基于高分辨率月度衛片的“兩違”智能動態監測研究與實現

戚知晨，盧向偉，胡 嶺，韓 雪，阮 婧

（1.自然資源部國土空間大數據工程技術創新中心江蘇分中心，南京 210017；2.南京國圖信息產業有限公司，南京 210036；3.江蘇省國土資源動態監測中心，南京 210017）

0 引言

城鎮化是現代化的必由之路。由于有效監管手段的缺乏，城市范圍擴增、棚戶區改造等城市建設過程出現了違法用地和違法建設行為（以下簡稱“兩違”）情況。以往的“兩違”監測主要采用人工巡查和群眾舉報等被動管理方式，無法及時發現并處理問題，監測監管效率低下，產生的事后拆除和整治成本高昂，嚴重制約了政府部門的管理能力。因此，如何及時發現并預警“兩違”情況、實時監測或階段性監測“兩違”情況高發區域、提高執法人員查處效率，是當前“兩違”監測需要著重研究和解決的問題。

2021 年4 月，自然資源部辦公廳印發《關于完善早發現早制止嚴查處工作機制的意見》，要求各級自然資源主管部門嚴格落實中共中央、國務院關于嚴格保護耕地的決策部署，完善早發現、早制止、嚴查處的工作機制，綜合利用衛星遙感、無人機、視頻監控等技術手段，探索按月度或實時對轄區內違法占地、耕地保護等情況進行監測監管[1]。目前，“兩違”監測的技術方法包括攝像頭監測、街景圖像監測、衛星影像監測、無人機監測等[2-5]。與其他監測技術相比，衛星影像監測具有成本低、精度高、范圍廣等優勢，且能為“兩違”監測提供精準測量的動態監測結果[6-8]。衛星影像的空間分辨率與覆蓋頻次逐步提高，高分辨率遙感監測技術可在“兩違”監測工作中實現月度高分辨率衛星影像監測，提升監測頻率。

譚思源等[9]對湖南省國產高分影像覆蓋率進行統計和分析，研究發現湖南省月度衛片監測正射影像覆蓋率整體表現較好，可實現早發現、早預警、早處置的目的。李俊杰等[10]基于高景衛星星座，對目標區域開展編程數據采集，實現了0.5～0.7 m空間分辨率的全覆蓋月度監測要求。鄭琎琎等[11]基于國產0.5 m 遙感影像，對市縣級重點區域開展以月度為周期的監測，開發“兩違”執法監測系統，對發現提取的可疑圖斑進行數據庫存儲并精準定位，同時，幫助外業人員進行核查與整改。

鑒于上述研究現狀，本文基于當前“兩違”監測的實際需求，融合國產公益遙感衛星數據與商業衛星數據構建高分辨率月度監測衛片數據服務。引入地理智能技術實現“兩違”圖斑快速智能提取，結合內業復檢與外業核查提高“兩違”圖斑及其邊界的精準性，研發“兩違”智能動態監測管理平臺，整合監測流程及關鍵技術，實現基于高分辨率月度衛片的“兩違”智能動態監測。

1 疑似“兩違”圖斑特征分析

本文根據“兩違”的定義及《江蘇省自然資源廳關于開展2021 年月度衛片執法工作的通知》，總結了疑似“兩違”圖斑在高分辨率遙感影像上的特征表現，如表1 所示。新增的疑似違法用地圖斑在高分辨率遙感影像上表現為非建設用地中新增的建設特征，包括新增的線性地物、建（構）筑物、推填土、高爾夫球場用地、庫塘等。新增的疑似違法建設圖斑在高分辨率遙感影像上表現為建設用地中新增的建設特征。

表1 新增的疑似“兩違”用地圖斑

2 “兩違”智能動態監測方案設計

2.1 技術路線

依據新增的疑似“兩違”圖斑提取特征，本文圍繞數據獲取、數據處理、結果核實、管理應用流程，形成基于高分辨率月度衛片的“兩違”智能監測技術流程，如圖1 所示。

圖1 “兩違”智能監測技術流程

（1）高時空分辨率的遙感影像數據獲取。在自然資源部門下發衛片數據基礎上，補充高覆蓋范圍、高時空分辨率的商業衛星數據，構建以上級下發的季度衛片為主體、本級商業衛片數據為補充的多層級月度衛片數據體系，推動“年度+季度”監測模式提升至“月度”監測模式。

（2）基于時空大數據與地理人工智能（geospatial artificial intelligence，GeoAI）的遙感影像智能化解譯。為了提高疑似“兩違”圖斑提取效率，本文引入深度學習算法，對卷積神經網絡改進優化，基于“兩違”變化監測樣本庫訓練高精度的“兩違”變化監測人工智能（artificial intelligence，AI）模型，實現疑似“兩違”圖斑的高效精準提取。

（3）交互式圖斑內業復檢與外業核實。在實際生產過程中，為滿足“兩違”監測的精細化需求，需要對智能提取的疑似圖斑進一步復檢并核實影像解譯結果，并借助修正工具，采用人機交互方式對邊界不清的圖斑進行規則化處理，對誤檢、漏檢的圖斑進行糾正與補充，保證輸出成果質量。地物遮擋、影像不清晰等原因導致無法目視解譯修正圖斑邊界時，工作人員采用外業核實方式確認監測圖斑邊界。

（4）遙感影像智能監測成果管理與應用。建設遙感影像智能監測管理平臺，實現對自然資源業務圖層、月度衛片影像、疑似“兩違”圖斑智能提取結果的統一管理與展示，輔助支撐耕地“非農化”“非糧化”監測、衛片執法等業務。

2.2 關鍵技術

（1）顧及建筑物陰影特征的建筑物變化檢測網絡。針對建筑物陰影導致的疑似“兩違”圖斑錯檢、漏檢問題，本文提出用顧及建筑物陰影特征的建筑物變化檢測網絡技術[12]。該算法對雙峰分裂閾值法進行改進并提取陰影范圍，利用陰影與建筑物的空間關系預估建筑物屋頂的位置，逐一比較前后兩個時相建筑物屋頂的位置關系及面積，準確判斷建筑物屋頂邊界，實現建筑物的定位與變化分析。

（2）顧及空間框架約束的影像分割多分類算法。受限于地物光譜特征差異、地物要素分類二義性及樣本不均衡等方面因素，遙感影像分類后的柵格數據成果在數據精度和信息量方面易受到損失，難以建立空間網絡連接關系。本文提出顧及空間框架約束的影像分割多分類算法。該算法以土地覆蓋分類為研究對象，融合自然資源遙感影像的紋理顯著性和語義顯著性，形成顯著性排序，按序串聯道路、水系、建設用地、耕地、林地、其他用地語義識別網絡，經空間融合算子處理，形成空間連貫性高、邊界完整度高、空間拓撲一致性好的多分類矢量結果。

（3）面向解譯圖斑的邊界規則化算法。面向解譯圖斑的邊界規則化是針對影像分割算法的檢測結果進行空間分析和邊界優化的過程。影像分割算法成果通常以柵格數據集的形式存儲，具有較高的冗余度，無法表達地物的幾何屬性特征，空間分析能力較弱。矢量數據結構通過記錄實體坐標及其關系，盡可能精確地表現點、線、多邊形等地理實體，具有精度高、存儲空間小等特點。因此，面向解譯圖斑的邊界規則化算法在柵格矢量化基礎上，以矢量圖斑為單位進行處理，針對建筑物結構特點進行邊界規則化，使得解譯成果符合建筑物的結構特點。

3 “兩違”智能動態監測應用

3.1 平臺建設

為實現基于高分辨率月度衛片的“兩違”智能動態監測方案應用，本文在新增疑似“兩違”圖斑提取關鍵技術研究的基礎上，開展“兩違”智能動態監測管理平臺建設，如圖2 所示，包括高吞吐量影像智能解譯軟件和“兩違”智能動態監測管理系統，實現海量遙感影像的批量智能解譯及疑似“兩違”圖斑智能提取結果的管理與展示。

圖2 “兩違”智能動態監測管理平臺

（1）高吞吐量影像智能解譯軟件。面向海量自然資源月度衛片批量化解譯需求，本文采用客戶-服務器（client/server，C/S）結構，集成系列遙感影像分割算法、變化檢測模型等關鍵技術，構建高吞吐量影像智能解譯軟件，提供高質量的海量影像離線智能化解譯功能，實現針對疑似“兩違”圖斑的智能化提取。

（2）“兩違”智能動態監測管理系統。本文搭建“兩違”智能動態監測管理系統，對月度衛片、業務數據及修正后的疑似“兩違”圖斑進行統一管理。按照監測類型對疑似“兩違”圖斑進行分類管理、展示和統計，便于執法人員快速、靈活地瀏覽、查詢、判讀疑似“兩違”圖斑，輔助衛片執法、耕地“非農化”“非糧化”監管等業務。

3.2 應用實例

為驗證研究成果在“兩違”監測中的實用性和監測結果的準確性，本文基于研發的“兩違”智能監測管理平臺開展新增道路和新增庫塘監測，通過精確率（Precision，判別模型的整體預測精度）、準確率（Accuracy，表示正確預測結果占所有預測結果的比重）、召回率（Recall，表示正確預測的真實值占所有真實值的比重）、F1 系數（綜合考慮Precision 和Recall 的調和值）等評價指標，度量“兩違”智能監測管理平臺對新增道路和新增庫塘監測的實際效果，實現“兩違”智能動態監測方案的應用。

3.2.1 新增庫塘監測

本文在宜溧低山丘陵崗地區挑選實驗區，開展新增疑似違法用地圖斑監測，識別耕地中的新增蟹塘，實驗過程如下：

（1）基于制作的蟹塘樣本集，訓練深度學習模型，評價模型精度。

（2）利用實驗區2018 年高分辨率遙感影像，基于訓練模型識別蟹塘。

（3）將蟹塘識別結果與第三次全國國土調查（以下簡稱“三調”）耕地圖層進行空間分析，去除識別結果中屬于水田的部分。對識別結果進行統計發現，實驗區新增蟹塘數量為1 025 個，識別檢測958 個蟹塘，漏檢或錯檢67 個蟹塘，“兩違”智能監測管理平臺識別新增蟹塘的Precision 為93%、Accuracy 為93.5%、Recall 為96.7%、F1 系數為95.1%，總體識別效果較好。相較于傳統的人工目視解譯，該技術可減少人工判讀時間，降低主觀性錯誤。

3.2.2 新增道路監測

基于里下河低洼平原部分區域的高分辨率遙感影像，本文利用“兩違”智能監測管理平臺對該區域開展新增線狀道路圖斑提取。實驗過程如下：

（1）基于已有的道路樣本集，利用深度學習框架訓練道路影像分割模型。

（2）利用實驗區道路樣本訓練優化識別模型，使得道路提取模型更適合實驗區域影像道路目標的特征。

（3）將模型集成至平臺，對實驗區高分辨率遙感影像進行道路監測，疊加實驗區“三調”數據中的公路用地、城鎮村道路用地及農村道路圖層，提取新增道路圖斑。通過對比計算識別結果與目視解譯效果，“兩違”智能監測管理平臺識別新增道路的Accuracy 為82.5%、Precision 為68%、Recall 為66.1%、F1 系數為67.1%。

利用“兩違”智能監測管理平臺開展新增道路監測，大幅減少了人工核查量，工作人員只需針對疑似圖斑進行核查。該平臺集成了邊界優化算法，提取的新增道路連通性效果較好，圖斑邊界較平滑，接近實際情況。

4 總結與展望

本文研究了基于高分辨率月度衛片的“兩違”智能動態監測技術流程，總結了新增疑似“兩違”圖斑特征及提取的技術關鍵點，開發了高吞吐量影像智能解譯軟件和“兩違”智能動態監測管理系統，并在實際應用中實現海量影像批量解譯及疑似“兩違”圖斑的精準提取與管理應用。實例應用證明，高覆蓋范圍、高頻次、高分辨率的月度衛片可以有效提高“兩違”監測的時效性與精確性，本文提出的融合深度學習算法GeoAI 技術可提升“兩違”圖斑的提取效率，實現智能化監測?！皟蛇`”智能監測管理平臺對自然資源業務圖層、月度衛片影像、“兩違”監測智能解譯結果實現統一管理和展示，可輔助支撐執法人員開展“兩違”執法等業務工作。

本文研究成果在耕地“非農化”“非糧化”監管、衛片執法等業務應用中具有借鑒意義。但在實際應用中，還存在道路提取連通性不足、同物異譜和同譜異物現象導致錯檢等問題，后續將進一步優化影像智能解譯的深度學習框架，提高遙感影像智能解譯算法的精度，提升影像解譯軟件的穩定性，探索遙感衛星與無人機、“慧眼守土”等監管手段融合應用，實現自然資源立體化、實時化、智能化監測監管。