态信息。

进一步的，所述步骤S1中，高空间分辨率的光学遥感影像由多个时相的碎片化数据镶嵌而成。

进一步的，所述步骤S3中，每种类型的地理分区包括山区、山坡区以及平坝区；设定像素为1000×1000像素。

进一步的，所述步骤S3还包括：对训练标签进行数据增强，包括随机裁剪、翻转、旋转、色彩抖动、图像移位。

进一步的，所述步骤S4中，边缘卷积网络采用改进的神经网络RCF，将该网络设置为5层，具体结构为：

第一层包括两个卷积层，每个卷积层均具有64个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层得到第一层的特征图a；将经过第一层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第二层包括两个卷积层，每个卷积层均具有128个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图b；将经过第二层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第三层包括三个卷积层，每个卷积层均具有256个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图c；将经过第三层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第四层包括三个卷积层，每个卷积层均具有512个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图d；将经过第四层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第五层包括三个卷积层，每个卷积层均具有512个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图e；将经过第五层得到的新图像进行最大池化处理，池化层尺寸为2*2；

最终将这五层网络得到的特征图a、b、c、d、e经过串联拼接，经过具有1个1*1卷积核大小的卷积层，得到通道数为1的特征图，再使用sigmoid函数进行损失计算。

进一步的，所述步骤S5中，提取坡耕地空间形态信息具体使用神经网络D_LinkNet和U_Net。

进一步的，所述步骤S6中，提取林草间耕地空间形态信息使用的神经网络为改进的InceptionV3。

进一步的，所述步骤S6中，基于训练标签中的面状语义标签，采用多尺度分割的方式提取林草间区域的林草小斑，然后针对混杂在其中的剩余图斑赋予耕地的属性，具体包括：

1)，在每个图斑的约束下，随机选择待预测点，所述预测点的位置贴近图斑的形心或质心；

2)，将生成的随机点的位置信息通过空间映射的方式，映射到遥感影像中所对应的像元，并在遥感影像上点周围的以一定半径对影像进行裁剪，生成子影像块；

3)，利用Inception网络依据每个图斑的内部纹理特征进行训练，利用训练的Inception模型在构建的子影像块基础上对选择的像元进行耕地、非耕地的判别；

4)，将每个像元的类型属性赋予到每个林草间中的图斑，实现非耕地的剔除。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于分区分层理论的山区耕地智能化提取方法，包括高空间分辨率遥感影像收集、遥感影像的地理分区、耕地标签制作、规则耕地及梯田空间形态信息分层提取、坡耕地空间形态信息提取、林草间耕地空间形态提取以及耕地空间形态制图等步骤；针对山区地形地貌复杂、耕地类型多样，以往采用的单一的耕地提取方法难以取得理想的效果的问题，本发明融合了分区分层方法，可以从整体到局部，逐层逐步逐类型地快速、精准提取耕地形态信息，即有效避免了误差传递，还便于提取工作的并行处理；本发明实现了山区的耕地快速、智能化提取，减少了人工调查和编辑的工作量，解决了传统方法难以在山区开展耕地形态信息提取的问题，能够提取山区复杂地表环境下的耕地空间形态信息，有利于提高该类地区农作物种植面积的统计精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于分区分层理论的山区耕地智能化提取方法的流程示意图；

图2为本发明实施例基于分区分层和神经网络的湖南澧县耕地提取结果示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

本发明的目的是提供一种基于分区分层理论的山区耕地智能化提取方法，实现了山区的耕地快速、智能化提取，减少了人工调查和编辑的工作量，解决了传统方法难以在山区开展耕地形态信息提取的问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明提供的基于分区分层理论的山区耕地智能化提取方法，包括如下步骤：

S1，收集高空间分辨率遥感影像：获取研究区的高空间分辨率的光学遥感影像，利用ENVI等遥感数据处理软件进行几何精校正，并基于地理坐标拼接完整覆盖研究区；其中，高空间分辨率的光学遥感影像可以是由多个时相的碎片化数据镶嵌而成；本发明不对数据源、镶嵌和几何校正方法进行限定；

S2，对遥感影像进行地理分区：基于分区分层理论，依据遥感影像中的山地是否为主导地形进行初步判断，如果遥感影像中山地占主导地形，则以地形信息为约束进行影像分区，根据研究区的情况可划分为山区(起伏较大区域)、山坡区(低矮丘陵等)以及平坝区(地形相对平坦)；如果遥感影像中平原占主导地形，则对遥感影像提取道路信息，并以闭合的道路网将影像划分为平坝区(相对平坦)以及山坡区(有一定起伏)；遥感影像分区依赖于地形、道路网以及水系网等自然存在或人工构建的线状地物，实际应用中应根据目标区制定具体的分区策略，本发明不对分区具体内容进行限定；

S3，制作耕地标签：首先从遥感影像在每种类型的地理分区(山区、山坡区以及平坝区)内分别裁剪出1000×1000像素的影像样本；然后通过解译的方式根据耕地类型，绘制边缘与纹理的矢量样本；最后通过矢量栅格化方式分别转换为线状和面状的语义标签，与其对应的遥感影像共同构成训练标签；在网络训练过程中，对样本标签进行数据增强的方式获得训练图像，包括随机裁剪，翻转、旋转、色彩抖动、图像移位等；标签实际大小超过网络的最小输入要求即可，标签的类型和大小应根据所选取的网络以及耕地类型设定，本发明在此方面不进行限定；同时，本发明不限定标签数据增强的具体方式；

S4，分层提取规则耕地及梯田空间形态信息：基于训练标签中的线状语义标签，利用边缘卷积网络提取平坝区规则耕地和分布于山坡区的梯田；如果实际应用没有该类耕地，则无需构建此类标签，本发明不强制要求获取此类型标签数据；

S5，提取坡耕地空间形态信息：基于训练标签中的面状语义标签，针对边缘相对模糊但内部有一定纹理特征的坡耕地，通过构建纹理模型的方式予以提取；如果实际应用没有该类耕地，则无需构建此类标签，本发明不强制要求获取此类型标签数据；

S6，提取林草间耕地空间形态信息：基于训练标签中的面状语义标签，采用多尺度分割的方式提取林草间区域的林草小斑，然后针对混杂在其中的剩余图斑赋予耕地的属性，如果实际应用没有该类耕地，则无需此步骤，本发明不强制要求；

S7，对耕地空间形态信息制图：根据研究区耕地的空间关系，按照林草间用地-坡耕地-梯田-规则耕地的顺序，将各类型耕地结果逐层优化，获取耕地空间形态信息。实际应用中，可增添其他类型耕地，并根据实际情况进行叠加优化，本发明不强制要求耕地类型和叠加优化顺序。

其中，所述步骤S4中，边缘卷积网络采用改进的神经网络RCF，改进的网络模型可以输入任意尺寸的3通道图像，将该网络设置为5层，具体结构为：

第一层包括两个卷积层，每个卷积层均具有64个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层得到第一层的特征图a；将经过第一层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第二层包括两个卷积层，每个卷积层均具有128个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图b；将经过第二层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第三层包括三个卷积层，每个卷积层均具有256个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图c；将经过第三层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第四层包括三个卷积层，每个卷积层均具有512个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图d；将经过第四层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第五层包括三个卷积层，每个卷积层均具有512个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图e；将经过第五层得到的新图像进行最大池化处理，池化层尺寸为2*2；

最终将这五层网络得到的特征图a、b、c、d、e经过串联拼接，经过具有1个1*1卷积核大小的卷积层，得到通道数为1的特征图，再使用sigmoid函数进行损失计算。该过程的各项参数设置如下：训练环境为Caffe、tensorflow以及pytorch，CUDA版本为8.0及以上，显卡为英伟达1080Ti及以上，内存为64G及以上。训练过程可描述为下式：

式中，X_ij表示样本编号，H_l-1为池化层，b_l为正则项，W_l为每次训练后的权重信息。

所述步骤S5中，提取坡耕地空间形态信息具体使用神经网络D_LinkNet和U_Net。步骤S5中设计的神经网络，其特征在于：①采用编码器进行不同尺度特征图的提取；②添加了特征压缩激活模块，即在上采样过程中添加了带有特征压缩模块的卷积层对输入的特征进行了进一步解码，学习特征之间的相关性，强化有用特征，抑制无用特征，进而提高模型的预测能力，并保持了与原始影像相同的空间分辨率；③在反卷积过程中增加了相应分辨率下编码器的特征，补充编码过程中丢失的高频信息。

步骤S5中各项参数设置如下：训练环境为Caffe、tensorflow以及pytorch，CUDA版本为8.0及以上，显卡为英伟达1080Ti及以上，内存为64G及以上。训练过程可描述为下式：

式中，X_ij表示样本编号，H_l-1为池化层，b_l为正则项，W_l为每次训练后的权重信息。

所述步骤S6中，提取林草间耕地空间形态信息使用的神经网络为改进的InceptionV3。在对混杂在林草区内部图斑的提取结果基础上，针对混杂在内部的大量细小图斑，利用Inception网络依据每个细小图斑的内部纹理特征进行训练，从而识别各个图斑的耕地/非耕地属性，并将类型信息赋予到每个图斑中，完成林草地内部零散图斑信息类型的判别。训练过程可描述为下式：

式中，X_ij表示样本编号，H_l-1为池化层，b_l为正则项，W_l为每次训练后的权重信息。

所述步骤S6中，基于训练标签中的面状语义标签，采用多尺度分割的方式提取林草间区域的林草小斑，然后针对混杂在其中的剩余图斑赋予耕地的属性，具体包括：

1)在每个图斑的约束下，随机选择待预测点，通常情况下，农田越靠近中心的位置，作物分布状态越纯净，因此为了尽量保证所选点能代表所在图斑的类型，该预测点的位置可以尽量贴近图斑的形心或质心；

2)将生成的随机点位置信息通过空间映射的方式，映射到遥感影像中所对应的像元，并在遥感影像上点周围的以一定半径对影像进行裁剪，生成子影像块；

3)利用训练的Inception模型在构建的子影像块基础上对选择的像元进行耕地/非耕地的判别；

4)将每个像元的类型属性赋予到每个林草间中的图斑，实现非耕地的剔除。在该过程中，为了保证图斑类型的准确性可以选择数量更多的随机点，并设定判定规则(例如众数)进行图斑类型的判别。

在具体实施过程中，以湖南省澧县的耕地提取为案例，基于分区分层理论的山区耕地智能化提取方法，包括如下步骤：

步骤一、高空间分辨率遥感影像收集：获取澧县的高空间分辨率光学遥感影像，其中的高空间分辨率光学遥感影像主要指空间分辨率优于2米的真/假彩色遥感影像，通常情况下使用优于1米的遥感数据。本案例采用空间分辨率为0.55米的谷歌合成数据。

步骤二、遥感影像的地理分区：采用地形(空间分辨率为30米的DEM数据)和道路对步骤一的影像进行分区。具体的，以由DEM计算获取的坡度为约束，以3度和10度为界限进行了影像的分区，即坡度小于3度的区域划分为平坝，坡度在3度～10度之间的划分为山坡区，坡度大于10度的区域为山区。进一步地，在平坝区依据收集地道路网，将其划分为更小单元地地理分区。

步骤三、耕地标签制作：随机、均匀地从步骤二中的地理分区中裁剪1000*1000像素大小的影像样本，舍弃跨区的影像样本。根据分区类型和耕地类型，分别制作对应的样本标签。

步骤四、规则耕地及梯田空间形态信息分层提取：利用改进的RCF网络模型提取平坝区规则耕地和分布于山坡区的梯田，该过程所使用的神经网络为以RCF为代表的边缘网络，将该网络设置为5层，并分别设置每层网络的神经元个数分别为64、128、256、512、512。初始学习率设置为0.0001，衰减参数设置为0.00001，批大小设置为4，迭代次数为30000，其他参数默认。

步骤五、坡耕地空间形态提取：针对边缘相对模糊但内部有一定纹理特征的坡耕地，通过构建纹理模型的方式予以提取，该过程所使用神经网络为以D_LinkNet为代表的语义分割网络，模型训练初始学习率设置为0.0001，随机裁剪大小设置为448，共训练3000epoch，批大小设置为8，其余参数默认。

步骤六、林(草)间耕地空间形态提取：分布于林(草)间的细小地块难以形成统一的边缘或者纹理特征，采用多尺度分割的方式提取出林草小斑，然后针对混杂在其中的剩余图斑赋予耕作地块的属性，具体如前述步骤S6。特别地，本次属性赋值过程采用的搜索半径为38个像素。

步骤七、耕地空间形态制图：根据这类型耕地的空间关系，按照林(草)间用地-坡耕地-梯田-规则耕地的顺序，将各类型耕地结果逐层优化，获取耕地空间形态信息。

基于分区分层和神经网络的湖南澧县耕地提取结果如图2所示。效果分析：利用图像处理常用的交并比作为评价指标，湖南省澧县的耕地提取精度大于0.7的地块占所有地块的60％以上，IoU值在0.5～0.7的地块达到了30％，整体满足使用要求。特别地，本实施例中所涉及神经网络的网络层数、神经元个数、训练初始学习率、随机裁剪大小、训练次数以及批大小设置不限于上述所设置的数字。

综上，本发明提供的基于分区分层理论的山区耕地智能化提取方法，融合了分区分层方法，可以从整体到局部，逐层逐步逐类型地快速、精准提取耕地形态信息，即有效避免了误差传递，还便于提取工作的并行处理；本发明实现了山区的耕地快速、智能化提取，减少了人工调查和编辑的工作量，解决了传统方法难以在山区开展耕地形态信息提取的问题，能够提取山区复杂地表环境下的耕地空间形态信息，有利于提高该类地区农作物种植面积的统计精度。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于分区分层理论的山区耕地智能化提取方法，其特征在于，包括以下步骤：

S1，收集高空间分辨率遥感影像：获取研究区的高空间分辨率的光学遥感影像，利用遥感数据处理软件进行几何精校正，并基于地理坐标拼接完整覆盖研究区；

S2，对遥感影像进行地理分区：基于分区分层理论，依据遥感影像中的山地是否为主导地形进行初步判断，如果遥感影像中山地占主导地形，则以地形信息为约束进行影像分区，根据研究区的情况可划分为山区、山坡区以及平坝区；如果遥感影像中平原占主导地形，则对遥感影像提取道路信息，并以闭合的道路网将影像划分为平坝区以及山坡区；

S3，制作耕地标签：首先从遥感影像在每种类型的地理分区内分别裁剪出设定像素的影像样本；然后通过解译的方式根据耕地类型，绘制边缘与纹理的矢量样本；最后通过矢量栅格化方式分别转换为线状和面状的语义标签，与其对应的遥感影像共同构成训练标签；

S4，分层提取规则耕地及梯田空间形态信息：基于训练标签中的线状语义标签，利用边缘卷积网络提取平坝区规则耕地和分布于山坡区的梯田；

S5，提取坡耕地空间形态信息：基于训练标签中的面状语义标签，针对边缘相对模糊但内部有一定纹理特征的坡耕地，通过构建纹理模型的方式予以提取；

S6，提取林草间耕地空间形态信息：基于训练标签中的面状语义标签，采用多尺度分割的方式提取林草间区域的林草小斑，然后针对混杂在其中的剩余图斑赋予耕地的属性；

S7，对耕地空间形态信息制图：根据研究区耕地的空间关系，按照林草间用地-坡耕地-梯田-规则耕地的顺序，将各类型耕地结果逐层优化，获取耕地空间形态信息。

2.根据权利要求1所述的基于分区分层理论的山区耕地智能化提取方法，其特征在于，所述步骤S1中，高空间分辨率的光学遥感影像由多个时相的碎片化数据镶嵌而成。

3.根据权利要求1所述的基于分区分层理论的山区耕地智能化提取方法，其特征在于，所述步骤S3中，每种类型的地理分区包括山区、山坡区以及平坝区；标签尺寸设定的长宽像素数量超过网络的最小输入要求。

4.根据权利要求1所述的基于分区分层理论的山区耕地智能化提取方法，其特征在于，所述步骤S3还包括：对训练标签进行数据增强，包括随机裁剪、翻转、旋转、色彩抖动、图像移位。

5.根据权利要求1所述的基于分区分层理论的山区耕地智能化提取方法，其特征在于，所述步骤S4中，边缘卷积网络采用改进的神经网络RCF，将该网络设置为5层，具体结构为：

第一层包括两个卷积层，每个卷积层均具有64个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层得到第一层的特征图a；将经过第一层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第二层包括两个卷积层，每个卷积层均具有128个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图b；将经过第二层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第三层包括三个卷积层，每个卷积层均具有256个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图c；将经过第三层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第四层包括三个卷积层，每个卷积层均具有512个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图d；将经过第四层得到的新图像进行最大池化处理，池化层尺寸为2*2；

第五层包括三个卷积层，每个卷积层均具有512个3*3大小的卷积核，原始图像依次通过两个卷积层，得到的新图像作为下一层的输入；同时，每一次卷积输出的特征图再经过一个具有21个1*1卷积核的卷积层，得到两个21层的特征图，再经过特征拼接得到融合特征图，再接入一个卷积核为1*1大小的卷积层和一个反卷积层得到特征图e；将经过第五层得到的新图像进行最大池化处理，池化层尺寸为2*2；

最终将这五层网络得到的特征图a、b、c、d、e经过串联拼接，经过具有1个1*1卷积核大小的卷积层，得到通道数为1的特征图，再使用sigmoid函数进行损失计算。

6.根据权利要求1所述的基于分区分层理论的山区耕地智能化提取方法，其特征在于，所述步骤S5中，提取坡耕地空间形态信息具体使用神经网络D_LinkNet和U_Net。

7.根据权利要求1所述的基于分区分层理论的山区耕地智能化提取方法，其特征在于，所述步骤S6中，提取林草间耕地空间形态信息使用的神经网络为改进的InceptionV3。

8.根据权利要求7所述的基于分区分层理论的山区耕地智能化提取方法，其特征在于，所述步骤S6中，基于训练标签中的面状语义标签，采用多尺度分割的方式提取林草间区域的林草小斑，然后针对混杂在其中的剩余图斑赋予耕地的属性，具体包括：

1)，在每个图斑的约束下，随机选择待预测点，所述预测点的位置贴近图斑的形心或质心；

2)，将生成的随机点的位置信息通过空间映射的方式，映射到遥感影像中所对应的像元，并在遥感影像上点周围的以一定半径对影像进行裁剪，生成子影像块；

3)，利用Inception网络依据每个图斑的内部纹理特征进行训练，利用训练的Inception模型在构建的子影像块基础上对选择的像元进行耕地、非耕地的判别；

4)，将每个像元的类型属性赋予到每个林草间中的图斑，实现非耕地的剔除。

Images