基于深度学习的遥感影像自然资源信息自动提取技术研究.pdf

Vo e.25$No.1Ma e.2023第25卷第1期2023年3月测绘技术装备Geo ma tic s Tec h n o l o gy a n d Eq u ipmen t基于深度学习的遥感影像自然资源信息自动 提取技术研究叶萍萍（甘肃省基础地理信息中心，甘肃兰州730000）摘 要:摘 要:本文利用深度学习解译技术,建立自然资源样本库，构建地物分类模型，实现遥感影像自然资 源信息自动提取,并对解译结果进行精度评价#结果表明，基于深度学习技术的解译效果较为理想,能提升解译精度和效率，为建立高效、完善的自然资源遥感监测服务体系提供了先进的技术手段。关键词关键词：深度学习；遥感影像；自然资源监测；信息提取中图分类号:中图分类号:P237D0I：10.20006/j.c n k i.61-1363/P.2023.01.007Aut omat ic ext rac t ion t ec hnol ogy of nat ural resourc es informat ion from remot e sensing image based on deep l earningYY Pingping(Ga n su Peo eo n c eBa so c Geo gea ph o c In Oo ema io o n Cen iee，La n eh o u，Ga n su 730000，Ch o n a)Abst rac t:Deep l ea r n in g in ter pr eta tio n Wc h n o l o gy is u sed to esta bl ish a n a tu r a l r eso u r c e sa mpl e d a ta ba se,c o n sieu c iih MOa iu e c ea so Oo c a io o n mo d Me，eMa eo eMa u io ma io c Mtiea c io o n o On a iu ea eeso u ec Mo n Oo ema io o n Oeo m r emo te sen sin g 01X0,a n d ev el u a te th e a c c u c c y o f in Wr pr eta tio n r esu l ts in th is pa pec.Th e r esu l ts sh o w th a t th e d eep l ea r n in g Wc h n o l o gy c a n c r ea te a n id ea l effec t a n d gc d tl y impr o v e th e in ter pr eta tio n a c c u c c y a n d eXic d n c y,pr o v id e a d v en c ed Wc h n ic a l meth o d fo r th e esta bl ish men t o f effic ien t a n d per fec t r emo te sen sin g mo n itOTin g ser v ic e system o f n a tu r a l r eso u r c es.Keywords:d eep l ea r n in g；r emo te sen sin g 101X0；n a tu r a l r eso u r c es mo n ito r in g；in fo r ma tio n ex tr a c tio n1引言遥感影像作为丰富的地面载体,可以为自然资 源监测监管等业务提供影像支撑。遥感技术能够全 面、快速、有效地探查自然资源的分布情况,帮助自 然资源部门摸清自然资源现状，及时掌握自然资源 变化信息,辅助行使“两统一”职责。当前,遥感已 成为自然资源调查监管的重要手段。遥感影像解译技术是随着遥感技术的产生发展 而来的目前，精准的遥感信息提取主要靠人工 目视解译来完成。面对海量、多源、多时相的遥感影 像数据,低效率的人工解译已经无法满足快速获取 信息的需求2%为了建立高效的自然资源遥感监 测服务体系，迫切需要开展高精度自动化信息提取 技术研究，实现目标快速识别和信息提取。本文以张掖市甘州区为研究区，选取2019年三 季度影像,基于深度学习解译技术自动提取自然资源 信息，旨在探索自然资源信息自动提取技术，为自然 资源管理、生态保护和修复等提供遥感技术支撑，以 推进自然资源科学保护、合理利用和高效管理。2数据来源与研究方法2.1研究区概况研究区概况甘肃省张掖市甘州区位于河西走廊中部，南依 收稿日期：2021-12-27作者简介:叶萍萍，工程师,主要从事地理国情监测、遥感技术应用研究等工作第1期叶萍萍:基于深度学习的遥感影像自然资源信息自动提取技术研究37祁连山，北邻内蒙古自治区阿拉善右旗。甘州区是 典型的温带大陆性气候，云量稀少,日照时间较长,光照资源丰富。由于风力作用和干燥剥蚀作用，在 甘州区南面和北面，戈壁广泛分布。2.2数据来源数据来源2.2.1本研究采用的基底影像是国产卫星遥感影像,数据源包括高分一号、资源三号等。影像空间分辨 率为2 m,时相为2019年三季度。对遥感影像进行拼接镶嵌后，以县级行政区为 单元进行裁切，使遥感影像覆盖研究区全域。2.2.2地理国情监测数据主要包括地表覆盖分类、地 理国情要素等。其中，地表覆盖分类包括种植土地、林草覆盖、房屋建筑、铁路与道路、构筑物、人工堆掘 地、裸裸露地表、水域等地表类型;地理国情要素包括 铁路与道路、构筑物、人工堆掘地、水域等类型%地理国情监测数据主要用于精度验证和样本采集。2.3技术路线和方法技术路线和方法2.3.1本研究基于eCo gn itio n遥感解译软件，采用阈 值分类、监督督分类、深度学习等解译技术，充分利用 影像的光谱、纹理等特征,辅以地理国情监测数据 等，探索基于国产卫星遥感影像自动解译种植土地、林地、草地、水等自然资源的技术路线,构建自然资 源解译样本库、地物分类模型等，自动提取自然资源 要素2.3.2技术方法技术方法eCo gn itio n软件采用分割、分类循环迭代的基于 知识和规则的分类过程常用的分类方法包括 阈值分类、监督督分类和深度学习等2.3.2.1阈值分类阈值分类是基于影像上目标地物的光谱、形状 等特征及相关经验知识5，利用自然资源要素的各 种特征得到要素的特征阈值，达到阈值的即归为此 类要素阈值分类最关键的是找到每个要素区别于 其他要素的特征2.3.2.2监督督分类监督分类是用已知类别的样本像元识别其他未 知像元6。它主要是根据地物分类选择一定数量 的典型样本,基于光谱、纹理等特征,对决策函数进 行训练，并利用决策函数对影像进行分类2.3.2.3 深度学习深度学习是从典典型样本中自动学习样本的特 征，发现规律,建立对未知数据的预测模型深度学 习中的神经网络包括经网络包括卷积积神经网络经网络、循环环神经网络网络、递归神经网络络等eCo gn itio n中深度学习采用的是应用较广的卷 积神经网络络(Co n v o l u tio n a l Neu r a l Netio r k,CNN)%相较其他神经网络,CNN通过复杂卷积过程及反向 传播自动获取语义信息特征7,利用神经网络进行 分类7，从而提高信息提取的精度和效率2.3.3 研究方法研究方法阈值分类分类受特征值限制,监督督分类学习的主要 是波段信息，深度学习不仅可以学习波段信息，还可 以识别图案形状和纹理经过比较,本文采用深度 学习解译技术进行信息自动提取深度学习解译技术的方法主要包括影像预处 理、样本库建立、地物分类模型构建和地物分类影 像预处理阶段主要是对影像进行合规化处理及影像 分割，本文使用的国产卫星遥感影像已经过合规化 处理,在预处理阶段只需对影像进行分割即可样 立是基于 处理后的影像 行样 标,立 地样%地 分 构 构 阶段主要是在 建的深度学习CNN模型基础上，利用样本训练优化 神经 络 络,构 构 地 分%地 分 主要 是用 化后的 行自然资源信息提取%基于深 度学习的遥感影像自然资源信息自动提取流程如图 1所示3甘州区自然资源信息自动提取结果 分析3.1甘州区自然资源信息自动提取甘州区自然资源信息自动提取3.1.1 分类体系建立分类体系建立参考地理国情监测分类体系,结合甘州区特有 的地物类,将地物类分为9类，分别为种植土地、林 地、草地、建筑物、道路、温室大棚、裸裸地、光伏板区、水 等%3.1.2影像分割是信息提取的基%是利用对象的形状、纹理等几何和结构特征,将具有相同或 者相似特征的多个像素组成一个对象8%eCo gn itio n中的分割算法包括棋盘分割、四叉树 分割、多尺度分割等其中，多尺度分割可以以任意38测绘技术装备第25卷尺度，按照纹理、光谱等生成特征相似的影像多边 的表现形态（9），生成的对象比较贴近地物自然边形。鉴于多尺度分割可以从不同角度反映遥感数据，因此选择多尺度分割进行影像分割。图1基于深度学习的遥感影像自然资源信息自动提取流程Fig.1 Fl ow c har of aut omat ic ext rac t ion of nat hral resourc c informat ion from remot e seesing nmageebaeedondeepl earnnng3.1.3 深度学习3.1.3.1建立自然资源样本库1）样 选取。样 选取的总体原则是:样本要准确，尽量 匀分布;样本应 典，各 样本 间应 高的可分离性样本选取分为矢量转样本和人工选取样本两 种。量转样本是指将已有分 量数据转为样本;人工选取样本是通过人 解译,结 对影像地 的基本认知选取样本。本文在参地理国情监测数据的基础上，采用人工选取样 本方法。2）建立自然资源样本库。通过生成标签样本块模块对已经选取的样本按照分 分，并按 放在文件夹内，生成 地自然资源样本库。3.1.3.2构建地物分类模型利用CNN技术构建基础的地物分类模型，基于 样 对 行，获适用于甘州区的地物 分 3.1.3.3自然资源信息提取利用地 分 成的地 对各 自然资源信息进行自动提取。3-2结果分结果分3.2.1 自动提取结果甘州区各类自然资源分布情况如下，种植土地、地、大 等主要分布在中部 上,草地、裸地主要分布在 戈壁滩上，2所示。3.2.2分类精度评价3.2.2.1评价指标1）分精度。表示涉及的所有像元分类的正确性，是 通常的总体性量度（10）%分类精度=正确提取的面积/地表真实类 别总面积。2）用户精度。表示解译图斑被正确分为地表的比率。3.2.2.2精度评价利用地理国情监测数据对自然资源信息自动提第1期叶萍萍:基于深度学习的遥感影像自然资源信息自动提取技术研究39取结果进行精度评价，结果如表1所示。总体分类 精度为80.82%,总体用户精度为70.56%图2甘州区各类自然资源分类Fig.2 Cl assinc ahon of variout nat hral msoumes in Ganzhou Area表1甘州区自动解译结果精度评价Tab.1 Ac c urac y eval uat ion of aut omat ic int el pl et aUon csuUs in Ganzhou Area地物类别地理国监测自动解译成果面积/k m2面积/k m2面积/k m2面积/k m2面积/k m2面积/k m2种植土地1 051.08969.5781.511 119.47969.57149.90地1 000.33759.11241.221 013.39759.11254.28地1 152.06890.74261.321 457.14890.74566.40建筑物72.9861.5911.3996.2661.5934.67道路55.1839.1716.0175.6839.1736.51温室大棚22.2817.394.8939.7917.3922.40光伏板区4.033.660.373.793.660.13裸地129.7978.6551.14192.1778.65113.52水体14.4110.513.913.810.513.29从表中可以看出，种植土地、建筑物、光伏板区、水体等 的地物分类精度较高，分精度在80%以上。道路、裸地等地物用户精度 高，主要是由于甘州区地处河西走廊,戈壁滩上草地覆盖度 低，从影像上看，裸地 地纹理 似，也容易 从影像上看，农 路 裸地、低度草地等 似，容易 4结束语本文利用深度学习解译技术，实现了甘州区自然 资源信息自动提取。通对提取结果进行精度评价,结果表明，深度学习解译技术提取效果较为理想，能 够快速、准确地提取自然资源信息，分 精度超80%，可以为自然资源监管提供技术支持。40测绘技术装备第25卷虽然深度学习较大地提升了解译精度和工作效 率，但仍有需要改进的地方。目前，各类自然资源信 息提取精度有差异,地物特征明显的分类精度较高,易混淆的地物分类精度还需提升，后续还需加强深 度学习技术的创新发展，进一步提升自然资源信息 自动提取精度。参考文献1 张养安，李俊峰，王蓬.基于国内外遥感影像解译软件 应用研究J.杨凌职业技术学院学报,2014,13（4）:24-27.2 蒲慧龙，陈丹蕾，张云.基于解译知识库的地表覆盖自动 解译研究及实现J.测绘，2016,39（5）：209-212,219.3 GQJC 03 2019基础性地理国情监测内容与指标S.4 关元秀，王学恭，郭涛，等.eCognit ion基于对象影像分 析教程M.北京:科学出版社,2019.5 黄霞.基于遥感的地理国情普查技术研究一一以西藏 地区为例D.重庆:重庆交通大学,2015.6 谢杭,李振东，陈波，等.遥感影像自动解译技术研究 J.工程技术研究,2021（14）：62-63,7 张秦雪.基于可变形全卷积神经网络实现遥感图像冬 小麦自动解译D.廊坊:北华航天工业学院,2020.8 王更.高分辨率遥感影像多尺度分割算法研究与应用 D.徐州：中国矿业大学,2016.9 张秦雪.基于深度学习技术的高分辨率遥感影像建设 用地信息提取研究D.杭州:浙江大学,2017.10 刘清，吴文魁,张斌才.遥感影像自动解译与变化检测 方法研究与应用J.测绘与空间地理信息,2020,43（12）:122-125,129.测绘技术装备常用参考文献著录要求参考文献的顺序应按正文中引用的顺序依次排列并在正文中标出其序号,未公开发表的资料不能列入 参考文献，必要时可在引用页加脚注。参考文献需按下列格式著录：专著、论文集、学位论文、报告序号主要责任者.文献题名文献类型标识.出版地：出版者，出版年.起止页码（任选）.期刊论文序号主要责任者.文献题名J.刊名，年，卷（期）：起止页码.论文集中的析出文献序号析出文献主要责任者析出文献题名A.原文献主要责任者（任选）.原文 献题名C 出版地:出版者,出版年析出文献起止页码.报纸文章序号主要责任者.文献题名N.报纸名，出版日期（版次）.国际、国家标准序号标准编号（空一汉字）标准名称】S.专利序号专利所有者.专利题名:专利号P.出版日期.电子文献序号主要责任者.电子文献题名电子文献及载体类型标识.电子文献的出处或可获得地 址，发表或更新日期/引用日期（任选）.其他类型的文献序号主要责任者.文献题名Z.出版地:出版者，出版年.:1各类文献中的“主要责任者”，不足3人的（含3人）应全部列出，多于3人的，可只列出3人,然后用“等”字;作者之间应用逗号“，”隔开,“等”字前也须用逗号,以便于计算机检索2.参考文献中文字体为宋体小5号，括号、逗号、冒号均为宋体形式;西文为新罗马体小5号3.英文和中文参考文献的要求、格式相同。