引自《中国审计》2021年第八期

在某县乡村振兴审计项目中，审计组根据审计实施方案对耕地保护情况进行检查，查看是否存在违反规定占用耕地建设的行为。

该审计事项主要针对耕地历史变化情况，因此审计组先期下载该县部分农业用地的历史影像和当前影像，利用图像标注软件LabelMe进行标注，并对遥感影像及其标注文件进行分割、整理和数据增强，得到该地区遥感影像的训练样本库。将样本库文件输入神经网络并截入预训练参数，然后进行训练，得到该县的地块预测模型。审计组使用了SegRet、U-Net DeepLab三种语义分割网络模型分别进行训练，得到三个预测模型。将该县关注地区历史卫星影像和当前卫星影像输入训练好的三个模型进行预测（卫星影像分辨率为0.5米），分别生成遥感影像的历史图和当前影像的预测图。对不同模型预测图进行逐像素综合投票，得到最终的卫片预测图像。

对历史预测图中耕地发生变化大小进行统计，找出变化较大的地块作为疑点地块。为提高现场核查效率，审计组根据实际情况确定面积变化范围1000平方米以上的地块为重点关注目标。在耕地历史和当前预测图上叠加一个面积2000平方米大小的窗口，滑动比较窗口里两图对应位置耕地面积变化情况，如果窗口中耕地面积变化超过1000平方米，则记录下该地块位置信息作为疑点地块，如图1所示。采用该方法，审计中对面积约30平方公里的卫星影像进行识别比对，用时约10分钟。数据分析人员将疑点地块位置信息交给核查组。现场核查发现，个别乡镇存在违规破坏耕地建设厂房、墓地等行为。

利用深度学习技术让计算机自动判断识别遥感图像中的目标，能显著降低审计人员的工作强度，提高审计工作效率。在运用深度学习技术过程中，审计人员也可以根据审计需求，将预测图导入ArcGIS地理信息系统软件，结合地块图斑和规划红线图进行分析，快速判断用地和建设的合规性。