基于深度學(xué)習(xí)與多源遙感數(shù)據(jù)的新增建設(shè)用地自動(dòng)檢測(cè)*

張澤瑞，劉小平，張鴻輝，羅偉玲

1. 中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣東 廣州 510275

2. 廣東國(guó)地規(guī)劃科技股份有限公司，廣東 廣州 510650

隨著我國(guó)經(jīng)濟(jì)發(fā)展和人民生活水平的提高，城鎮(zhèn)快速擴(kuò)張，常住人口城鎮(zhèn)化率從1949 年的10.6%增長(zhǎng)到2018 年的59.58%［1］，建設(shè)用地從2001 年的3 641.2 萬(wàn)hm2到2016 年末的3 906.82 萬(wàn)hm2［2］。建設(shè)用地的快速擴(kuò)張下伴隨著大量的違法占地現(xiàn)象，如非法占用土地、破壞耕地和破壞森林資源，其中新增建設(shè)用地是違法用地中最常見(jiàn)的類型。僅2016 年間，全國(guó)各級(jí)國(guó)土資源主管部門查處了涉及2.69 萬(wàn)hm2的共7 萬(wàn)余違法用地案件［3］。2020年1月，自然資源部發(fā)布《自然資源調(diào)查監(jiān)測(cè)體系構(gòu)建總體方案》，方案中指出以遙感監(jiān)測(cè)為主要手段的技術(shù)體系為重點(diǎn)，查清我國(guó)各類自然資源狀況和變化情況。因此，自動(dòng)檢測(cè)新增建設(shè)用地將為違法用地的查處提供一種新的思路，可以成為保護(hù)我國(guó)自然資源的重要技術(shù)手段。

早期的違法用地查處與監(jiān)督主要依靠人工實(shí)地檢驗(yàn)，不僅費(fèi)時(shí)、費(fèi)力、效率低，而且難以做到全面的查驗(yàn)、及時(shí)的發(fā)現(xiàn)和準(zhǔn)確的劃定。隨著遙感技術(shù)的成熟與廣泛的應(yīng)用，已有學(xué)者利用遙感影像實(shí)現(xiàn)了違法用地的檢測(cè)［3-6］。例如，曹端廣等利用無(wú)人機(jī)傾斜攝影技術(shù)完成了對(duì)違法用地監(jiān)測(cè)系統(tǒng)的研究［7］，余永欣等基于地理國(guó)情數(shù)據(jù)進(jìn)行了違法用地檢測(cè)［8］，但依舊離不開(kāi)大量的人工判別的方式。因此，陳鵬等基于高分辨率遙感影像提出了用于違法用地檢測(cè)的變化檢測(cè)方法［9］，有效地提高了土地監(jiān)察執(zhí)法的效率；孫笑古等在土地督查地理信息服務(wù)平臺(tái)中提出了圖像分割、信息提取算法以提高違法用地的檢查效率［10］。上述研究雖利用了遙感技術(shù)來(lái)獲取違法用地的信息，但未能發(fā)揮出多源遙感影像的優(yōu)勢(shì)，實(shí)現(xiàn)大范圍、快速地檢測(cè)。

人工智能中的深度學(xué)習(xí)技術(shù)是通過(guò)深層次的神經(jīng)網(wǎng)絡(luò)，從給定的目標(biāo)任務(wù)中獲得目標(biāo)數(shù)據(jù)源由低層到高層的特征，提升了語(yǔ)音識(shí)別、視覺(jué)對(duì)象識(shí)別、目標(biāo)檢測(cè)和其他眾多領(lǐng)域的技術(shù)水平［11］。在圖像應(yīng)用中，主要的應(yīng)用方向是目標(biāo)檢測(cè)、人臉識(shí)別、圖像分割、姿態(tài)估計(jì)、圖像分類［12-13］，其中深度學(xué)習(xí)與遙感影像相結(jié)合，已經(jīng)應(yīng)用于土地利用與土地覆蓋分類、目標(biāo)檢測(cè)、場(chǎng)景識(shí)別、影像分割、變化檢測(cè)、影像融合、影像配準(zhǔn)等各個(gè)方面。實(shí)現(xiàn)了對(duì)特定地物類別、場(chǎng)景類別的目標(biāo)識(shí)別、語(yǔ)義分割、分類等多項(xiàng)應(yīng)用［14］。例如，深度學(xué)習(xí)在建筑物提取中克服了傳統(tǒng)方法的其他地物的誤分類與誤提取問(wèn)題，提取精度得到了提升［15］；在土地利用與土地覆蓋分類任務(wù)中，融合深度學(xué)習(xí)網(wǎng)絡(luò)提取的特征在識(shí)別農(nóng)田、灌木地、草地、不透水面、濕地等地類中比以往的機(jī)器學(xué)習(xí)模型得到了更優(yōu)分類精度［16］。但在違法用地查處與管理中，深度學(xué)習(xí)尚未得到很好的應(yīng)用。因此，發(fā)揮深度學(xué)習(xí)模型的優(yōu)勢(shì)將為新增建設(shè)用地自動(dòng)檢測(cè)提供一種新的方法。但至今仍缺少將多源遙感數(shù)據(jù)與深度學(xué)習(xí)技術(shù)相結(jié)合，應(yīng)用于新增建設(shè)用地自動(dòng)檢測(cè)中的研究。

針對(duì)以上問(wèn)題，本文提出了在新增建設(shè)用地變化規(guī)則的基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行標(biāo)記，對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練、調(diào)優(yōu)，并結(jié)合Sentinel-2A 遙感影像的變化區(qū)域?qū)π略鼋ㄔO(shè)用地進(jìn)行大范圍的快速檢測(cè)，及時(shí)發(fā)現(xiàn)用地違法現(xiàn)象，提高建設(shè)用地管理效率，以利于自然資源調(diào)查和國(guó)土資源維護(hù)。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

本文研究區(qū)位于廣西省貴港市，位于北緯22°39 ′～24°02′、東經(jīng)109°11′～110°40′之間?？偯娣e10 602 km2，市中心城區(qū)建成區(qū)面積73 km2，全市總?cè)丝诩s555 萬(wàn)。在2018 年貴港市政府工作報(bào)告中，2017 年貴港市共獲得新增建設(shè)用地指標(biāo)約2 000 hm2，同比增長(zhǎng)117%。同年，貴港市有關(guān)部門開(kāi)展違法用地與整治違法建筑的行動(dòng)，查處違法占地面積42.69 hm2，違法建筑面積34.86 hm2。本文選擇廣西貴港市作為研究區(qū)域，并將研究區(qū)域劃分為訓(xùn)練區(qū)與測(cè)試區(qū)（圖1）。

圖1 貴港市研究區(qū)劃分Fig.1 The study area division of Guigang city

1.2 數(shù)據(jù)來(lái)源與預(yù)處理

本文使用的原始遙感影像數(shù)據(jù)包括：1）2018年1 月與2019 年1 月貴港市高分辨率可見(jiàn)光波段遙感影像，空間分辨率為2 m。高分辨率遙感影像的預(yù)處理以時(shí)相一影像為基礎(chǔ)對(duì)時(shí)相二期影像進(jìn)行處理，根據(jù)兩期影像中出現(xiàn)的問(wèn)題，具體預(yù)處理內(nèi)容包括：地理配準(zhǔn)，直方圖匹配，拉普拉斯算子濾波操作，使得兩幅影像在紋理特征與光譜特征上一致（如圖2）；2） 2017 年12 月與2018 年底貴港市Sentinel-2A 星遙感影像，Sentinel-2A 星影像從可見(jiàn)光到短波紅外共有12 個(gè)，空間分辨率10～60 m 之間，此次研究選擇10 m 分辨率的可見(jiàn)光波段和近紅外波段。Sentinel-2A 星遙感影像下載來(lái)源于美國(guó)地質(zhì)調(diào)查局（https：//earthexplorer. usgs.gov/）。該網(wǎng)站上所提供的是經(jīng)過(guò)幾何精校正的大氣表觀反射率產(chǎn)品Sentinel-2A L1C，通過(guò)歐空局提供的Sen2Cor 插件可對(duì)L1C 產(chǎn)品進(jìn)行大氣校正，生成L2A地表反射率產(chǎn)品。

圖2 訓(xùn)練區(qū)高分辨率影像預(yù)處理Fig.2 High resolution image preprocessing in training area

2 研究方法

首先對(duì)訓(xùn)練區(qū)中出現(xiàn)的新增建設(shè)用地在高分辨率影像上進(jìn)行標(biāo)記，對(duì)標(biāo)記的訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣和差值計(jì)算操作，選擇深度學(xué)習(xí)中的Deep-Labv3+模型進(jìn)行訓(xùn)練并調(diào)優(yōu)；為達(dá)到快速、大范圍的新增建設(shè)用自動(dòng)檢測(cè)的目的，利用迭代加權(quán)多元變化檢測(cè)（IRMAD，iteratively reweighted multivariate alteration detection），對(duì)兩期Sentinel-2A 影像進(jìn)行變化檢測(cè)，再用高斯混合模型（GMM，Gaussian mixture model）對(duì)變化檢測(cè)結(jié)果進(jìn)行閾值劃分，得到變化區(qū)域結(jié)果；最后，在變化區(qū)域中選擇高分辨率遙感影像在訓(xùn)練后的模型上實(shí)現(xiàn)新增建設(shè)用地的自動(dòng)檢測(cè)并評(píng)定精度，技術(shù)路線如圖3。

圖3 技術(shù)路線Fig.3 Technical route

2.1 訓(xùn)練數(shù)據(jù)處理

2.1.1 訓(xùn)練樣本標(biāo)記新增建設(shè)用地在不同時(shí)刻的遙感影像上表現(xiàn)出來(lái)的圖斑變化可以分為3 種：①植被轉(zhuǎn)變?yōu)槁愕?、空地；②植被轉(zhuǎn)變?yōu)榻ㄔO(shè)用地；③空地、裸地轉(zhuǎn)變?yōu)榻ㄔO(shè)用地?；谏鲜?種新增建設(shè)用地的變化規(guī)則，對(duì)兩期高分辨率遙感影像利用人工目視判別進(jìn)行標(biāo)記。此外，為區(qū)分農(nóng)業(yè)生產(chǎn)活動(dòng)導(dǎo)致的周期性植被變化，需要重點(diǎn)考慮變化規(guī)則一，本文采取下述方法對(duì)變化規(guī)則一進(jìn)行篩選：①若裸地變化明顯且裸地周圍或內(nèi)部存在建設(shè)用地，則勾選該裸地圖斑；②若裸地變化不明顯，但裸地內(nèi)部存在建設(shè)用地，僅勾選內(nèi)部建設(shè)用地圖斑；③若裸地變化明顯，但周圍不存在建設(shè)用地，則不勾選該裸地圖斑。圖4展示了3種在訓(xùn)練區(qū)中圖斑變化規(guī)則的新增建設(shè)用地標(biāo)記。

圖4 訓(xùn)練區(qū)新增建設(shè)用地標(biāo)記（紅色標(biāo)記）Fig.4 Labels of newly increased construction land in training area(marked in red)

2.1.2 數(shù)據(jù)增廣與處理對(duì)兩期高分辨率影像以特定窗口大小和重疊率進(jìn)行裁剪得到原始訓(xùn)練數(shù)據(jù)集，考慮到數(shù)據(jù)大小有限，而深度學(xué)習(xí)中需要依靠大量的數(shù)據(jù)來(lái)訓(xùn)練以提高模型的擬合能力，需通過(guò)數(shù)據(jù)增廣操作對(duì)數(shù)據(jù)進(jìn)行擴(kuò)充，數(shù)據(jù)增廣操作的目的是提高模型的泛化能力減少過(guò)擬合［17］，傳統(tǒng)的數(shù)據(jù)增廣方法是利用現(xiàn)有數(shù)據(jù)對(duì)空間域或色彩域進(jìn)行變換等操作來(lái)生產(chǎn)新樣本，如旋轉(zhuǎn)、平移、變形、縮放、裁剪、色彩抖動(dòng)、對(duì)比變換、噪聲等一系列操作，其他的數(shù)據(jù)增廣方法還包括生成式對(duì)抗網(wǎng)絡(luò)GAN （generative adversarial networks）生成樣本、幻覺(jué)圖像生成樣本、基于特征空間的數(shù)據(jù)增廣等［18］。此次研究中，僅對(duì)裁剪后的影像進(jìn)行鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、縮放3種數(shù)據(jù)增廣操作。

對(duì)于在兩期高分辨率遙感影像上的進(jìn)行新增建設(shè)用地的檢測(cè)，本質(zhì)上是變化檢測(cè)的一種，傳統(tǒng)變化檢測(cè)中對(duì)于雙時(shí)相數(shù)據(jù)的處理主要有：基于構(gòu)造差異的方法（差值法、比值法、差異主成分法、CVA）、基于變換特征間差異的方法（K-T變換法、主成分差異法、MAD）、基于分類后比較的方法［19-22］。本次研究?jī)H利用雙時(shí)相影像進(jìn)行差值處理，通過(guò)以下方法對(duì)增廣操作后的數(shù)據(jù)進(jìn)行簡(jiǎn)單的差值處理，

其中X，Y分別為時(shí)相一和時(shí)相二的可見(jiàn)光波段高分辨率影像，差值圖D是兩期影像各位置像元相減再利用根據(jù)像元可能的取值范圍歸一化至［0，1］。

2.2 DeepLabv3+模型

深度學(xué)習(xí)中圖像分割任務(wù)的目標(biāo)，是根據(jù)圖像的紋理、顏色、形狀、領(lǐng)域關(guān)系等特點(diǎn)將具有相同特征的像素點(diǎn)進(jìn)行聚類，達(dá)到像素級(jí)別的分類效果。經(jīng)典的圖像分割模型有：FCN［23］、UNet［24］、SegNet［25］、DeepLab 系列［26-30］、RefineNet［31］、PSPNet［32］。DeepLab 系列如今共有v1［26］、v2［27］、v3［28］、v3+［29］、auto［30］等5 種版本，其中v3+繼承了前3 種版本的空洞卷積、ASPP 模塊、批量正則化層的優(yōu)點(diǎn)，同時(shí)引入了SegNet 中的Decoder-Encoder 結(jié)構(gòu)，分割結(jié)果有了更好的表現(xiàn)。圖5 為本文使用的DeepLabv3+模型結(jié)構(gòu)。

圖5 DeepLabv3+模型結(jié)構(gòu)Fig.5 DeepLabv3+model structure

DeepLabv3+模型以公式（1）構(gòu)建的差值圖作為輸入，首先用主干特征提取網(wǎng)絡(luò)（以圖中的ResNet 為例）提取出下采樣4 倍的底層特征(64×64×2 048)與下采樣16 倍高層特征(16×16×2 048)，對(duì)高層特征分別進(jìn)行不同步長(zhǎng)的ASPP（Atrous spatial pyramid pooling）和全局池化操作后進(jìn)行連接，并通過(guò)卷積上采樣4 倍到與底層特征相同的尺寸。將卷積上采樣后的特征與底層特征進(jìn)行拼接，再次經(jīng)過(guò)卷積與上采樣4倍恢復(fù)原始尺寸并得到預(yù)測(cè)結(jié)果。DeepLabv3+模型框架的優(yōu)點(diǎn)在于將模型劃分為Encoder-Decoder 結(jié)構(gòu)，Encoder 結(jié)構(gòu)中對(duì)高層特征進(jìn)行ASPP操作，ASPP通過(guò)不同大小空洞卷積與全局池化得到不同尺度下的語(yǔ)義信息；Decoder結(jié)構(gòu)中，結(jié)合高層特征提供的語(yǔ)義信息與底層特征逐步恢復(fù)空間信息得到預(yù)測(cè)結(jié)果。

2.3 變化區(qū)域提取算法

2.3.1 IRMAD變化檢測(cè)為實(shí)現(xiàn)快速、大范圍的新增建設(shè)用地檢測(cè)而忽略兩期影像間變化不明顯的區(qū)域，本文采用利用IRMAD 變化檢測(cè)算法提取Sentinel-2A 影像上變化區(qū)域。IRMAD［33］算法是在MAD［34］基礎(chǔ)上提出的。最初的MAD 算法是對(duì)影像波段進(jìn)行線性變換得到兩個(gè)特定變量，變量間相關(guān)性反映了原始影像波段之間的相關(guān)關(guān)系的方法，具體計(jì)算公式為

由公式（5）可知，U-V之間的方差越大，則它們的相關(guān)系數(shù)越小。但對(duì)原始影像進(jìn)行變化后所得的U-V的相關(guān)系數(shù)是遞減的，所以對(duì)所求結(jié)果按照相關(guān)系數(shù)從小到大排列，即按照方差從大到小排列得到MAD算法的各個(gè)分量

其中不同的MADi表示影像中不同特征間的關(guān)系。IRMAD 算法是在MAD 算法基礎(chǔ)上引入迭代加權(quán)思想，通過(guò)每次迭代計(jì)算像元的權(quán)重用于更新下一輪中平均值與方差的計(jì)算，提高變化檢測(cè)精度。每個(gè)像元的初始權(quán)重為1，假設(shè)對(duì)每個(gè)像元j的MADij進(jìn)行標(biāo)準(zhǔn)化到單位方差后的平方和是服從自由度為p的卡方分布χ2(p)，

公式（7）描述了通過(guò)像元j的各個(gè)MAD 分量與對(duì)應(yīng)的方差來(lái)計(jì)算像元j在卡方分布中的位置Tj。通過(guò)計(jì)算得到Tj后，再根據(jù)公式（8）確定像元j在卡方位置上百分位值，查表可得像元j在下一輪的計(jì)算中的權(quán)重

當(dāng)?shù)喆瓮瓿苫蛘弋?dāng)前輪次與上輪次相關(guān)系數(shù)的絕對(duì)差值中的最大值小于閾值后停止迭代，本文所用迭代閾值為10-6。

2.3.2 GMM閾值劃分變化檢測(cè)中需確定最后的變化閾值對(duì)結(jié)果進(jìn)行劃分，確定變化與非變化區(qū)域。本文利用GMM［35］對(duì)IRMAD 算法的變化檢測(cè)結(jié)果進(jìn)行自動(dòng)劃分閾值，減少人工選取閾值的干擾。GMM 模型是將數(shù)據(jù)假設(shè)由幾個(gè)不同的正態(tài)分布的隨機(jī)變量組合而成，考慮不同隨機(jī)變量之間的協(xié)方差以及潛在的正態(tài)分布信息，

其中w1+w2= 1，x表示的是變化檢測(cè)后的結(jié)果，w1和w2分別是變化類與非變化類的權(quán)重，g(x|u1，Σ1)和g(x|u2，Σ2)分別表示變化類與非變化類服從高斯分布的概率密度函數(shù)，通過(guò)最大似然函數(shù)對(duì)參數(shù)：λ={w1，w2，u1，u2，Σ1Σ2}進(jìn)行估計(jì)得到各參數(shù)值。

3 研究結(jié)果

3.1 模型訓(xùn)練

本文實(shí)驗(yàn)的硬件環(huán)境為Intel(R) Core(TM)i7-8700K 3.70GHz 的CPU 與NVIDIA GeForce GTX 1070 Ti 8GB 的GPU； 軟件環(huán)境為Python3.6、PyTorch 1.6.0。實(shí)驗(yàn)中采用256×256大小的窗口對(duì)兩期高分辨率影像進(jìn)行裁剪，對(duì)裁剪后的數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣操作和差值圖處理后訓(xùn)練模型。此外，本文中對(duì)不同的主干特征提取網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，分別選擇VGG16［36］、ResNet152［37］、DenseNet161［38］、GoogLeNet［39］、MobileNetV2［40］等5 種經(jīng)典圖像分類網(wǎng)絡(luò)，以上網(wǎng)絡(luò)均使用在ImageNet 上預(yù)訓(xùn)練的權(quán)重以加速模型收斂。精度評(píng)定選擇IoU、總體精度和F1 分?jǐn)?shù)等3 種指標(biāo)，訓(xùn)練參數(shù)均為0.000 1 的初始學(xué)習(xí)率、100 輪訓(xùn)練輪次、損失函數(shù)為Binary Cross Entropy、Adam 優(yōu)化器、學(xué)習(xí)率衰減策略為每10輪次下降0.5、采取早停法進(jìn)行訓(xùn)練。不同主干特征提取網(wǎng)絡(luò)下，在測(cè)試集上得到的精度結(jié)果見(jiàn)表1。

表1 不同主干特征提取網(wǎng)絡(luò)精度Table 1 The accuracy of different backbone feature extraction networks

從3種指標(biāo)精度上表現(xiàn)來(lái)看，各類主干特征網(wǎng)絡(luò)在總體精度上相差不大，都在97%左右；F1 分?jǐn)?shù)也較高，分布范圍在85.14%～90.57%之間；對(duì)于IoU 指標(biāo)，最高精度與最低精度則相差8.1%。相對(duì)于其他網(wǎng)絡(luò)，DenseNet161 作為特征提取網(wǎng)絡(luò)不僅模型參數(shù)量適中而且能在3種指標(biāo)上取得較好的結(jié)果，所以選擇DenseNet161 作為DeepLabv3+模型的主干特征提取網(wǎng)絡(luò)作為后續(xù)研究中新增建設(shè)用地自動(dòng)檢測(cè)的模型。

3.2 變化區(qū)域提取

變化區(qū)域提取結(jié)合了IRMAD 算法和GMM 算法，在兩期影像上可自動(dòng)得到變化與非變化區(qū)域，并用形態(tài)學(xué)操作與NDVI 掩模進(jìn)行后處理優(yōu)化提取結(jié)果。首先對(duì)兩期Sentinel-2A 影像經(jīng)過(guò)預(yù)處理后，利用IRMAD 算法對(duì)可見(jiàn)光波段與近紅外波段進(jìn)行變化檢測(cè)。由公式可知，IRMAD 算法能得到4 個(gè)MAD 分量的結(jié)果，圖6 展示了由IRMAD 算法得到4 個(gè)分量結(jié)果。其中每個(gè)分量分別對(duì)應(yīng)不同特征成分的變化，變化程度則代表了該特征下地類在兩時(shí)相內(nèi)發(fā)生變化的大小。通過(guò)各個(gè)分量與影像上變化的地類進(jìn)行對(duì)比，分量二與所期望提取的變化成分相似度最高。相對(duì)比其他分量，分量二中包含了較為全面的地類變化的信息，但所含的不僅是從植被變化到裸地、建筑用地等地類變化，也包含了裸地到植被的轉(zhuǎn)變，這種情況將為檢測(cè)帶來(lái)的非必要的計(jì)算量，本文還利用時(shí)相二影像的NDVI 進(jìn)行掩模操作，對(duì)分量二中結(jié)果NDVI 大于0.5的像元將它重新歸為未變化像元，最后使用形態(tài)學(xué)操作中的開(kāi)操作消除細(xì)小的像元得到變化區(qū)域，得到最終的二值變化檢測(cè)結(jié)果區(qū)域。

圖6 變化檢測(cè)分量結(jié)果Fig.6 The results of change detection component

Sentinel-2A 影像提取的變化區(qū)域用于判斷該區(qū)域是否存在變化像元，即當(dāng)前待檢測(cè)區(qū)域中若變化區(qū)域的像元數(shù)量占比大于該區(qū)域總像素?cái)?shù)量的1%，則對(duì)該區(qū)域進(jìn)行檢測(cè)，否則不進(jìn)行檢測(cè)。因此本文以像素為單位，對(duì)不同大小的矩形結(jié)構(gòu)元素進(jìn)行實(shí)驗(yàn)，在測(cè)試區(qū)中對(duì)參考新增建設(shè)用地圖斑進(jìn)行漏檢率和模型計(jì)算量減少率進(jìn)行分析，結(jié)果如表2。

表2 不同結(jié)構(gòu)元素對(duì)計(jì)算量和漏檢率的影響Table 2 The influence of different structural elements on calculation amount and omission rate

結(jié)構(gòu)元素越大，消除更多的細(xì)小像元的同時(shí)能減少更多的計(jì)算量，但也會(huì)排除一些變化較小但仍有新增建設(shè)用地的區(qū)域。綜合考慮漏檢率與計(jì)算量減少率，選擇大小為3的矩形結(jié)構(gòu)元素對(duì)變化區(qū)域進(jìn)行開(kāi)操作處理，圖7展示了對(duì)變化檢測(cè)結(jié)果進(jìn)行未處理的變化區(qū)域、NDVI 掩膜處理后的變化區(qū)域、開(kāi)操作處理后的變化區(qū)域。

圖7 變化檢測(cè)結(jié)果處理Fig.7 The results of change detection before and after processing

3.3 新增建設(shè)用地檢測(cè)

本文結(jié)合變化區(qū)域與訓(xùn)練調(diào)優(yōu)后的模型，在測(cè)試區(qū)中實(shí)現(xiàn)新增建設(shè)用地自動(dòng)檢測(cè)，并對(duì)結(jié)果進(jìn)行精度評(píng)定。將測(cè)試區(qū)的影像按照模型訓(xùn)練窗口大小（256×256）與一定的裁剪重疊率進(jìn)行劃分，若劃分的影像中變化區(qū)域的像素大于區(qū)域總像素的1%，則對(duì)該劃分區(qū)域的兩期影像計(jì)算按照公式（1）計(jì)算差值并進(jìn)行檢測(cè)。為了使得檢測(cè)結(jié)果與實(shí)際影像相符合，采用了條件隨機(jī)場(chǎng)與形態(tài)學(xué)閉操作對(duì)檢測(cè)結(jié)果進(jìn)行邊界優(yōu)化、連接相近圖斑和去除圖斑內(nèi)部空洞等后處理方法。

新增建設(shè)用地自動(dòng)檢測(cè)精度評(píng)定過(guò)程以建設(shè)用地圖斑為基本單位進(jìn)行精度評(píng)價(jià)。由于參考圖斑中最小面積為1 004 m2，所以僅將新增建設(shè)用地檢測(cè)結(jié)果中面積大于1 000 m2的圖斑與測(cè)試區(qū)中的參考圖斑進(jìn)行檢驗(yàn)，若檢測(cè)圖斑與參考圖斑相交則標(biāo)記為正確檢測(cè)。表3 統(tǒng)計(jì)了經(jīng)過(guò)后處理方法后，不同裁剪重疊率下新增建設(shè)用地檢測(cè)結(jié)果中劃分區(qū)域數(shù)量、圖斑正確檢測(cè)率、漏檢率等。

通過(guò)表3 可以看出，隨著重疊率的逐漸增加，新增建設(shè)用地檢測(cè)圖斑的正確率上升，但是劃分區(qū)域數(shù)量與錯(cuò)分率也隨之增加。在70%和80%與80%和90%重疊率之間，劃分區(qū)域數(shù)量有明顯的跳躍式增長(zhǎng)，雖然80%與90%重疊率的檢測(cè)正確率上能達(dá)到很好的精度，但劃分區(qū)域數(shù)量和錯(cuò)分率明顯高于其他裁剪重疊率。相對(duì)于其他裁剪重疊率，70%的裁剪重疊率在計(jì)算量、檢測(cè)正確率和錯(cuò)分率上能得到很好的平衡，所以選擇70%裁剪重疊率的檢測(cè)結(jié)果用于后續(xù)實(shí)驗(yàn)。圖8中展示了測(cè)試區(qū)中新增建設(shè)用地的圖斑檢測(cè)結(jié)果。

表3 不同裁剪重疊率的新增建設(shè)用地檢測(cè)結(jié)果Table 3 The detection results of newly increased construction land with different cropping overlap rate

70%裁剪重疊率下的新增建設(shè)用地檢測(cè)結(jié)果中，圖斑檢測(cè)正確率為85.16%，圖斑漏檢率為16.73%。從圖8 中可以看出，變化明顯的新增建設(shè)用地檢測(cè)結(jié)果較好，面積較大的用地在城區(qū)周圍分布多，面積較小的用地有少數(shù)分布在郊區(qū)。圖斑誤判數(shù)量較高，錯(cuò)分率為36.57%，大部分錯(cuò)分圖斑分布在城市周圍或遠(yuǎn)離城市的區(qū)域，錯(cuò)分圖斑雖然能檢測(cè)出被破壞的植被，但此類植被被破壞并不是因?yàn)榻ㄔO(shè)用地的建造而是農(nóng)業(yè)生產(chǎn)活動(dòng)導(dǎo)致的。對(duì)圖8 的測(cè)試區(qū)中的檢驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)，90%的檢測(cè)圖斑IoU 精度大于0.2，其中有62.68%的檢測(cè)圖斑IoU大于50%。在檢測(cè)的圖斑中，IoU最大的為95.77%，最小的為1.57%，圖斑平均IoU為57.23%，參考圖斑總面積795.06 hm2，檢測(cè)圖斑相交面積592.53 hm2，檢測(cè)面積率74.52%。

圖8 測(cè)試區(qū)中的檢測(cè)結(jié)果Fig.8 The detection results in test area

4 結(jié) 論

本文對(duì)現(xiàn)有的違法用地檢測(cè)方法進(jìn)行了梳理，針對(duì)當(dāng)前對(duì)違法用地管理與研究不足的現(xiàn)狀，提出了一種基于深度學(xué)習(xí)和多源遙感影像的新增建設(shè)用地自動(dòng)檢測(cè)方法。以廣西貴港市為研究區(qū)，在高分辨率遙感影像上對(duì)新增建設(shè)用地圖斑進(jìn)行標(biāo)記、處理、訓(xùn)練深度學(xué)習(xí)模型，對(duì)模型的不同特征提取網(wǎng)絡(luò)進(jìn)行分析，選擇DenseNet161 作為DeepLabv3+的主干特征提取網(wǎng)絡(luò)；將高分辨率影像與Sentinel-2A 影像的變化區(qū)域相結(jié)合，實(shí)現(xiàn)快速定位變化區(qū)域、減少計(jì)算量的目的；此外，研究中還分析了開(kāi)操作中不同參數(shù)量對(duì)圖斑漏檢率和模型計(jì)算量的影響，最后還針對(duì)不同的裁剪重疊率對(duì)圖斑檢測(cè)精度的影響進(jìn)行分析。結(jié)果表明，70%的裁剪重疊率能在計(jì)算量與圖斑檢測(cè)精度、錯(cuò)分率之間能取得較好的平衡，在測(cè)試區(qū)中圖斑檢測(cè)正確率85.16%，錯(cuò)分率36.57%，圖斑平均IoU 為57.23%，62.68%圖斑的IoU 在50%以上，總體面積檢測(cè)率為74.52%。本文的研究利用多源遙感影像的優(yōu)勢(shì)與深度學(xué)習(xí)的特點(diǎn)，在同類研究中能達(dá)到快速、大范圍對(duì)違法用地進(jìn)行自動(dòng)檢測(cè)的目的，在一定程度上減少了人工目視判斷與邊界劃定的工作量，為城市規(guī)劃、土地管理提供一種新的工作手段，在一定程度上提高違法用地的監(jiān)測(cè)準(zhǔn)確度及工作效率。

本文的研究?jī)?nèi)容是輔助違章用地執(zhí)法監(jiān)察的一次成功實(shí)踐，雖然此類方法能檢測(cè)出大部分正確的圖斑，但仍有較高的錯(cuò)分率，整體IoU 過(guò)低。導(dǎo)致錯(cuò)分圖斑產(chǎn)生的主要原因是錯(cuò)分圖斑的變化屬于農(nóng)業(yè)生產(chǎn)活動(dòng)導(dǎo)致的植被周期性變化，雖然在樣本標(biāo)記環(huán)節(jié)中對(duì)符合此變化規(guī)則的圖斑進(jìn)一步篩選，但在測(cè)試區(qū)中仍未能很好地解決此問(wèn)題。此外，在后續(xù)實(shí)驗(yàn)中可以增加對(duì)其他類型向建設(shè)用地變化的檢測(cè)，如水體變裸地或水體變建筑等。由于實(shí)驗(yàn)中時(shí)相二高分辨率影像由多幅影像拼接而成，在部分區(qū)域中與時(shí)相二影像在光譜、紋理方面差異較大，處理兩期影像的方式也是較為簡(jiǎn)單的差值相減的方法。在后續(xù)研究中，使用質(zhì)量相似的兩期高分辨率影像能進(jìn)一步減少錯(cuò)分率、提高圖斑IoU，并可結(jié)合孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)新增建設(shè)用地自動(dòng)檢測(cè)進(jìn)行進(jìn)一步研究。