摘要：研究选取四个典型农业生产区域，以0.1米分辨率的3波段（红、绿、蓝）无人机正射影像（DOM）为数据源，经预处理构建“光谱+纹理”数据集。构建六级分类体系，对比分析传统监督分类方法与基于ArcGISPro的深度学习分类方法的性能。结果表明，深度学习分类方法总体精度稳定在90%以上，细分类型提取精度优势显著，空间连续性良好，边界识别精准度高，为耕地精细化管理与农业资源调查提供了高效、精准的技术支撑。

　　关键词：ArcGISPro；深度学习；耕地种植属性；精准提取；分类精度；比较分析

　　1.引言

　　耕地种植属性的精准识别与动态监测是保障粮食安全、优化农业生产布局的重要基础。传统耕地信息提取技术依赖监督分类方法，受限于光谱特征单一利用，在处理耕地细分类型时易出现混淆，精度不足，难以满足精细化管理需求。无人机正射影像基层易获取、时效性强，可弥补传统卫星遥感影像获取复杂、时效不匹配的短板，ArcGISPro集成的深度学习模块可挖掘影像深层特征，实现复杂地物精准识别[1]。近年来，深度学习在影像分类领域成效显著，但在耕地种植属性精细化提取的系统性对比方面仍需进一步深入研究。

　　2.研究区域概况与数据来源

　　2.1研究区域选取

　　研究综合考虑地理区位、耕地类型多样性及种植模式差异性，选取A、B、C、D四种典型区域作为研究对象，所有区域均位于濮阳市南乐县境内。研究区域属温带季风气候，海拔范围为40—60m，地形以平原为主，地势平坦开阔，耕地资源丰富且类型多样。研究区内耕地种植属性复杂，包含非耕地、耕地小麦、耕地蔬菜、耕地蒜苗、耕地大棚（钢结构大棚、透明蔬菜大棚）、耕地未耕、耕地（已收割）等多种类型，其中耕地设施大棚占比达15%—30%，不同作物种植区交错分布，为耕地种植属性提取技术的验证提供了典型样本。

　　2.2数据来源与预处理

　　研究以分辨率0.1米的3波段（红、绿、蓝）无人机正射影像（DOM）为数据源，其获取方便且时效性强，成像时段覆盖作物生长关键期。影像已完成基础拼接与正射校正，预处理时，按研究区域矢量边界裁剪影像，采用ENVI5.3软件去噪，再通过ArcGIS-Pro提取均值等纹理特征，构建“光谱+纹理”数据集[2]。同时，实地调研获取耕地种植属性真值，用GPS记录地块坐标，建立含位置、种植类型等信息的样本库，训练与验证样本各占70%与30%。

　　3.研究方法

　　3.1分类体系构建

　　结合研究区域耕地种植属性特征与精细化管理需求，构建六级分类体系，涵盖非耕地、耕地小麦、耕地蔬菜、耕地蒜苗、耕地大棚（含钢结构大棚、透明蔬菜大棚两个亚类）、耕地未耕及耕地（已收割）。分类体系兼顾地物光谱差异性与种植属性功能性，明确各类别界定标准。其中设施大棚依据建筑结构与透光性差异划分亚类，特殊耕作状态地块（未耕、已收割）单独归类，确保分类体系的科学性与实用性。

　　3.2分类模型构建

　　3.2.1传统监督分类方法

　　以交互式监督分类、最大似然法监督分类这两种传统方式进行对比。交互式监督分类人工选定训练样本，按光谱特征相似程度划分地物；最大似然法监督分类假设地物光谱特征呈正态分布，算出像素归属各类别的概率来分类。两种分类都在ArcGISPro平台进行，分类参数选用系统默认最优值。

　　3.2.2深度学习分类方法

　　依托ArcGISPro内置的深度学习模块，采用U-Net网络模型提取耕地种植属性。网络模型采用编码器-解码器架构，能精准捕捉影像多尺度特征，借助跳跃连接整合浅层与深层特征，提高小面积地物（如小型设施大棚）的识别精度。训练阶段，输入“光谱+纹理”多维度特征数据，设定批量大小为8、学习率0.001、迭代次数60，依据验证集精度反馈优化参数直至模型收敛[3]。

　　3.3精度评价指标

　　采用混淆矩阵为基础的精度评价体系，选取总体精度（OA）、用户精度（UA）、生产者精度（PA）及Kappa系数作为核心评价指标。其中，总体精度体现分类结果整体准确程度；用户精度指分类结果中某类别的正确比例；生产者精度反映实际地物被正确划分的比率；Kappa系数衡量分类与地面真值的一致性，范围为[-1,1]，Kappa≥0.8表明一致性极佳，0.6≤Kappa<0.8表示一致性良好。

　　4.结果与分析

　　4.1不同分类方法总体精度对比

　　总体精度与Kappa系数作为评估分类方法有效性的关键指标，能够直接反映模型对研究区域地物整体识别的可靠程度。对四类研究区不同分类方法的总体精度与Kappa系数进行量化对比，结果如表1所示。表中数据清晰展现了深度学习与传统监督分类方法在整体耕地种植属性提取性能方面的差异。

　　由表1数据可知，深度学习方法在四个研究区的总体精度稳定高于90%，Kappa系数均大于0.90。深度学习分类总体精度最高，为96.83%，对应Kappa系数为0.9464，一致性极佳。传统监督分类精度波动明显，交互式监督分类精度75.91%—87.87%，Kappa系数0.6408—0.7874；最大似然法监督分类精度74.20%—89.05%，Kappa系数0.6213—0.8133，一致性中等至良好。经量化分析，深度学习总体精度较传统方法平均提高15.62%—22.83%，Kappa系数提高26.35%—30.12%，其优势源于对多维度特征的挖掘，突破了传统方法仅依赖光谱特征的局限，有效整合了地物的空间结构信息，提升了整体识别的可靠性[4]。

　　4.2细分类型提取精度对比

　　耕地种植属性的精细化管理对细分类型提取精度提出更高要求。不同分类方法在关键细分类型上的用户精度与生产者精度差异直接决定技术方法的实践价值。选取设施耕地（钢结构大棚、透明蔬菜大棚）、作物种植区（耕地小麦）及特殊耕作状态（耕地未耕）四类核心细分类型，构建多维度精度对比体系，结果如表2所示。

　　表2数据显示，深度学习方法对各类耕地细分类型提取精度方面优势极为显著，且随所处地物类型复杂程度递增，优势愈发凸显。针对钢结构大棚、透明蔬菜大棚等设施耕地，深度学习综合精度均超90%，透明蔬菜大棚最高达97.06%，比传统方法最高值高5.81%；其用户与生产者精度差值均低于5%，识别均衡性良好，避免了传统方法因生产者精度低产生的漏分。对耕地小麦等光谱稳定作物，综合精度处于94.12%-98.36%，较传统方法平均提升4.49-8.72%。对耕地未耕等易混淆状态，深度学习优势突出，较交互式、最大似然法监督分类提升幅度大[5]。传统方法因依赖单一光谱特征，地物光谱重叠易混淆，深度学习融合多尺度特征提升了识别精度。

　　4.3分类结果空间分布对比

　　分类结果的空间连续性与边界完整性是衡量提取方法实用性的重要空间指标，直接关乎耕地管理中地块划分和面积统计的精准程度。不同分类方法在空间分布特征上存在差异，这本质上是模型在空间维度上特征提取能力的体现。对四个研究区分类结果的空间格局分析发现，传统监督分类方法的结果常出现“椒盐现象”，空间异质性显著，小面积地块误分概率高，地块边界模糊难辨。深度学习分类结果则空间连续性良好，地块边界识别精准度显著提升，能有效捕捉小面积设施大棚、零散作物种植区等细微地物的空间信息。

　　从空间精度量化层面看，以地块边界匹配度为指标（边界匹配度=正确匹配的边界长度/实际边界总长度×100%），深度学习方法的边界匹配度均高于85%，研究区C更是达到92.3%，而传统监督分类方法仅为58.6%—72.4%，该值较深度学习方法平均低23.7%。这种精度优势使深度学习能精准识别面积小于0.01km2的小型钢结构大棚，此类地物在传统分类中误分率高。在作物与设施交错区，深度学习划分边界清晰，混淆带窄，凸显其对复杂耕地景观的适应能力。

　　5.结语

　　研究验证了基于ArcGISPro深度学习技术在耕地种植属性提取中的显著优势。该方法有效突破了传统监督分类的局限，大幅提升了复杂地物及细分类型的识别精度与空间连续性。研究成果为耕地精细化管理与农业资源调查提供了高效、精准的技术支撑，对保障粮食安全及优化农业布局具有重要的实践应用价值。

参考文献：

　　[1]黄海量.遥感技术在村域尺度耕地种植动态监测中的应用[J].南方农机,2023,54(22):89-92.

　　[2]黄靓,黄冠橦.基于深度学习的农业遥感耕地精细分类方法及其应用[J].农村经济与科技,2025,36(21):75-77.

　　[3]刘杰,宋国伟,张晓燕,等.基于深度学习的耕地非农化及违建图斑自动提取[J].现代农业科技,2025,(19):164-167.

　　[4]江峰,陈超.基于深度学习的耕地信息提取与地表变化监测分析[J].测绘通报,2025,(09):131-134.

　　[5]彭俊超.基于深度学习的遥感影像耕地提取与作物分类[D].中南林业科技大学,2025.