基于卫星遥感的耕地非农化监测的技术原理简述

近日央视曝光怕被卫星拍到的垃圾山震惊全网冲上热搜，那么基于卫星是怎么发现耕地占用的呢？今天一文带你理清卫星遥感监测背后的秘密！

卫星遥感的耕地"非农化""非粮化"监测技术原理，是通过多源遥感数据融合、时序特征分析和智能分类算法，实现对耕地用途改变的精准识别。

其核心在于区分农业活动类型与建设/生态活动的光谱-时空差异，具体技术框架如下：

一、技术原理分层解析

1. 光谱特征解译层

非农化判定（耕地→建设用地/裸地）：

NDVI突降+NDBI上升：植被指数（NDVI<0.3）与建筑指数（NDBI>0）的反向变化

纹理特征变化：出现规则几何边缘（建设）或均质化纹理（硬化）

热红外异常：地表温度（LST）升高2-3℃（混凝土热容效应）

非粮化判定（粮食作物→经济作物/林地/坑塘）：

红边特征分析：利用Sentinel-2的B5-B7波段区分小麦（红边斜率0.8）与果树（红边斜率1.2）

表：典型作物光谱特征差异

| 地类 | NDVI峰值 | EVI2范围 | 红边位置 |

|---|---|---|---|

| 水稻 | 0.7-0.8 | 0.5-0.6 | 720nm |

| 葡萄园 | 0.6-0.7 | 0.4-0.5 | 740nm |

| 大棚 | 0.5-0.6（周期性波动） | - | - |

2. 时序特征分析层

生长周期曲线匹配：

粮食作物：单峰型（冬小麦：3-5月NDVI>0.7）

经济作物：多峰型（茶叶：全年4-5次采摘NDVI波动）

建设占用：持续低NDVI（<0.3）

SAR时序干涉：

耕地：周期性后向散射变化（播种期σ0下降3dB）

硬化地面：稳定高后向散射（σ0>-5dB）

3. 空间格局分析层

地块形态变异：

非农化：地块破碎度指数（FN）突增50%以上

非粮化：田埂结构改变（如柑橘园出现环形种植模式）

三维变化检测：

激光雷达（GEDI）检测高程变化>0.5m（如堆土）

立体影像（GF-7）提取建筑高度≥2m

二、  智能监测技术链

关键算法：

①非监督变化检测

使用IR-MAD（Iteratively Reweighted Multivariate Alteration Detection）提取变化区域

示例代码：

python

from skchange.change_detectors import IRMAD

detector = IRMAD(n_components=3)

changes = detector.fit_predict(ts_stack)

②作物分类模型

结合3D-CNN处理时空立方体数据

迁移学习（如Fine-tune CropNet）

三、  精度控制体系

验证方法：

混淆矩阵（Kappa>0.75）

外业采样（每100km²不少于20个验证点）

四、典型应用场景

①大棚房整治：

判定标准：单体面积>400㎡且连续3季NDVI<0.4

技术组合：WorldView-3（0.3m）+ Sentinel-1极化特征

大棚识别目前有具体的提取算法，可参考：大棚提取算法

调用示例

请求示例

https://api.open.geovisearth.com/v2/ai/greenhouse/extraction?bbox=%5B114.6872474990300077,26.4538289058699938,114.7306790308749953,26.4784792347549960%5D&map=no&path=https://io-qos.geovisearth.com/getfile/15/geovis-test/wanan_Q4_cut2.tif&token=您的token

返回示例

{"code": 200,"data": {"taskType": "4","detail": {"resultPath": "https://api3.geovisearth.com/sample-daas/user_temp_data/Zsy3woMwPEIUYIr2NIZgylUyTKwfdNzO/2024/08/22/daasResult/73d43c568ac8b396cf455a242abb420f80c969074cd22f5970a4cee1a17ce08961ac332459038687efd3757f0def0218a493c89abbd3219b74c50efd2544b6c0.geojson"},"status": "success","taskTypeCh": "greenhouseExtraction-大棚提取"},"message": "success"
}

②果园侵占基本农田：

识别特征：株行距模式（4m×4m棋盘格纹理）

技术方案：无人机多光谱（5cm）辅助验证

五、技术瓶颈与突破方向

当前挑战：

休耕与抛荒的误判（需结合承包数据）

林粮间作模式的识别（如核桃+小麦）

前沿解决方案：

星地协同计算：利用吉林一号星上AI实时初筛

多模态学习：融合社交媒体POI数据辅助判断

数字孪生：构建耕地用途知识图谱（如种植习惯库）