基于深度学习的影像解译在土地监测中的应用.pdf

54辽宁自然资源2023年9 月号见抒己研究基于深度学习的影像解译在在土地监测中的应用彭敏(沈阳市勘察测绘研究院有限公司，辽宁沈阳110 0 0 4)【摘要】为更加从容面对国家卫片执法监测周期愈来愈短，问责标准却愈加严格的高压态势，本文基于深度学习技术对季度卫星影像进行土地覆盖动态监测，主动获取变化图斑线索。实验证明，基于深度学习提取的卫片图斑线索不仅可作为图斑底图，有效减少人为采集图斑的漏提现象，缩减相应的时间和人力投入，而且具有高时效性和预警性，可有效助力土地的合理开发、保护和利用。【关键词】土地覆盖监测；卫星遥感；深度学习；预警【中图分类号】S127；P2 3 7【文献标识码】A【文章编号】2 0 9 6-7 8 2 9（2 0 2 3）0 9-0 5 4-0 3卫片执法是依据卫星遥感影像对监测区域的土地利用和矿产资源开采等情况进行执法检查的工作，最早于2000年由原国土资源部在国内某些城市部署开展，在2 0 10 年实现全国全覆盖，并首次发布15 号令要进行问责。近年来，随着空、天平台遥感数据获取能力的增强及卫星分辨率的大幅提高，监测频次愈发提高，于2 0 19 年从年度卫片提升为季度监测，2 0 2 1年监测周期又提高到每个月，实行“月清、季核、年度评估”的机制，并且鼓励主动执法，细化了问责标准。这些都对地方自然资源监管提出了新的挑战，如何利用高新技术弥补基层执法力量的不足，主动监测，及时发现、遏制违法行为，成为呕需解决的现实难题。当前，凭借强大的复杂特征抽取能力，深度学习技术能够从海量训练集中学习和发现影像中地物目标的几何结构和空间关系，并将特征模型从传统的人工设计特征转变为机器自动学习特征，通过多层非线性网络实现地物的自动化识别和推理2，已在遥感分类 3-7 1和变化检测18-14 1领域展现出了显著的优势。本文基于深度学习技术对季度卫星影像进行自动变化检测，积极回应自然资源部在2 0 2 1年提出的“有条件的地区，可以自主组织开展本地区卫片执法工作，作为部层面统一组织开展卫片执法工作的补充”“要加强技术应用支撑，集中力量研究解决卫片执法中卡脖子的关键问题”等主张，主动获取土地覆盖变化图斑线索，以便及时发现、预警违法行为，从而有效助力土地资源的合理开发、保护和利用。一、方法设计考虑到成本、土地覆盖变化频率等因素，本文选取沈阳市浑南区为试验区，采用季度卫片数据，进行土地覆盖变化图斑的提取。首先对获取的4期卫星影像进行几何纠正、配准融合等处理，形成能够反映地表覆盖变化的时序卫星影像成果。同时，基于已有监测影像和地表覆盖分类成果等专题资料进行样本库制作、模型训练，形成高精度的多时相卫星影像变化检测自动提取模型；再以影像成果为基础，利用已经训练好的自动变化检测模型自动提取，并辅以人工修正，实现两期影像变化信息的高精度提取。1.影像获取与处理土地覆盖变化具有一定的连续性和恒定性，不同时相的卫星影像，只是记录的土地覆盖变化的状态不同本文于3 月、6 月、9 月、12 月获取卫星影像，并将影像获取与处理时间严格控制在一个月内，图斑提取时间限制在2 0 天内，从而充分发挥影像的现势性，保证当期影像上呈现的土地覆盖变化行为可被快速发现2.变化图斑提取利用处理后时序卫星影像成果，基于深度学习技术就可实现两期影像变化信息的自动提取（1）专项样本库建立以国家卫片执法监测类型为标准，采集变化矢量，并通过处理转换成模型训练所需要的样本格式。覆盖变化图斑类型中，新增线形地物为道路、沟、渠等线状地物用地，新增建/构筑物为实地已建设的土地，新增推填土为为建设而进行推填土、土地平整的土地，以工棚已修建、塔吊等建筑设备已到位或地基已开挖为标志。可视化示例中，影像样本是8 位真彩色影像，标签样本是二值影像，不变区域为0，变化区域为2 5 5。（2）模型设计本文设计了一种“编码-解码”结构的李生神经网络（图1），采用端到端的学习策略对输人的两期影像提取变化区域，其中CoA代表互相关注意力模块。该网络结构主要包括三个部分：一是输入给定的两期影像，利用李生网络的每个分支网络分别提取金字塔特征厂和f，这里采用经典网络-VGG16作为特征提取网络，并共享权重；二是对每个分支提取的特征计算特征差异f；三是将多尺度差异特征f输人解码模块获得变化图。将两个时期的遥感影像数据y。和y,分别输人李生网络的两个分支，对遥感影像数据进行编码，生成金字塔结构的6 层特征，每层特征记作f。和J，i E(1,2.6)。两个分支特征大小一致，h,=h/2，宽度为w,=w/2l,55LIAONINGNATURALRESOURCES9/2023EncoderDecoder6412825651251251ChangeMapImageoCOA512323232323232160-64128256512512512InagelCoA64128 256512CRmodule图1金字塔特征融合的李生神经网络h和w分别为原始影像经过标准化处理后的高度和宽度。将两个所述分支编码网络的输出的第6 层特征作为互相关注意力网络的输入，计算两个时期的所述遥感影像数据的增强特征；将两个所述分支编码网络的输出的6 层特征作为所述变化差分网络的输人，分别计算6 层特征的变化特征互相关注意力模块通过计算特征之间的相关性从而判断变化与否。对于输人的两个特征f和f，互相关注意力模块首先计算关系矩阵，随后将相关性特征作为注意力权重用于增强原始特征f.和，最后将拼接和增强后的特征通过卷积块计算共同目标所在区域，并结合差异特征f。随后通过金字塔解码网络聚合得到两个时期的遥感影像数据金字塔变化特征，从而获得金字塔特征融合的变化特征模型设置初始学习率为1e-4，衰减率为（0.5，0.9 9 9），采用交叉熵损失函数利用Adam（a d a p t i v e m o m e n testimation，即适应性矩估计）优化器进行送代更新网络权重，获取具有最小损失的网络参数，从而获得最优训练模型。（3）模型训练将样本切片按照7：3 的比例划分训练集与测试集。为了对模型进行更好的评估，训练集与测试集中保证没有交集，且训练集与测试集的场景不应该有太多的相似之处（4）模型测试及评价精度评价是对模型性能的定量评价。将卫星影像测试集输人到训练好的模型中，即可提取出变化信息，并进行总体精度评价。在本文的工程应用探索中采用图斑级的评价方法，使用查全率（Recall）和准确率(Precision)两个指标来综合评定模型提取效果。定义如下：Recall=TPI(TP+FM)Precision=TP/(TP+FP)式中真正(TP)代表检测结果为变化，实际也发生变化的图斑数；假正(FP)表示检测结果为变化，但实际未发生变化的图斑数；假负(FM)表示检测结果为未变化，但实际却发生变化的图斑数，即漏检的变化区域。一般情况下，训练过程经多次送代，训练得到若干个样本集的模型。实际作业中需根据实测效果挑选效果较好的模型。(5）变化失量获取理论上，应用实测效果最好的检测模型，即可自动提取两期影像对应的变化矢量。但由于高分辨率遥感影像信息量过于丰富，造成全自动影像变化检测短期内难以达到目视解译的精度。因此，需要人工进行排查，保证图斑是对变化信息的精确描述。二、结果及分析1.自动变化检测精度分析按照设计方法，获取了2 0 2 1年4个季度的监测影像，制作了涵盖表1中3 种类型、共计16 万对变化样本，并且全部用于模型训练，得到了一个效果较好的模型。图2、图3 和图4 分别展示了变化矢量自动提取结果，模型自动提取的效果较好。但边界有待优化，并且存在漏检以及虚警，需要人工修正。尤其是由于卫星影像获取时间、太阳高度角等因素，导致建筑物本身和阴影5 1、植被季节性生长变化等对提取结果造成虚警。同时，提取结果还存在由于新增建筑物主体为灰色，与土地颜色相近等原因造成的漏检情况总体来说，将人工采集的试验区变化图斑结果作为真值，与自动提取结果进行叠加分析，统计得出实测精度查全率为8 5%，正确率为7 0%，并且提取时间仅为2 小时，只需加上少量人工辅助，即可快速获取大部分的变化图斑线索，可大幅改善内业处理仅靠人工判读存在的周期长、效率低图2 新增线形地物自动提取结果示例56辽宁自然资源2023年9 月号见己研究图3 新增建（构）筑物自动提取结果示例的情况。2.变化图斑提取结果统计分析对自动提取的图斑进行人工修正，得到最终的土地覆盖变化图斑线索。2 0 2 1年试验区共提取图斑2 5 9 1个，而国家共下发17 8 2 个图斑，通过对比分析，发现国家下发图斑约有85%包含在自主提取图斑内。剩余15%未包含在内，自主提取图斑多于国家下发图斑的主要原因是两者所用的影像时相不一致，导致部分国家下发认为有变化的图斑，在本文自主获取影像上并不存在变化，而自主提取认为有变化的图斑，在国家下发对应影像上却不存在变化另外，通过连续对比分析，我们还发现部分自主提取的图斑线索在时间上要早于国家下发的对应图斑。以国家12 月下发的图斑为例，其中占一般耕地的图斑有7 9 个，占用基本农田的图斑有2 8 个。将其与本文自主提取图斑进行对比，发现这些图斑中第一季度自主提取图斑发现了13 个占用一般耕地的图斑、4 个占用基本农田图斑，第二季度分别为17 和4 个，第三季度分别为4 1和15 个，第四季度分别为6 和4 个。从占用一般耕地、基本农田的图斑情况来看，前三季度提前发现土地覆盖变化行为的占比分别为89%和8 2%。综上，基于季度影像进行土地覆盖变化行为的及时发现和预警，是有一定积极意义的三、结论本文通过对季度卫星影像利用深度学习技术进行了土地覆盖变化图斑的提取试验。结果表明，该方法可以大大提高图斑提取效率，减少传统单纯依靠目视解译进行变化图斑提取的时间和人力投人。图斑线索成果也能起到一定的预警作用，有利于及时发现、预警违法行为，可有力促进土地的合理利用，耕地的严格保护。参考文献：1赵振强,何水原,梁永志.基于FasterR-CNN的遥感影像船舶检测识别 JJ.测绘通报,2 0 2 1,(11):5 9-6 4.2HUSSAIN M,CHEN Dongmei.CHENG A,etal.Change detection from remotely sensedimages:From pixel-based to object-basedapproachesJ.IsPRS Journal ofPhotogrammetry and Remote Sensing,2013.(80):91-106.3党宇,张继贤，邓喀中，等.基于深度学习AlexNet的遥感影像地表覆盖分类评价研究 J.地球信息科学学报，2 0 17,19(11):1530-1537.4金永涛,杨秀峰,高涛,等.基于面向对象与深度学习的典型地物提取J.国土资源遥感,2 0 18,3 0(1):2 2-2 9.5龚健雅，钟燕飞.光学遥感影像智能化处理研究进展 J.遥感学报，2 0 16.2 0(5)：7 3 3-747.6李海涛，戴莉莉，顾海燕.等.样本尺寸对遥感影像FCN训练模型的影响分析JJ.测绘图4 新增推填土自动提取结果示例科学,2 0 19,4 4(6):13 3-13 7.7张鑫禄,张崇涛，戴晨光,等.基于DeepLabv3架构的高分辨率遥感图像分类J.海洋测绘,2 0 19,3 9(2):4 0-4 4.8ZHANG Chenxiao,YUE Peng,TAPETE D,et al.A deeply supervised image fusionnetwork for changedetection in highresolution bi-temporal remote sensingimagesJ.ISPRs Journal ofPhotogrammetry and Remote Sensing,2020,(166):183-200.9LIU Yi,PANG Chao,ZHAN Zongqian,et al.Building Change Detection for RemoteSensing Images Using a Dual TaskConstrained Deep Siamese ConvolutionalNetworkModel,2019:arXiv:1909.07726.1OJDAUDT R.C.SAUX.B.L.BOULCH A,etal.Multitask learning for large-scalesemantic change detectionJ.ComputerVision and Image Understanding,2019.(187):102783.11GONG Maoguo,ZHAN Tao,ZHANGPuzhao,et al.Superpixel-Based DifferenceRepresentation Learning for ChangeDetection in Multispectral Remote SensingImagesJ.IEEE Transactions onGeoscience and Remote Sensing.2017.55(5):2658-2673.12GENG Jie,WANG Hongyu,FAN Jianchao,et al.Change detection of SAR imagesbased on supervised contractiveautoencoders and fuzzy clusteringCj.2017International Workshop on Remote Sensingwith Intelligent Processing(RSIP),2017:1-3.13JLEI Yu,LIU Xiaodong,SHI Jiao,et al.57LIAONINGNATURAL RESOURCES9/2023(接上页）/园地、林地和草地分等工作问题探索以南京市为例孙忘张琪曹天邦（1.南京市土地矿产市场管理中心，江苏南京2 10 0 0 0；2.江苏金宁达房地产评估规划测绘咨询有限公司，江苏南京2 10 0 0 0）【摘要】园地、林地和草地分等工作在建立健全自然资源分等制度及体系，摸清园地、林地和草地资源质量分布情况，促进园地、林地和草地资源保护与合理开发利用等方面有着重要作用，是促进自然资源管理向数量、质量与生态管护并重转变的基础性工作。本文针对南京市目前已经完成的园地、林地和草地分等工作，提出存在的问题和难点，并结合地方实际，提出一些解决问题的探索性思路和路径，以期更好地服务于当前的自然资源管理工作。【关键词】园地草地林地；分等单元；指标体系；南京市【中图分类号】F301.2【文献标识码】A【文章编号】2 0 9 6-7 8 2 9（2 0 2 3）0 9-0 5 7-0 32019年至2 0 2 2 年，自然资源部部署探索建立健全自然资源资产评价评估体系，建立主要自然资源政府公示价格体系，推进自然资源资产分等定级价格评估有关工作，加快推进分等定级试点任务，按照“统一部署、示范先行、国家指导、地方推进”的工作模式，开展全国园地、林地和草地分等工作。2022年，南京市开展了园地、林地和草地分等工作。园地、林地和草地分等属于近年来自然资源评价评估领域的一项新工作，虽然国家已出台了相应的规程规范和技术指引，但在实际工作开展过程中仍存在诸多问题。本文结合南京市实际情况，通过分析南京市园地、林地和草地分等工作，发现目前存在的问题，并提出相关的对策建议，为支撑自然资源资产产权制度改革、促进园地、林地和草地资源保护和可持续利用提供技术支撑。数据来源与技术路径一1.研究区概况南京市位于江苏省西南部、长Multiscale Superpixel Segmentation WithDeep Features for Change DetectionJ.IEEE Access,2019.(7):36600-36616.14BROMLEY J,BENTZ J W,BOTTOU L,et江下游中部地区，市域平面呈南北长东西窄展开。南京属宁镇扬丘陵地区，以低山缓岗为主，低山占土地总面积的3.5%，丘陵占4.3%，岗地占5 3%，平原、洼地及河流湖泊占3 9.2%。宁镇山脉和江北的老山横亘市域中部，南部有秦淮流域丘陵岗地南界的横山、东庐山。南京土壤类型主要有地带性土壤和耕作土壤两种。地带性土壤在南京北部、中部地区为黄棕壤，在南部与安徽接壤处为红壤。经人为耕作形成的耕作土壤以水稻土为主，并有部分黄岗土和菜园土。土壤分布随地形起伏、水文条件呈现出一定规律，可分为低山丘陵区、岗地区和平原地区三大类。2.数据来源本文数据来自江苏省自然资源厅、南京市规划和自然资源局、南京市气象局，主要包括气候因子资料（年均气温、年日照时数、积温、年均降水量、相对湿度、年极端低温等），土壤因子资料（有效土层厚度、土壤pH值、土壤有机质含量、土壤质地、生物多样性等），地形因子资料（坡度、坡al.Signature Verification Using a SiameseTime Delay Neural NetworkJ.International Journal of PatternRecognition and Artificial Intelligence,向），资源因子资料（草原综合植被盖度）。3.技术路线与方法（1）研究程序园地、林地和草地分等是在明确分等对象的基础上，确定各区所在的自然资源分区，分别根据江苏省园地分等技术方案江苏省林地分等技术方案和江苏省草地分等技术方案确定的因素因子指标体系，选择所在分区所对应的因素因子指标体系，进行外业资料的收集和实地调查等，明确资料完善，满足分等要求后，划分分等单元，根据所选择的因素因子体系，进行指标的量化处理，最后采用多因素加权求和的方法，计算各分等单元分值，根据省级等别划分标准，初步划分省等，然后进行等别的验证、调整，最终确定省级等别。在确定等别后，按照技术方案的要求编制分等成果（图1）。（2）技术方法本次南京市采用因素法进行园地、林地和草地分等。因素法是分别通过对影响园地、林地和草地质量的自然因素的综合分析，确定因1993,7(4):669-688.15陈玲,张迎燕,张楼香.多源空间数据在国家生态园林城市绿化普查中的应用J.城市勘测,2 0 2 1,(5):111-116.