国土资源典型要素变化遥感智能监测关键技术及应用

0  引  言

自20世纪 80年代起，我国便开始使用遥感技术核查全国土地，90年代末开始每年都对全国进行土地变更调查与遥感监测，开展森林、水系、耕地等各类地理国情监测工作。通过及时的遥感监测，国家能宏观掌控国土资源的当下分布和变化趋势，统筹山水林田湖草各类资源的整体保护、系统修复和综合治理，对我国国土资源的长期可持续发展起着重要作用。国土资源要素的监测成果可精准服务于对挖山采矿、林草破坏、耕地占用、非法建设等违法行为的督察防治工作，同时及时发现耕地变化以守住耕地红线和永久基本农田控制线，对国家粮食安全保障也具有重大意义。

国土资源遥感智能监测包含国土资源专题要素识别、典型要素解译和要素变化检测三方面。专题要素提取方法多落实到某单一目标要素的提取方法，如建筑物目标的提取，可分为自底向上的数据驱动方法，包括基于几何边界的方法、基于区域分割的方法和基于辅助特征或辅助信息的方法；以及自顶向下的模型驱动方法，包括基于语义模型分类的方法、基于先验知识模型的方法和基于视觉认知模型的方法。

影像解译是有别于专题要素识别的多要素分割，当前国内外学者对其的研究多集中在解译的自动化方法上，如利用随机树 / 森林和支持向量机分类 对提取的影像特征进行分类。随着深度学习的端对端全卷积神经网络结构（FCN） 在影像处理上的优异表现，有学者通过在其基础上加入跨层或多模态融合 的方式来完成多尺度遥感影像的语义分割，还有加入特征提取层和包含植物特征的卷积核来实现对植物的精确分类以及通过扩大感受野、融入多种策略、引入实例约束的方法实现自然影像上场景的语义解析。国内学者也将FCN用于高光谱遥感影像分类，讨论其在不良地质体识别与分类中的应用，在应用的过程中，学者们逐渐意识到卷积神经网络遥感影像分类方法对样本的依赖程度较大的问题。

相较于专题目标识别和典型要素解译，要素变化检测则是通过对多时相遥感影像进行处理与分析，自动识别地表要素发生变化的区域。早期研究方法如差值法、回归分析法等主要讨论阈值的最优取舍，后面有图像变化的方法，如将主成分分析法与变换向量法相结合来用于建筑物变化检测。机器学习的方法兴起之后，变化检测的精度获得了提高，而深度卷积神经网络的出现更将变化检测带上新的高度。有学者使用基于长短程记忆的循环神经网络来学习土地覆被中的可转移变化规律；或使用生成式对抗网络检测多光谱遥感影像和其他异构光学遥感图像的变化区域。基于暹罗网络技术的深度Siamese卷积网络（DSCN）被提出用于检测影像上具有对比损耗的变化区域，并在此之上提出了对称卷积耦合网络（SCCN）来检测光学和SAR图像之间的变化。然而，遥感影像场景复杂，变化类型多样，标注数据体量不足等现状问题给基于深度学习的智能变化检测带来了极大挑战。

为解决目前国土资源专题要素自动识别不准，国土资源变化发现慢、检测难、查不全等瓶颈难题，本文研究了一整套国土资源典型要素精细化检测与解译到要素变化自动发现与提取的技术方案，下文将介绍其主要技术创新。

1  技术方法

利用遥感影像进行国土资源典型要素的变化监测，涉及从遥感影像的获取、典型要素的识别与解译到多时相影像的变化监测一整套流程，每一方面相关技术方法的优化都对整体监管效率的提升很重要，因此如何实现对国土资源典型要素的精准识别与要素变化快速发现是本文研究的核心内容。然而，国土资源变化智能发现与提取面临着多类观测资源异构性、传感器多样性、成像环境多变性、场景目标复杂性、变化区域时空分散随机性等因素导致的天空地多类观测资源高效协同获取处理难、海量高精度遥感样本数据集制作效率低、多源遥感影像要素识别与智能解译模型鲁棒性差、国土资源变化智能检测虚警高等技术难题。面对上述挑战，本文研究通过多项技术创新，突破了顾及对地观测区域任务语义的空天地资源协同获取、海量高精度样本自动制作、专题目标智能识别、典型要素智能解译与变化检测等关键技术，可以支撑超大范围国土资源典型要素的高频次、高效率遥感智能监查的重大需求。下面本文将分别对各项关键技术进行介绍，总体技术方案图如图1所示。

图 1 技术路线图

Fig.1 Technology flowchart

1.1 任务驱动的空天地多源遥感影像快速获取与协同处理技术体系

提出了顾及对地观测区域任务语义的空天地资源一体化协同规划方法，攻克了GPU-CPU协同的光学卫星/航空正射影像拉花区域高效检测、影像快速镶嵌、多源影像匀色融合、无人机集群协同采集等关键技术，构建了任务驱动的空天地多源遥感影像快速获取与协同处理技术体系，显著提高了复杂山地区域多源遥感影像空天地一体化快速获取与协同处理效率。

1）针对不同任务区域利用卫星、航空、测量车等获取遥感数据时，多类观测资源在观测模式、成像机理、应用目的和处理方式等难以统一发现、共享和规划的问题，提出了顾及对地观测区域任务语义的空天地资源协同获取任务分解和规划方法。该方法充分考虑多类观测平台的差异性和不同类别观测平台观测能力对任务分配的影响机理，提高异构观测传感网工作收益，挖掘多类观测平台多传感器系统潜在观测优势，有效地解决了不同观测资源在空间语义和时间语义的相互约束和冲突关系，取得一加一大于二的协同效果，显著提高了大区域空天地协同观测任务分解与数据获取效率。

2）针对山地城市地形起伏大、拉花变形多，传统人工查找效率低等问题，研发了GPU-CPU高效协同的光学卫星 / 航空正射影像拉花变形快速自动检测技术，通过统计正射影像上每个像素与周围像素所对应原始卫片上像素的重叠次数，判断生成拉花区域二值图像并将其矢量化。该方法在国内外首次实现了光学卫星影像拉花区域的自动检测，5min内可完成330km²平方公里的卫星正射影像上拉花区域的自动探测，是传统方法的50倍以上。

1.2 渐进增长机制驱动的海量样本数据集自动制作成套技术

针对大范围跨区域海量遥感影像解译样本人工标定成本大、效率低，自动制作样本噪声高，样本多样性及分布不均衡等问题，提出了渐进渐精与渐进增长样本库自动构建策略，攻克了基于历史地表覆盖矢量与多源遥感影像的海量样本快速制作、顾及场景信息的海量样本智能聚类与精化提纯、基于条件最小二乘生成式对抗网络的小样本智能增广等关键技术，形成了渐进增长机制驱动的海量样本数据集自动制作成套技术，剔除了有云、错误等噪声样本，解决了部分地类小样本导致的样本多样性不足及分布不均匀难题，显著提升了大规模样本库制作的自动化程度，率先构建了千万级高质量多源遥感影像解译样本数据集。

1.3 顾及场景 - 目标 - 像素层次关系的国土资源典型要素智能识别与解译方法

针对多源遥感影像场景上下文关系复杂、同物异向、尺度变化大、光谱信息差异等导致模型适用性差、鲁棒性不足的行业难题，创新性地提出了顾及场景 - 目标 - 像素层次关系的国土资源典型要素智能识别与解译方法，突破了多尺度多特征融合的遥感影像建筑物检测、空间信息推理神经网络的道路提取、顾及典型要素和场景语义信息的多尺度对偶流形排序网络多源遥感影像分割等关键技术，解决了无关场景信息干扰、目标尺度方向差异、局部区域感受野小等造成的专题目标检测与典型要素解译鲁棒性差的问题，实现了多源多时相遥感影像国土资源典型要素的智能识别和解译，总体精度达到92%。

1）考虑到道路、建筑物等不同专题要素的特点，本文有针对性地开展了多源遥感影像国土资源专题要素智能识别与提取的研究。对于深度神经网络在从超高分辨率卫星图像提取道路存在道路中断、不完整等问题，提出一种空间信息推理深度神经网络道路提取方法，通过在像素之间和层间实现多方向消息传递和增强，获得更完整的道路局部视觉特征和全局空间结构信息。针对遥感影像中建筑物尺度不一与外轮廓提取难题，我们构建了多尺度融合RPN模型和投票分类网络模型，设计了一种建筑物局部图块复合特征的低维描述方法，提出了基于二进制特征分类器与关键点类别诱导计算的建筑物轮廓提取方法，本方法在准确率、漏检率、交并比、效率等方面均表现出一定优势。

2）针对跨传感器、跨分辨率、跨季节、跨区域多源遥感影像中同类地物光谱、纹理信息存在巨大差异而导致传统分割模型适用性差、鲁棒性不足等行业难题，本文采用了从大尺度到小尺度，从粗粒度到细粒度，从宏观到微观的渐进识别与解译的策略，提出了一种顾及典型要素和场景语义信息的多尺度对偶流形排序网络多源遥感影像分割方法，构建了遥感影像国土资源典型要素智能解译模型集，有效解决了因数据源差异、时相差异、辐射差异等因素造成的广域海量异构遥感影像数据地物识别算法泛化能力差、准确率低的问题，有效抑制了无关场景信息的干扰，实现了多源遥感影像八大典型要素智能解译，总体精度达到92%（图2）。

图 2 国土资源 8 大典型要素解译模型集

Fig.2 Interpretation model set of eight typical elements of land and resources

 1.4 语义信息增强的国土资源典型要素变化鲁棒检测方法

针对多时相遥感影像因光照、大气、季节，传感器姿态不同，导致两期影像相同区域颜色与纹理特征分布不均、投影差大等问题，提出了语义信息增强的国土资源典型要素变化鲁棒检测方法，构建了顾及解译模型语义信息和双注意力机制的全卷积孪生拼接网络，攻克了基于深度度量网络的典型要素自动快速变化检测、特征匹配信息引导的建筑物变化检测、基于变化图斑特征再检测机制的虚警抑制等关键技术，解决了多源多时相遥感影像国土资源变化检测虚警多、鲁棒性差的难题，相对于传统方法效率提升5倍，查全率最高达到95%。

1）本文提出了融合基于语义信息的面向对象的变化检测方法和基于全卷积孪生拼接网络结构（FCSCN）的端对端变化信息提取方法来进行国土资源典型要素变化鲁棒检测。前者综合前后期影像的几何特征、纹理特征、光谱差异，结合分割对象的语义信息、上下文特征提取出两期影像的变化置信度图，通过二值化变化置信度图输出变化图斑，保证了高的查全率，但产生的虚警较多。后者设计了一个基于全卷积神经网络（FCN）和暹罗（Siam）神经网络的对称编码-解码的拼接网络结构，通过权重共用与逐层上采样获取变化图斑，其虚警低，但有漏检。融合两种变化检测方法，再针对提取的变化图斑由于影像的光谱差异、时相季节差异、传感器差异、分辨率差异导致虚警占据检测结果的 70-80% 的问题，提出基于 ResNet 残差网络的变化图斑再检测机制的虚警抑制方法，构建了虚警判别模型，对变化图斑再分类，在高查全率前提下，抑制变化虚警，提高了变化检测的准确率（图3）。

图 3 语义信息增强的国土资源典型要素变化鲁棒检测技术路线图

Fig.3 Technology flowchart of robust detection method for changes of typical elements of land and resources based on semantic information enhancement

2）针对城市建筑物投影差大、有阴影难以发现建筑物变化等问题，提出了一种特征匹配信息引导的建筑物变化检测方法。一是利用多尺度流行排序网络的语义分割对两期影像分别进行高精度建筑物识别，通过空间叠置分析得到新增和拆除建筑；二是利用已有建筑物基底矢量图斑，通过建筑物基底（矢量）-屋顶（影像）的轮廓精确匹配技术，自动获取建筑物屋顶轮廓，基于局部区域特征匹配进行建筑变化检测。以此消除投影差影响，得到屋顶发生变化的建筑（图4）。

图 4 建筑物屋顶变化目标检测结果

Fig.4 Detection results of buildings with roof changes

2  国土资源变化遥感智能检测与综合管理平台构建与应用

本项目率先构建了千万级高精度的遥感样本数据库，搭建了国际先进的国土资源典型要素变化遥感智能监测与综合管理平台，实现了多源遥感影像专题目标识别、典型要素解译到要素变化发现与智能提取，识别解译总体精度达到 92% 以上，变化区域查全率最高达到95%，技术成果在重庆全域规模化应用，相关技术在湖南、湖北等地也得到推广。

2.1 样本数据库建设

根据重庆市已有影像及地理国情全覆盖矢量数据制作了千万级的样本数据库，主要包括专题要素样本库、全要素解译样本库和变化区域样本库，分别服务于专题要素的识别提取、国土资源八大典型要素的智能解译和变化检测算法的训练测试，影像数据源涵盖多传感器（国内外主流光学卫星、航摄仪、数码相机等）及多种分辨率（0.5m，1m，2m）的遥感影像，其示例如图5所示。

图 5 3 类样本数据示例

Fig.5 Examples of Three Types of Segmented Sample Data

2.2 多源遥感影像智能解译模块

该模块包含了建筑物、道路、水系等专题要素识别，地表覆盖八大典型要素智能解译等功能，旨在解决多源遥感影像专题信息提取及地表要素智能解译问题。下图是一幅分辨率0.5米的卫星影像局部，包括了建筑物、道路、水系、耕地等各类要素，解译效果如下图所示。

图 6 软件智能解译影像的效果图

Fig.6  Result of image’s interpretation

2.3  典型要素变化智能检测模块

该模块用于解决两期影像变化检测，提供有矢量变化检测、无矢量变化检测、端到端变化检测，以及提供简单的矢量编辑工具，提供从检测、编辑、更新的一整套智能检测的技术服务。变化检测效果如图7所示。

图 7 自然资源变化区域检测结果与前后期影像套合效果图

Fig.7 Detection result of natural resource change areas

3  结束语

本文研究于2014年正式启动实施，在多项国家项目和基金的支持下，经过近6年的不懈努力，不断尝试与最新人工智能技术的结合，终于成功研发了国土资源典型要素变化遥感智能监测的关键技术并广泛应用，实现了在遥感影像智能识别和变化检测领域精度、准度、速度上的新突破，推动我国国土资源变化智能监测技术进入国际先进行列，形成了一系列具有自主知识产权的科技创新成果。同时还通过该项研究的应用取得了较大的经济效益和社会效益，如增加了规划领域违法建设和自然资源违法占用的处罚经济，节省了人力资本投入和政府调查取证及诉讼的支出。在社会效益方面，更是创新了国土资源典型要素变化遥感智能监测技术体系，打破了传统工作模式，有力支撑国土资源智能监测与管理工作，提升了地方规划和自然资源主管部门监管的工作效率，大大提高了国土资源变化发现、调查、制止、恢复的时效性，培育了一支国土资源典型要素智能监测要求的创新型人才队伍。

尽管已经取得了一定的成绩，但是当前取得的成果还远不是我们的最终目标。随着遥感影像数据量的不断增大、分辨率的不断提高，国家和广大用户对遥感影像监测的时效性需求也不断加大，国家自然资源部要求“优化国土空间变化监测体系，组织实施全天候遥感监测，以及时掌握自然资源宏观突出变化”。为此，在现在完成的数据指标基础上，我们还将继续深入研究，提升遥感影像解译和变化检测的精度，并在保证高精度的基础上优化算法，提升影像处理速度。此外，我们还将致力于多源异构遥感数据一体化的数据采集优化工作，随着5G 通信技术的发展，推动遥感影像监测向着实时影像动态监测的方向发展，构建一个面积大、精度高、时效强的动态监测体系。同时，我们会将技术推广到更多应用领域，如应急救灾、智慧城市等，并针对不同领域需求建设专项系统，让我们的研究成果落到实处，服务于社会更多方面。

作者简介：丁忆（1976—），男，重庆人，高级工程师，学士，主要从事地理信息和遥感应用服务等研究工作

E -mail：dy@dl023.net

本期回顾