遥感的土地管理应用.pdf

6968No?遥感的地管理应从无人机和卫星到机载传感器和激光雷达，遥感和地理空间信息科学的进步正在推动数据采集、处理和维护方法创新。本文将探讨这些方法如何支持符合目的的土地管理。土地管理（LA）系统，包括地籍和土地登记系统，旨在支持土地价值、土地保有权、土地开发和土地利用规划的管理。这些系统对于实现联合国可持续发展目标（SDGs）至关重要。目前正在开发数据采集、处理和维护的创新方法，以支持符合目的的土地管理（FFP-LA）。这些技术依托遥感和地理空间信息科学的进步，包括无人驾驶飞行器（以下简称“UAV”或“无人机”）、卫星、机载传感器以及激光雷达所有这些都包含高空间、光谱、辐射和时间分辨率等。在人工智能、空间统计和机器学习的帮助下，自动图像定位、表面重建、场景分析、变化检测、分类和自动特征提取等技术也在不断发展。一百多年前，欧洲国家首次展示了利用摄影测量绘制详细地籍图的能力（图1和图2）。现在，将摄影测量和遥感用于土地管理已比较普遍。尽管如此，许多地区仍然主要使用传统的地面架站式方法。这究竟是出于对变化的抵触、部门自身利益还是成本效益分析，仍有待商榷。与此同时，传感器数据采集、云计算和图像处理近年来取得了巨大发展。考虑到这一切，各国的测绘行业必须努力找到以图像为驱动的地籍测绘与地面方法相结合的最佳方式。国际书摘Book Summary最近的发展表明，地面和摄影测量遥感技术正在融合。由于数字化的发展，地面方法和空中方法之间的区别正变得越来越模糊，设备、技术、数据和所制作的地图以及培训计划正日益融为一体。应用遥感技术可以减少密集的实地技术工作（但仍需要与用户和土地使用者之间进行一定程度的面对面咨询和宣传）。卫星图像或航拍照片可用作参与式制图项目的底图，在这些底图上可识别代表财产边界的物理特征，如道路和小径、相连的地块或建筑物。研究证实，可在绘制的卫星图像上定位边界，并通过手动或自动特征提取方法划定或勾勒边界。这要求图像的分辨率必须适合地形和土地用途。卫星图像也存在一些缺点，如城市环境分辨率不足、处理时间长且成本高，或者由于云层覆盖频繁（尤其是在热带地区）而难以获得时间上最新的数据。无人机可帮助克服其中一些问题，因此其被视为捕捉空中图像以进一步划定边界的可行解决方案。当遥感应用于土地管理时，必须考虑“隐形边界”。这些是在地面上看不到的法定边界（比如没有界碑的情况）。边界实际上存在于人们的脑海中，因此目前不可能用遥感技术探测到它们，不过这方面的进一步研究可以结合地面实况调查和专家知识，对隐形边界的可能位置进行预测。尽管存在这一挑战，但遥感图像还是非常有价值的。土地管理部门早已认识到地籍边界的不同表现形式。地籍边界的表现形式多种多样，包括自然地物、人为地物（桩或碑）、法律权威、社会认可、文字描述（度量衡）、图形描述（无论比例是否准确）、数字或协调描述，以及最近出现的数字表现形式。任何技术方法都无法涵盖所有方面。遥感和摄影测量肯定可以在其中某些方面提供支持。在过去十年中，无人机在科学和商业用途方面都发挥了巨大的优势。在过去的五六年里，无人机的成本和体积大幅下降，使其成为在短时间内进行测绘和研究的一种具有成本效益的方式。作为快速收集高分辨率图像作为地籍测绘基础数据的工具，无人机的重要性迅速提升。无人机测绘需要无人机、飞行员和飞行任务的合法许可。飞行任务包括三个阶段：飞行计划、数据采集和数据处理。虽然无人机飞行是核心，但它只占任务总时间的20%；参考数据收集和图像处理的劳动密集程度可能要高出两到三倍。尽管如此，事实证明，飞行配置对用于绘制和更新地籍图的无人机数据质量有很大影响。图1：摄影测量和遥感应于地管理的起源和发展图2：于空间精度实验评估的GCP分布图良好的记录机的崛起6968No?遥感的地管理应从无人机和卫星到机载传感器和激光雷达，遥感和地理空间信息科学的进步正在推动数据采集、处理和维护方法创新。本文将探讨这些方法如何支持符合目的的土地管理。土地管理（LA）系统，包括地籍和土地登记系统，旨在支持土地价值、土地保有权、土地开发和土地利用规划的管理。这些系统对于实现联合国可持续发展目标（SDGs）至关重要。目前正在开发数据采集、处理和维护的创新方法，以支持符合目的的土地管理（FFP-LA）。这些技术依托遥感和地理空间信息科学的进步，包括无人驾驶飞行器（以下简称“UAV”或“无人机”）、卫星、机载传感器以及激光雷达所有这些都包含高空间、光谱、辐射和时间分辨率等。在人工智能、空间统计和机器学习的帮助下，自动图像定位、表面重建、场景分析、变化检测、分类和自动特征提取等技术也在不断发展。一百多年前，欧洲国家首次展示了利用摄影测量绘制详细地籍图的能力（图1和图2）。现在，将摄影测量和遥感用于土地管理已比较普遍。尽管如此，许多地区仍然主要使用传统的地面架站式方法。这究竟是出于对变化的抵触、部门自身利益还是成本效益分析，仍有待商榷。与此同时，传感器数据采集、云计算和图像处理近年来取得了巨大发展。考虑到这一切，各国的测绘行业必须努力找到以图像为驱动的地籍测绘与地面方法相结合的最佳方式。国际书摘Book Summary最近的发展表明，地面和摄影测量遥感技术正在融合。由于数字化的发展，地面方法和空中方法之间的区别正变得越来越模糊，设备、技术、数据和所制作的地图以及培训计划正日益融为一体。应用遥感技术可以减少密集的实地技术工作（但仍需要与用户和土地使用者之间进行一定程度的面对面咨询和宣传）。卫星图像或航拍照片可用作参与式制图项目的底图，在这些底图上可识别代表财产边界的物理特征，如道路和小径、相连的地块或建筑物。研究证实，可在绘制的卫星图像上定位边界，并通过手动或自动特征提取方法划定或勾勒边界。这要求图像的分辨率必须适合地形和土地用途。卫星图像也存在一些缺点，如城市环境分辨率不足、处理时间长且成本高，或者由于云层覆盖频繁（尤其是在热带地区）而难以获得时间上最新的数据。无人机可帮助克服其中一些问题，因此其被视为捕捉空中图像以进一步划定边界的可行解决方案。当遥感应用于土地管理时，必须考虑“隐形边界”。这些是在地面上看不到的法定边界（比如没有界碑的情况）。边界实际上存在于人们的脑海中，因此目前不可能用遥感技术探测到它们，不过这方面的进一步研究可以结合地面实况调查和专家知识，对隐形边界的可能位置进行预测。尽管存在这一挑战，但遥感图像还是非常有价值的。土地管理部门早已认识到地籍边界的不同表现形式。地籍边界的表现形式多种多样，包括自然地物、人为地物（桩或碑）、法律权威、社会认可、文字描述（度量衡）、图形描述（无论比例是否准确）、数字或协调描述，以及最近出现的数字表现形式。任何技术方法都无法涵盖所有方面。遥感和摄影测量肯定可以在其中某些方面提供支持。在过去十年中，无人机在科学和商业用途方面都发挥了巨大的优势。在过去的五六年里，无人机的成本和体积大幅下降，使其成为在短时间内进行测绘和研究的一种具有成本效益的方式。作为快速收集高分辨率图像作为地籍测绘基础数据的工具，无人机的重要性迅速提升。无人机测绘需要无人机、飞行员和飞行任务的合法许可。飞行任务包括三个阶段：飞行计划、数据采集和数据处理。虽然无人机飞行是核心，但它只占任务总时间的20%；参考数据收集和图像处理的劳动密集程度可能要高出两到三倍。尽管如此，事实证明，飞行配置对用于绘制和更新地籍图的无人机数据质量有很大影响。图1：摄影测量和遥感应于地管理的起源和发展图2：于空间精度实验评估的GCP分布图良好的记录机的崛起7170No?在欧洲和非洲进行的实验评估了土地覆盖、地面控制点（GCP）设置和飞行计划对自动检测地籍特征的准确性和完整性的影响。结果表明，这些因素对最终数据质量都有重大影响。由不同飞行计划生成的正射影像图之间，自动检测地籍特征的准确性和完整性会有很大差异。近年来，利用遥感图像划定可见地籍边界的概念越来越受到关注。这导致提取此类边界的自动化方法研究日益增多。最近，有关人工智能（AI）、机器学习，尤其是有关深度学习和遥感图像用于地籍边界提取的研究令人鼓舞。传统的无监督方法在很大程度上依赖于参数调整，如所需分割对象的形状、颜色和大小。这些方法通过将多个参数（包括比例、紧凑程度、图层权重和形状、颜色）组合作为输入来预测分割后的矢量多边形。在这些方法的基础上，探索出了多种输出结果，例如每个像素值都代表边界概率的图像或以封闭像素轮廓形式输出的图像。与传统的无监督方法不同，有监督方法使用可训练网络，将标记数据作为模型输入。在输入数据有限的情况下，传统的无监督和有监督方法的有效性都已得到证实。另一方面，当有大型数据集时，深度学习往往是更合适的选择。深度学习模型由多个层级组成，可学习不同抽象层级的数据表示，从像素、边角开始，直至复杂的空间模式。图像分类中经常使用的一种深度学习架构是卷积神经网络（CNN）。卷积神经网络的一种特殊类型是所谓的全卷积网络（FCN），专门用于执行语义图像分割。这两种方法都被证明在边界划分方面大有可为，但最终结果的成功与否在很大程度上取决于图像上物理划分边界的可见度。不同自动边界提取方法之间的比较也表明，机器学习方法的性能更胜一筹（图3）。与传统方法相比，深度学习模型的最大优势在于所有表征都是在监督下学习的，而非人工方式。显然我们还需要进一步进行技术研发，尤其是在检测或预测隐形地籍边界位置领域。国际书摘Book Summary激光雷达在地籍测绘中的作用已得到大量研究。在波兰，研究人员基于改进的U-Net深度学习算法，提出了一种提取建筑物屋顶轮廓的自动化系统，该算法旨在利用有限的训练图像提供精确的屋顶分割。利用深度学习、高分辨率航空图像和来自激光扫描的土地管理数据，可以提供一种高效、经济的方法为地籍目标获取建筑物轮廓。虽然由于地面和屋顶轮廓之间的差异，自动提取的轮廓无法直接应用于地籍数据，但仍可在后续相关过程中加以利用。实验表明，通过改进的方法能产生令人满意的结果，并且在根据该地区的建筑物调整参数时具有很强的适应性。不过，这可能不适用于其他具有不同建筑特征的地区。在地籍或保有边界之外的另一个应用案例中，财产估价土地管理的一个基本要素通常由一系列因素决定，如地理位置、物理特征、法律影响和经济因素。虽然财产估值对经济增长至关重要，但许多发展中国家往往缺乏官方法规或具体的数据要求。因此，卢旺达的一项研究中探讨了三种遥感技术在税收方面的有效性：（1）用数码相机拍摄的航空图像；（2）WorldView2卫星图像；（3）用大疆幻影2 Vision Plus四旋翼飞行器拍摄的无人机图像。结果表明，无人机是最具前景的数据收集方法，可为财产估价征税提供支持。它们提供的最新准确信息对公平征税至关重要。虽然过去的趋势可能无法可靠地预测未来的进展，但不可否认的是遥感技术在土地管理中的应用正不断扩大。数字化转型正在减少法规变革和制度阻碍的影响，使初创企业和其他土地管理服务提供商更容易进入市场。人工智能和特征提取技术也将继续得到应用，并与其他数据源相融合，以创建更先进的边界识别算法。尽管如此，人仍将是这些过程的核心。归根结底，必须由人来确定、使用和执行边界。译者：正，原选GIMINTERNATIONAL官章专栏，有删减。译：https:/www.gim-中国测绘 出于传递资讯的的刊登此，不代表本刊观点。图3：通过研究技术获得的参考图和分类图。可边界参考图为绿线，不可边界参考图为红线，检测到的边界为线。图4：从分辨率航空正射影像图和机载激光雷达中提取建筑物的法GeoAI和深度学习激光雷达的新作成本效益且更公平7170No?在欧洲和非洲进行的实验评估了土地覆盖、地面控制点（GCP）设置和飞行计划对自动检测地籍特征的准确性和完整性的影响。结果表明，这些因素对最终数据质量都有重大影响。由不同飞行计划生成的正射影像图之间，自动检测地籍特征的准确性和完整性会有很大差异。近年来，利用遥感图像划定可见地籍边界的概念越来越受到关注。这导致提取此类边界的自动化方法研究日益增多。最近，有关人工智能（AI）、机器学习，尤其是有关深度学习和遥感图像用于地籍边界提取的研究令人鼓舞。传统的无监督方法在很大程度上依赖于参数调整，如所需分割对象的形状、颜色和大小。这些方法通过将多个参数（包括比例、紧凑程度、图层权重和形状、颜色）组合作为输入来预测分割后的矢量多边形。在这些方法的基础上，探索出了多种输出结果，例如每个像素值都代表边界概率的图像或以封闭像素轮廓形式输出的图像。与传统的无监督方法不同，有监督方法使用可训练网络，将标记数据作为模型输入。在输入数据有限的情况下，传统的无监督和有监督方法的有效性都已得到证实。另一方面，当有大型数据集时，深度学习往往是更合适的选择。深度学习模型由多个层级组成，可学习不同抽象层级的数据表示，从像素、边角开始，直至复杂的空间模式。图像分类中经常使用的一种深度学习架构是卷积神经网络（CNN）。卷积神经网络的一种特殊类型是所谓的全卷积网络（FCN），专门用于执行语义图像分割。这两种方法都被证明在边界划分方面大有可为，但最终结果的成功与否在很大程度上取决于图像上物理划分边界的可见度。不同自动边界提取方法之间的比较也表明，机器学习方法的性能更胜一筹（图3）。与传统方法相比，深度学习模型的最大优势在于所有表征都是在监督下学习的，而非人工方式。显然我们还需要进一步进行技术研发，尤其是在检测或预测隐形地籍边界位置领域。国际书摘Book Summary激光雷达在地籍测绘中的作用已得到大量研究。在波兰，研究人员基于改进的U-Net深度学习算法，提出了一种提取建筑物屋顶轮廓的自动化系统，该算法旨在利用有限的训练图像提供精确的屋顶分割。利用深度学习、高分辨率航空图像和来自激光扫描的土地管理数据，可以提供一种高效、经济的方法为地籍目标获取建筑物轮廓。虽然由于地面和屋顶轮廓之间的差异，自动提取的轮廓无法直接应用于地籍数据，但仍可在后续相关过程中加以利用。实验表明，通过改进的方法能产生令人满意的结果，并且在根据该地区的建筑物调整参数时具有很强的适应性。不过，这可能不适用于其他具有不同建筑特征的地区。在地籍或保有边界之外的另一个应用案例中，财产估价土地管理的一个基本要素通常由一系列因素决定，如地理位置、物理特征、法律影响和经济因素。虽然财产估值对经济增长至关重要，但许多发展中国家往往缺乏官方法规或具体的数据要求。因此，卢旺达的一项研究中探讨了三种遥感技术在税收方面的有效性：（1）用数码相机拍摄的航空图像；（2）WorldView2卫星图像；（3）用大疆幻影2 Vision Plus四旋翼飞行器拍摄的无人机图像。结果表明，无人机是最具前景的数据收集方法，可为财产估价征税提供支持。它们提供的最新准确信息对公平征税至关重要。虽然过去的趋势可能无法可靠地预测未来的进展，但不可否认的是遥感技术在土地管理中的应用正不断扩大。数字化转型正在减少法规变革和制度阻碍的影响，使初创企业和其他土地管理服务提供商更容易进入市场。人工智能和特征提取技术也将继续得到应用，并与其他数据源相融合，以创建更先进的边界识别算法。尽管如此，人仍将是这些过程的核心。归根结底，必须由人来确定、使用和执行边界。译者：正，原选GIMINTERNATIONAL官章专栏，有删减。译：https:/www.gim-中国测绘 出于传递资讯的的刊登此，不代表本刊观点。图3：通过研究技术获得的参考图和分类图。可边界参考图为绿线，不可边界参考图为红线，检测到的边界为线。图4：从分辨率航空正射影像图和机载激光雷达中提取建筑物的法GeoAI和深度学习激光雷达的新作成本效益且更公平