随着社会经济发展与环境破坏、生态退化之间的矛盾日益突出^[1]，我国生态文明建设的滞后已经成为了社会经济可持续发展的重大瓶颈^[2]。开展领导干部自然资源资产离任审计，是党中央为加强生态文明建设采取的一项重要举措^[3]，是中国特色社会主义审计制度的一项重大创新。目前，已经有内蒙古、湖南、陕西、湖北、四川、广东、福建、山东、云南、江苏等多个省份对领导干部自然资源资产离任审计进行了探索试点。

自然资源资产审计是指由专门的机关依照法律法规，客观地收集证据，对各级政府或者企业事业组织的活动对生态环境影响的过程、结果与目标进行客观评估，并将评估过程与评估结果公开发布或传递给有利害关系的使用者^[4]。在现行的自然资源资产审计实施过程中仍存在数据来源复杂，格式千差万别，部分数据时效性难以满足审计需要等问题。面向自然资源资产审计工作的数据获取，以及海量、多源、异构数据的管理和分析对于审计效率和审计质量均具有重要影响。

目前，遥感技术作为一项已经高度发展的技术，已在测绘学科领域发挥了巨大的作用，它在数据获取以及与地理信息技术结合方面的优势也使其能够很好地辅助审计工作^[5]。同时，以卷积神经网络为代表的深度学习算法不断发展、日益成熟^[6]，该技术的优势在于其多隐层的人工神经网络具有优异的特征学习能力，能够更好地刻画数据本质，深度神经网络在训练上的难度问题也得到了较好解决^[7]。由于领导干部自然资源资产离任审计涉及生态环境领域的多个方面，其数据特点决定了信息化审计技术的必要性^[8]。因此，研究并建立基于多元遥感数据与人工智能识别的自然资源资产审计系统，有助于实现快速高效的资源资产评估，既能为自然资源资产审计提供客观公正的数据支撑，又能有效地提高审计工作的效率^[9]。

本研究介绍了以多源遥感数据和人工智能识别为基础的自然资源资产审计系统，该系统于2017年率先在广西壮族自治区进行试点建设。

自然资源资产审计系统是为了提高自然资源资产离任审计工作的效率，解决自然资源资产离任审计工作中数据繁多，利用难度大等问题^[10]，实现自然资源资产离任审计工作信息化和智能化而开发的应用系统。系统根据审计部门的业务要求，应用多源遥感数据和监测获取的各类自然资源资产基础数据，运用科学的监测和审计方法，结合人工智能识别等先进技术，制定自然资源数据标准，摸清自然资源的存量和变量，以平台为工具，建立审计业务流程，进而辅助自然资源审计相关数据生产、统计和对比分析等工作。

自然资源资产审计系统主要包含系统管理、自然资源资产管理和自然资源资产审计3个功能模块，其总体架构如图 1所示。

图 1(Fig.1)

图 1 自然资源资产审计系统总体架构 Fig.1 Overall Structure of Natural Resources Assets Audit System

系统管理包括用户管理、数据管理、成果管理和系统日志。用户管理将用户分为普通角色和管理员并赋予其不同的操作权限与数据访问权限。

自然资源资产管理系统包含空间数据库、业务数据库、成果数据库及“自然资源资产一张图”的自然资源展示模块。通过建立空间数据库将基础数据、监测数据、遥感影像和专题数据进行整合，统一规范形成归档，建立自然资源资产本底库，包括地理国情监测数据、遥感监测现状与动态数据、地面调查数据。空间数据格式统一为shp，坐标系统一为WGS84。地面调查数据包含空间数据、外业采集照片、调查与核查说明等。照片统一存储为JPG格式，说明等文档文件格式统一为txt。业务数据库中主要收集存储自然资源资产负债表，包括土地资源、森林资源与水资源负债表，记录各种自然资源的储存量与变化情况。自然资源展示模块主要以“自然资源资产一张图”为表现形式，以地图显示、浏览和操作的方式展示自然资源，包括与地图操作相关的基本工具，添加数据、图层可视化控制、放大、缩小、地图测量、图层叠加、空间查询和空间分析等功能，同时可以在该界面完成底图制作作为基础数据存入数据库。

自然资源审计系统为各项审计工作提供对应的操作指引，辅助各项审计工作的进行，主要包含土地资源资产审计、森林资源资产审计、水资源资产审计、调查采集和报告输出功能。审计成果将输出至自然资产资源管理系统的成果数据库进行存储。

为辅助审计人员的审计工作，在系统的自然资源资产审计部分引入了人工智能识别作为辅助手段，通过导入系统所规定的标准化的遥感数据，并调用卷积神经网络模型进行土地斑块类型识别。

自然资源资产审计系统中的核心技术是基于神经网络的土地斑块类型自动识别方法^[10-13]，具体包括构建土地斑块样本库，进行机器深度训练、学习和验证，根据各项审计具体情境设置输出结果条件，应用模型实际辅助审计工作等4个步骤，其审计流程如图 2所示。

图 2(Fig.2)

图 2 审计流程图 Fig.2 Flow Chart of Audit

首先构建土地斑块影像样本库，通过人工分类的方式对已进行过标准化处理的影像，结合已有土地利用资料进行分类切片，得到各种单独土地类型的斑块影像，并将其分类为农田、林地、牧场、水体和建设用地。其中林地根据植被种类可分为桉树、松树、杉树林；水体可以分为正常水体、黑臭水体和水产养殖区。

分类并标记完成后，将切片后的遥感影像导入卷积神经网络模型，通过深度学习建立目标特征。模型将对遥感影像切片从图像像素开始建立图像深度学习网络，通过模型所构建的多层神经网络从遥感影像中提取最有代表性的特征，从而提高分类的精度。本研究采用总数据量的80%作为训练数据对模型进行训练，将剩余20%的数据作为检验数据，当检验结果显示模型准确度高于95%时完成模型训练，在准确度不足时扩大样本量继续对模型进行训练。

在卷积神经网络模型辅助审计工作时，首先需要将待审计地块的矢量数据图层和审计区域整体的影像图层进行叠加，采用矢量图斑裁剪影像数据，得到待审计地块影像切片，作为输入数据调用卷积神经网络模型进行识别，识别得到审计地块内所包含的土地利用类型及各类型的面积与比例。

在各个审计项目中需要根据具体审计要求设置不同的判断条件对图斑的识别结果作出判断，以针对各审计项目输出不同结果。例如对于林地保有量监测情况审查，可以设置要求被检测图斑内不低于95%的面积为林地，当识别结果中高于5%的面积被识别为非林地时即输出“不合格”并进行标记，提醒审计人员进行人工核查。

自然资源资产审计系统包含自然资源资产审计、统计分析、自然资产本底库、自然资产负债表、系统设置和地图功能，如表 1所示。

表 1(Tab.1)

表 1 自然资源资产审计系统功能列表 Tab.1 Function List of Natural Resource Assets Audit System

表 1 自然资源资产审计系统功能列表 Tab.1 Function List of Natural Resource Assets Audit System 功能模块 子模块 说明 自然资 源资产 审计 图层上传 空间业务数据上传 内业审计 审计工作及一张图入口 外业调查 上传外业检查结果，核实结论 我的工单 审计工单查看与管理 审计成果 查看和导出审计成果数据 作业统计 审计作业统计 统计 分析 趋势分析 审计指标趋势分析(表格和图表) 存量分析 审计指标存量分析(表格和图表) 流量分析 审计指标流量分析(表格和图表) 自然资 产本 底库 土地利用 土地利用专题图 遥感监测 遥感影像专题图 水资源 水资源专题图 耕地资源 耕地资源专题图 森林资源 森林资源专题图 自然资产 负债表 自然资产 负债表 自然资产负债表详情 系统 设置 用户管理 查询、添加、编辑和删除用户信息 角色管理 查询、添加、编辑和删除角色信息 权限管理 查询、添加、编辑和删除权限信息 系统日志 查看日志信息 审计类别 查询、添加、编辑和删除审计类别 图层管理 查询、添加、编辑和删除图层信息 地图配置 地图显示及其他配置 地图 功能 地图基本操作 移动、缩放、测量和标识等 自然资源 资产审计 审计工作创建，识别和排查 地图叠加 数据图层在地图上叠加显示 智能识别 图层叠加、相交分析

本文针对当前信息化、智能化审计技术在领导干部自然资源资产离任审计中应用不足，以及传统方法效率低下的问题^[14]，介绍了基于人工智能技术的自然资源资产审计系统。该系统将多元遥感影像数据作为自然资源资产审计的基础数据，结合地理信息技术，使得审计工作的准确度与便捷度大大提高。人工智能识别技术的运用，实现了对审计区域图斑中土地利用类型的自动识别。在广西壮族自治区地理信息测绘院部署及运行的结果表明，该自然资源资产审计系统能够提高自然资源资产审计工作的效率，有助于领导干部自然资源资产离任审计工作的开展。针对不同的审计项目与审计需求也可以对系统自主进行模块的添加与调整，该系统具有较高的适用性与推广价值，功能扩展潜力大。本系统的推广有望产生较好的社会、经济和生态价值。