基于遥感+AI技术的沈阳市违法图斑的确定_王野.pdf

第 46 卷 第 1 期2023 年 1 月测绘与空间地理信息GEOMATICS&SPATIAL INFORMATION TECHNOLOGYVol.46,No.1Jan.,2023收稿日期:2021-09-13基金项目:自然资源部数字制图与国土信息应用重点实验室开放基金 基于多源时空大数据的精细化城市发展水平研究(ZRZY-BWD202110)资助作者简介:王 野(1976-),男,辽宁新民人,正高级工程师,学士,主要从事测绘生产经营管理和技术管理工作。基于遥感+AI 技术的沈阳市违法图斑的确定王 野1,敦力民1,赵 昕1,邰 贺1,杨 静2,陈 闯1(1.沈阳市勘察测绘研究院有限公司,辽宁 沈阳 110004;2.沈阳市规划设计研究院有限公司,辽宁 沈阳 110004)摘要:研究了基于深度学习的自动变化检测等技术,并在沈阳市违法图斑确定项目中进行了深度应用。通过实际的成果分析,确定了该方法可以全方位提升遥感数据的自动化处理、分析能力,实现了影像变化信息的高精度、高效率提取,使目前的土地违法变化高效精准、常态化、低成本监测成为可能。关键词:自动变化检测;图斑提取;深度学习中图分类号:P237 文献标识码:A 文章编号:1672-5867(2023)01-0030-03Determination of Illegal Map Spots in Shenyang Based onRemote Sensing+AI TechnologyWANG Ye1,DUN Limin1,ZHAO Xin1,TAI He1,YANG Jing2,CHEN Chuang1(1.Shenyang Geotechnical Investigation&Surveying Research Institute Co.,Ltd.,Shenyang 110004,China;2.Shenyang Urban Planing&Design Institute Co.,Ltd.,Shenyang 110004,China)Abstract:This paper studies the automatic change detection technology based on deep learning,and makes an in-depth application in the illegal map spot determination project in Shenyang.Through the analysis of actual results,it is determined that this method can comprehensively improve the automatic processing and analysis ability of remote sensing data,realize the high-accuracy and efficient extraction of image change information,and make it possible to monitor the current illegal land change efficiently,accurately,normal-ly and at low cost.Key words:automatic change detection;image map spot extraction;deep learning 0 引 言随着我国经济的持续增长和城市化进程的迅猛推进,土地资源开发利用日趋紧张,土地违法案件的数量和类型均呈“井喷式”增长,土地执法监测的压力逐年增大1。近年来,卫星影像数据在执法监测中的应用,加大了执法监察的力度,缩短了执法周期。然而,目前基于高分辨率遥感影像的解译方法仍存在局限,主要以人工目视解译和半自动计算机提取为主2,人工目视解译需耗费大量时间和人力,半自动提取方法虽在一定程度上提高了效率,但仍大量依赖于人工,2 种方法均无法高效利用遥感影像所包含的丰富信息3。为此,研究如何结合深度学习对复杂数据强大的特征抽取能力,从海量遥感数据中学习特征信息,充分挖掘影像价值信息,从而实现对遥感影像信息的高效和自动化提取,是目前在卫片执法过程项目中亟须解决的技术难题。1 技术原理基于遥感+AI 的变化图斑提取,是利用时点前、后期遥感影像数据,采用基于深度学习的神经网络模型训练技术进行影像自动变化检测工作,初步提取两期影像的变化情况并辅以人工修正,获取当期疑似违法图斑;统计在卫星遥感监测时段中,监测区内的新增建构筑物、新增推填土、新增线形地物4-6。2 数据处理流程数据处理流程图如图 1 所示。图 1 数据处理流程图Fig.1 Data processing flow chart3 数据源为满足卫片执法工作需求同时兼顾全市时空地理信息服务需要,本次采购的是北京二号的遥感影像数据。北京二号星座由 3 颗 0.8 m 分辨率的光学遥感卫星组成,卫星由英国萨里卫星公司(Surrey Satellite Technology Ltd-SSTL)制造,呈七面体结构,重约 450 kg,高约 2.5 m,如图2 所示。其 SSTL-300S1 敏捷平台能够提供 45的快速侧摆能力,在轨实现多景、条带、沿轨立体、跨轨立体和区域等 5 种成像模式。VHRI-100 成像仪在轨提供幅宽约24 km、0.8 m 分辨率(Ground Sampling Distance-GSD)全色和 3.2 m 分辨率蓝、绿、红、近红外多光谱图像。图 2 北京二号卫星星座及主要参数Fig.2 Constellation and main parameters of Beijing-2 satellite本次共采购了 2020 年第一、三、四季度三期北京二号遥感影像作为监测数据。其中第一季度影像是存档影像,获取时相为 3 月份,主要用于已有 2019 年监测卫片作为基底影像,设计项目流程和理顺相关技术,同时作为第三季度图斑提取的前期影像;第三和第四季度影像时相为 2020 年 9 至 10 月和 2020 年 12 月,相对于国家对应季度卫片影像获取时间提前了 2 个月,以确保在国家下发执法图斑之前准确掌握全市域土地违法变化情况,提前预警、及时行动,如图 3 至图 5 所示。图 3 2020 年第一季度影像分布图Fig.3 Image distribution in the 1st quarter of 2020图 4 2020 年第三季度影像分布图Fig.4 Image distribution in the 3rd quarter of 20204 分析过程4.1 样本库制作综合考虑沈阳市地表覆盖以及项目监测需求,本项目建立了训练样本优化技术流程,完成了新增线形地物、新增建(构)筑物、新增推填土样本的获取。深度学习样本库主要分为用户样本和模型样本,用户样本是模型样本的基础。首先,根据项目需求以目视解译等方法在遥感影像上勾画出了感兴趣区域的矢量边界,即遥感影像(tif 格13第 1 期王 野等:基于遥感+AI 技术的沈阳市违法图斑的确定图 5 2020 年第四季度影像分布图Fig.5 distribution in the 4th quarter of 2020式)及其对应的地物矢量边界(shp 格式),作为用户样本。其次,通过数据处理和变换,将用户样本转换成了模型训练测试所需要的样本格式,即模型样本,具体流程如图 6 所示。训练样本覆盖了同类要素的多种表现形式,提升了深度学习算法模型的自适应性、准确率与普适性。图 6 样本库构建流程图Fig.6 Flow chart of sample library construction4.2 影像变化矢量获取利用已有的沈阳市地表覆盖分类成果及其监测影像,以两期矢量相减方式获取了变化矢量,再筛选出本项目所需的新增线形地物、新增建(构)筑物、新增推填土等要素变化矢量。4.3 划分训练集与测试集在使用样本进行模型训练之前,把它们划分成了互不相通的训练集与测试集两部分。训练集用于模型训练,占整个数据集的 70%;测试集用于模型测试,占整个数据集的 30%。训练集和测试集样本均涵盖了沈阳市不同土地违法变化类型及地理场景,且其场景没有太多的相似之处。划分完毕之后,对海量样本数据开展深度学习。首先,使用训练集样本训练变化检测模型,通过大数据提升统计估计的准确性,自动逐层进行特征学习,通过多层线性与非线性映射将复杂地形要素简单化,提取各类地形要素最有效的特征表示并建立相对复杂的网络结构,充分挖掘数据之间的上下文关联,建立典型地形要素识别技术流程及分类器,实现典型地形要素自适应、快速、高精度识别。其次,再利用测试集样本进行变化检测模型测试,确定最优模型。4.4 变化检测模型训练首先,对影像进行降采样处理,得到降采样后的前、后期正射影像,以去除数据冗余,提高深度学习模型的运算效率;然后,利用 Mean-Shift 分割算法将待检测的前、后期正射影像进行同一尺度切割,基于两期影像的光谱、纹理等差异,结合分割对象的语义信息和上下文特征,提取出两期影像的变化置信度图;最后,通过最大数学期望前背景分割算法二值化变化置信图,输出变化图斑。4.5 人工检测基于深度学习软件自动提取的变化图斑往往轮廓不够精确且存在一定的漏提、错提现象,在项目实施过程中,辅以人工对变化图斑进行了更新与修正,主要包括图斑形状调整、虚警图斑剔除、漏提图斑补画等,保证了疑似违法图斑提取结果的准确性。4.6 质量分析本项目专项统计了提取数量、类型及效果,从多个维度对变化图斑进行了分析,具体结果包括图斑的分布、比例等。通过统计,在 2021 年度疑似违法图斑自动提取中,全市实测精度查全率为 70.3%,正确率为 46.4%,局部查全率超过 85%,正确率接近 50%,整体工作效率提升56%,各项成果符合项目要求,如图 7 所示。图 7 各行政区疑似违法图斑统计及分布Fig.7 Statistics and distribution of suspected illegal map spots in various administrative regions5 结束语本项目基于建立的土地卫片执法违法图斑线索服务专项样本库,利用遥感+AI 的机器学习半自动提取与更新自动化检测技术,快速、自动地提取包括地块、水域、房屋和道路等目标地物。该方法在保证结果可靠性的同时大大减少了提取时间,有效地提高了采集效率,降低了人工作业强度。从成果质量来看,各项技术指标能够满足当前工作需要,进一步验证了该技术方案的有效性。(下转第 37 页)23 测绘与空间地理信息 2023 年对倾斜量排序,所得结果大于 1.5 cm 路灯总数为 20 根,使用高精全站仪测了 20 盏路灯的垂直度,测量结果见表3。两数据差异在 1 cm 以内,证明该方法的可行性。表 3 算法验证对比表Tab.3 Comparison table of algorithm verification编号偏移量(m)三维激光扫描仪全站仪差值(mm)50.0150.016060.0160.018-270.0150.016-190.0170.016+1110.0160.013+3280.0180.018 0350.0160.008+8480.0210.017+4530.018 0.017+1580.019 0.014+5620.023 0.016+7710.016 0.009+7790.019 0.011+8820.017 0.018-11010.0190.020-11060.016 0.01601130.0150.016-13 结束语本文对实测数据先进行场景分类,剔除地面,然后对路灯进行分割,使用 RANSAC 算法将路灯进行分别提取,根据路灯结构特征建立截面拟合,确定顶底截面拟合中心的算法,根据 2 个中心方位角和投影距