高分衛片自動提取技術在環水保監管中的應用

李志斌 譚榮榮 趙冰清 譚繼旭 李洋

（北京洛斯達科技發展有限公司 北京 100032）

0 引言

隨著國家生態環境領域的一系列深刻變革，黨中央、國務院高度重視轉變政府職能，行政主管部門的工作重點從重審批向嚴監管轉變，生態環境保護力度不斷加大［1-2］。為了貫徹落實黨中央、國務院深化“放管服”改革，生態環境部和水利部發布多項規定，全面加強水土保持和環境保護監督管理，加強事中事后監管，強化企業管理責任［3-4］。同時中央生態環保督查和水保督查加大督查力度，創新督查方法，不斷推進精準督查、科學督查和依法督查［5］。近年來，利用遙感手段輔助水行政主管部門和生態環境主管部門在傳統監管手段的基礎上，輔以衛星、無人機等技術手段，監督檢查工作得以高效、精準地落實［6］。

水土流失防治范圍（場地邊界）作為生產建設項目水土保持和環境保護重點核查內容，是環水保行政主管部門對建設單位督查的重點內容，也是建設單位自查自驗工作需核實的重要內容。衛星遙感技術在快速獲取大范圍的地表信息方面具有不可代替的優勢，尤其是亞米級空間分辨率的衛星遙感數據越來越全面，為生產建設項目責任范圍遙感監測提供了堅實的技術支撐途徑。

遙感影像信息提取防治主要包括人工目視解譯和基于機器學習的自動提取方法。目前，在環水保監管中的應用以米級精度高分系列為主，采用歸一化植被指數（NDVI）理論、小樣本機器學習方法（支持向量機等）為主，此類方法可以較快的分辨出大尺度上的擾動土地狀況但存在影像采集時間受限、無植被覆蓋時無法提取土地擾動等問題。有研究表明，自動識別結果仍需大量人工目視核查，提出誤判區域，且僅保留面積大于600 m2的土地擾動范圍。本研究針對這些問題使用亞米級高清國產衛星，結合機器學習和人工智能領域的最新趨勢深度學習技術，研究國產衛星在環水保大范圍監管中的應用，實現無植被覆蓋時土地擾動的智能提取。

1 高分衛星影像自動提取技術在環水保監管中的應用

本研究以蒙西—晉中1000 kV 特高壓交流輸變電工程為例，采集全線亞米級高清衛星影像，對高清衛星影像進行大氣校正、正射校正等，將全色波段與多光譜波段融合得到既能保留多光譜影像的光譜信息又能保留高空間分辨率全色影像空間信息的影像。對該影像進行土地擾動樣本制作、深度學習訓練，并提取全線土地擾動范圍。技術路線如圖1 所示。

圖1 技術路線

1.1 深度學習遙感影像自動分類方法設計

本研究基于深度學習法對高分辨率光學遙感圖像進行解譯，使用包括全卷積網絡（FCN）、卷積神經網絡（CNN）、基于區域的全卷積神經網絡（R-CNN）等卷積神經網絡及其衍生網絡，對遙感圖像的典型目標進行高精度檢測［7］。在研究基于深度學習的遙感圖像分類以及典型的土地類型的提取方法時，使用有限的樣本往往難以達到較高識別正確率。因此，本研究選取項目實施過程中使用的所有數據作為學習樣本，選取不同土地類型，并使用遷移學習法，擴充樣本數量。

由于本項目區域面積較大，因此本研究建立兩級CNN 架構，采用凝膠過濾色譜法（GFC）候選框過濾方法，快速且高精度地檢測遙感圖像的目標。基于目標檢測，已提出了一種用于光學遙感圖像的基于FCN 語義圖像分類方法，本研究逐漸進行遙感圖像分類算法的設計和改進。

1.2 遷移學習樣本訓練及檢測模型制作

本文研究了自然影像與遙感影像遷移學習機制的差異，分析了模型結構優化和參數調整機制對深度學習效率的影響。遷移學習適用于自然圖像中不同樣本和任務之間的信息交換和任務轉移，通過調整不同樣本與任務的模型參數和知識庫，可以用少量的樣本學習訓練來形成遙感影像特征分類場景和目標監測學習系統。因此在預訓練樣本數量有限的情況下，遷移學習訓練樣本可以有效提高檢測模型的準確性［8］。

1.3 針對地類語義表達模式的深層神經網絡結構設計

（1）卷積和池化。對原圖像進行5 次卷積和池化，最終得到的圖像縮小為原圖的1/32，其中第3 次卷積保留pool3 的特征圖（原圖的1/8），第4 次卷積保留pool4 的特征圖（原圖的1/16）。將CNN 中的全連接fc6、fc7 變成卷積操作conv6、conv7 得到熱力圖（Heat Map），此時圖像的特征圖數量改變但圖像大小不變，仍為原圖的1/32。

（2）上采樣還原。將1/32 尺寸的熱力圖進行上采樣后得到conv5 中的卷積核中的特征，再將conv4 中的卷積核對上一步上采樣之后的圖進行反卷積補充細節特征，最后將conv3 中的卷積核對上一步上采樣之后的圖像進行再次反卷積補充細節特征，此時得到的圖像則為原圖像。若只對1/32 尺寸的圖像進行反卷積，則還原的圖像細節則會有很多缺失。

（3）語義級別分類。以所有熱力圖中該像素所處位置的最大概率作為該像素的分類依據，對每個像素進行分類預測，并為每個像素標注語義分割圖像，最終實現語義級別分類，如圖2 所示。

圖2 FCN 像素級目標分割模型

1.4 土地擾動信息自動提取與優化

對原始模型進行兩處改進：①對網絡結構進行改造，使用稀疏卷積核來擴大單個卷積模板的感受野，增強像素之間的聯系，如圖3 所示，卷積模板的輸入從原來的相鄰像元轉換成間隔像元，從而在不增加參數的情況下擴大感受野范圍。②增加基于全連接的非經典感受野（CRF）。

圖3 深度學習土地擾動信息提取結果

2 結果與分析

本研究利用亞米級衛星影像制作樣本數據，訓練模型，對得到的訓練結果進行精度評價。原始樣本數據共164 個，為了增加樣本容量，采用螺旋和翻轉等方式，將原始樣本數量擴充到原來的7 本，得到總體樣本1 148 個。

實驗使用經ImageNet 數據集訓練后的預訓練模型（.mat文件）作為預訓練模型，并在此基礎上用自己制作的遙感影像樣本數據進行深層次的訓練和微調。訓練時分別設置迭代50次、80 次、100 次，得到訓練精度曲線圖，分別形成3 種迭代次數訓練后生成的最終模型。檢測時用*.mat 文件進行檢測。由上述訓練結果可得：訓練精度超過0.98，驗證精度達到0.97，達到了較高的精度水平。由于檢測樣本僅占訓練樣本的1/5，因此驗證精度稍低屬于正常情況。

本文基于機器學習和人工目視解譯的方法提取土地擾動范圍與原圖對比結果如圖4 所示。

圖4 土地擾動范圍提取結果對比

由圖4 可知，機器識別與人工目視解譯成果較為一致；桿塔組立狀態不影響土地擾動范圍的自動識別；當土地擾動范圍邊界與周邊地物顏色差別較大，自動識別效果較好；機器識別成果會將周邊與本工程擾動無關的零星斑塊作為土地擾動范圍，這是不合理的，需結合目視解譯對此部分進行修正。

3 結論

本研究利用基于機器學習的土地擾動自動提取方法，獲得結果的精度達到環水保核查要求。將自動提取方法應用于環水保監管工作，不僅提高了環水保監測單位的工作效率，而且能夠輔助建設單位自查自驗，及時了解擾動情況并進行預警，為行政監督執法部門快速大范圍督查提供技術支撐。