云計(jì)算與深度學(xué)習(xí)協(xié)同的深圳市1986—2020年城市擴(kuò)張分析

羅新，周翔，胡忠文，楊超，鄔國(guó)鋒

(1.自然資源部大灣區(qū)地理環(huán)境監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，深圳 518060；2.深圳大學(xué) 生命科學(xué)與海洋學(xué)院，深圳 518060；3.深圳大學(xué) 土木與交通工程學(xué)院，深圳 518060；4. 深圳大學(xué) 建筑與城市規(guī)劃學(xué)院，深圳 518060)

0 引言

不透水面是指人工制造的水不能滲透的地表，如瀝青路面、停車場(chǎng)和屋頂?shù)萚1]。作為反映城市化進(jìn)程和城市生態(tài)環(huán)境的主要指標(biāo)，不透水面的遙感監(jiān)測(cè)越來(lái)越受到重視，已成為遙感信息提取中的一個(gè)研究熱點(diǎn)[2-4]。利用遙感提取不透水面的方法主要可以分為3類：光譜混合分析法[5]、指數(shù)法[6]和經(jīng)典機(jī)器學(xué)習(xí)分類法[7]。具體而言，在光譜混合分析方法方面，Wu[8]利用光譜混合分析法，以V-I-S(vegetation-impervious-soil)模型為基礎(chǔ)，基于Landsat ETM+影像對(duì)美國(guó)俄亥俄州哥倫布市的城市用地進(jìn)行分類。Deng等[9]提出一種應(yīng)用于城市不透水面區(qū)分的指數(shù)BCI，該指數(shù)在[0，1]區(qū)間，接近1代表不透水面，接近0代表裸土。機(jī)器學(xué)習(xí)方法方面，Marir等[10]提出了一種模塊化的支持向量機(jī)方法并將其應(yīng)用于城市不透水面的高精度提取。Li等[11]提出一種貝葉斯網(wǎng)絡(luò)并應(yīng)用于城市不透水面的自動(dòng)提取。Du等[12]則提出一種改進(jìn)的隨機(jī)森林方法，實(shí)現(xiàn)了城市不透水面的高精度遙感提取。

近年來(lái)，深度卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域取得了巨大突破[13]，如Krizhevsky等[14]使用ReLU激活函數(shù)解決了網(wǎng)絡(luò)較深時(shí)梯度彌散問(wèn)題；Simonyan等[15]提出卷積塊的概念，通過(guò)設(shè)計(jì)卷積塊使網(wǎng)絡(luò)具有更大感受野同時(shí)減少了網(wǎng)絡(luò)參數(shù)；Szegedy等[16]引入Inception概念，采用并行的方式構(gòu)造深度卷積神經(jīng)網(wǎng)絡(luò)，以此提高了計(jì)算效率；He等[17]則提出ResNet深度殘差網(wǎng)絡(luò)。由于深度卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)對(duì)影像深層次空間場(chǎng)景特征的學(xué)習(xí)理解，該方法在城市不透水面的遙感識(shí)別和提取等方面也展示出了巨大的應(yīng)用潛力[18-20]。Huang等[21]提出一種半遷移深度卷積神經(jīng)網(wǎng)絡(luò)，通過(guò)將卷積神經(jīng)網(wǎng)絡(luò)與基于街區(qū)數(shù)據(jù)的骨架分解方法相結(jié)合，保證了遙感影像上卷積處理過(guò)程中城市不透水面在空間格局上的完整性；Zhang等[22]則提出了一種基于對(duì)象的卷積神經(jīng)網(wǎng)絡(luò)方法，實(shí)現(xiàn)了城市不透水面中居民區(qū)、商業(yè)區(qū)以及高速公路地表要素的精細(xì)提取。深度學(xué)習(xí)算法在智能化方面展示出了顯著優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法的性能；然而，其嚴(yán)重依賴于高性能計(jì)算機(jī)圖形處理器和標(biāo)注數(shù)據(jù)集，這在一定程度上制約了其在遙感信息提取中的應(yīng)用。此外，傳統(tǒng)基于本地服務(wù)器進(jìn)行城市不透水面提取往往會(huì)遇到海量數(shù)據(jù)管理及處理負(fù)擔(dān)大、計(jì)算資源不足、模型訓(xùn)練數(shù)據(jù)集不充分等問(wèn)題。當(dāng)前，用于提供海量衛(wèi)星遙感數(shù)據(jù)的Earth Engine云服務(wù)平臺(tái)已廣泛應(yīng)用于遙感信息提取中[23-25]，國(guó)產(chǎn)遙感數(shù)據(jù)云平臺(tái)PIE-Engine目前也在開(kāi)發(fā)完善中。提供計(jì)算資源是這些云平臺(tái)的重要屬性，為遙感信息智能提取提供了條件。本研究工作主要為提出一種協(xié)同云計(jì)算平臺(tái)與深度學(xué)習(xí)算法的遙感信息提取框架,并應(yīng)用于深圳市長(zhǎng)時(shí)序城市不透水面提取和擴(kuò)張分析，本文的主要內(nèi)容如下：1)構(gòu)建云平臺(tái)下遙感信息智能提取統(tǒng)一框架，實(shí)現(xiàn)基于云平臺(tái)遙感信息的智能提取；2)結(jié)合云平臺(tái)遙感影像數(shù)據(jù)資源和計(jì)算資源，采用深度U型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建一種全自動(dòng)城市不透水面提取方法，利用該方法實(shí)現(xiàn)深圳市1986—2020年逐年不透水面信息的智能化遙感提取；3)對(duì)深圳市特區(qū)建立以來(lái)的不透水面擴(kuò)張進(jìn)行分析，并總結(jié)近35年來(lái)深圳市快速城市發(fā)展背景下不透水面擴(kuò)張的時(shí)空特征。

1 云平臺(tái)遙感信息智能提取統(tǒng)一框架構(gòu)建

本研究充分利用當(dāng)前遙感數(shù)據(jù)產(chǎn)品和深度學(xué)習(xí)數(shù)據(jù)處理算法，結(jié)合云計(jì)算平臺(tái)資源，提出一種云平臺(tái)下遙感信息智能化提取統(tǒng)一框架。該框架(圖1)主要分為4個(gè)部分：深度學(xué)習(xí)模型構(gòu)建、深度學(xué)習(xí)模型云平臺(tái)部署、基于高質(zhì)量遙感產(chǎn)品的模型訓(xùn)練、基于云平臺(tái)的遙感信息自動(dòng)提取。

2 研究方法

基于提出的云平臺(tái)下遙感信息智能提取統(tǒng)一框架，在云平臺(tái)海量遙感影像數(shù)據(jù)和豐富計(jì)算資源支持下，以深圳市1986—2020年長(zhǎng)時(shí)間序列不透水面提取為例，開(kāi)展了云平臺(tái)下遙感信息提取應(yīng)用研究。具體而言，利用已有高質(zhì)量遙感不透水面數(shù)據(jù)產(chǎn)品對(duì)所構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，將充分訓(xùn)練所得模型遷移，用于深圳市長(zhǎng)時(shí)序遙感影像并進(jìn)行不透水面信息的自動(dòng)提取，最終獲得深圳市1986—2020年地表不透水面信息高精度提取結(jié)果(圖2)。

2.1 云計(jì)算平臺(tái)

本研究主要依托谷歌云平臺(tái)，具體包括：1)Earth Engine云平臺(tái)，該平臺(tái)用于訓(xùn)練及預(yù)測(cè)數(shù)據(jù)的篩選及預(yù)處理；2)AI云平臺(tái)，該平臺(tái)用于部署深度學(xué)習(xí)模型以及配置計(jì)算資源從而滿足深度學(xué)習(xí)模型高性能計(jì)算需求，采用12 GB顯存的Tesla K80顯卡；3)云存儲(chǔ)，該工具為云端不同平臺(tái)間數(shù)據(jù)交互所用。本文具體涉及云存儲(chǔ)為7個(gè)GB。

2.2 Landsat影像數(shù)據(jù)及預(yù)處理

本研究所用數(shù)據(jù)具體包括Landsat 5、Landsat 7、Landsat 8地表反射率遙感影像。為了獲得研究區(qū)域內(nèi)無(wú)云干擾影像，首先獲取同一年中所有影像，進(jìn)而利用CFMask算法[26]對(duì)影像進(jìn)行云掩膜處理，并逐像元選取同一年按時(shí)間排列下像元值中位數(shù)，以此生成以年為單位的無(wú)云Landsat影像。

2.3 MSMT-RF不透水面遙感產(chǎn)品

MSMT-RF不透水面遙感產(chǎn)品是結(jié)合了時(shí)間序列Landsat 8影像、時(shí)間序列Sentinel-1影像以及SRTM-ASTER DEM、MODIS EVI影像、VIIRS夜光影像等數(shù)據(jù)，采用隨機(jī)森林算法獲得的一套2015期高質(zhì)量全球不透水面遙感產(chǎn)品[27]。本研究選取2015期MSMT-RF不透水面遙感產(chǎn)品作為L(zhǎng)andsat影像不透水面的標(biāo)注數(shù)據(jù)，利用其對(duì)所構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。MSMT-RF為全球尺度的不透水面遙感產(chǎn)品，由于本文研究區(qū)域?yàn)橹袊?guó)深圳市(圖3)，僅選取包含該區(qū)域的單幅(幅號(hào)：E110N30)產(chǎn)品進(jìn)行深度學(xué)習(xí)模型的訓(xùn)練與評(píng)估。

2.4 U型深度卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建及模型訓(xùn)練

本文根據(jù)經(jīng)典的U型網(wǎng)絡(luò)設(shè)計(jì)[28]構(gòu)建U型卷積神經(jīng)網(wǎng)絡(luò)并部署于云平臺(tái)進(jìn)行深圳市的不透水面自動(dòng)提取。所構(gòu)建的U型網(wǎng)絡(luò)由編碼部分和解碼部分組成，其中編碼部分和解碼部分各含有6個(gè)編碼和解碼模塊。每個(gè)編碼模塊產(chǎn)生的特征與對(duì)應(yīng)解碼模塊獲得的特征進(jìn)行疊加并用于后續(xù)的特征解碼。每個(gè)編碼模塊和解碼模塊由卷積模塊或反卷積模塊構(gòu)成，而卷積模塊和反卷積模塊由卷積運(yùn)算、批標(biāo)準(zhǔn)化、ReLU激活函數(shù)構(gòu)成，具體網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，其中，Conv2D-B為卷積塊；DeConv2D-B為反卷積塊；Encoder-B為編碼塊；Decoder-B為解碼塊。選擇該模型的主要原因是該模型為一個(gè)輕量級(jí)模型，在參數(shù)量小的情況下仍然能夠保持較高的性能。

基于隨機(jī)獲取的模型訓(xùn)練區(qū)域和評(píng)估區(qū)域選取數(shù)量相同的2015年Landsat 7和Landsat 8影像用于模型訓(xùn)練和評(píng)估。總計(jì)獲得6 000個(gè)影像場(chǎng)景用于模型訓(xùn)練，1 800個(gè)影像場(chǎng)景用于模型評(píng)估。模型訓(xùn)練采用后向傳播算法，選取Adam算法[29]進(jìn)行模型優(yōu)化，其中，權(quán)重延遲β1=0.9，β2=0.999。選用交叉熵函數(shù)計(jì)算模型損失，訓(xùn)練過(guò)程中首先設(shè)置較大學(xué)習(xí)率0.001對(duì)模型訓(xùn)練50次，然后設(shè)置較小學(xué)習(xí)率0.000 2對(duì)模型訓(xùn)練50次，最終使得模型收斂于較小的損失值。

2.5 云平臺(tái)下不透水面遙感提取及時(shí)序?yàn)V波后處理

本研究通過(guò)Earth Engine云平臺(tái)收集1986—2020年深圳市范圍Landsat遙感影像，通過(guò)對(duì)影像進(jìn)行必要預(yù)處理，如去云處理、缺失條帶去除、多時(shí)相影像自動(dòng)補(bǔ)全等，獲得深圳市1986—2020年逐年無(wú)云遙感影像。基于云平臺(tái)將所構(gòu)建且充分訓(xùn)練的U型網(wǎng)絡(luò)應(yīng)用于深圳市Landsat影像的自動(dòng)不透水面提取。為了進(jìn)一步抑制不透水層的誤提取和漏提取，遵循已有研究成果的假設(shè)，認(rèn)為在所研究時(shí)間序列下透水層向不透水面的轉(zhuǎn)變?yōu)橐徊豢赡孢^(guò)程，本研究設(shè)計(jì)了一種基于最大類間方法時(shí)間序列不透水面分類結(jié)果時(shí)間濾波后處理方法。首先，對(duì)每個(gè)像元的地表覆蓋屬性(透水層和不透水面)進(jìn)行編碼，透水層編碼為0，不透水面編碼為1。之后，沿著時(shí)間序列對(duì)每個(gè)時(shí)間點(diǎn)的地表覆蓋屬性進(jìn)行搜索，將每一個(gè)時(shí)間點(diǎn)作為分割閾值，即將搜索時(shí)間點(diǎn)看作透水層向不透水面的轉(zhuǎn)換節(jié)點(diǎn)，計(jì)算前后兩個(gè)時(shí)間區(qū)間內(nèi)地表覆蓋編碼值的最大類間方差(圖5)。具體而言，分別求出時(shí)間節(jié)點(diǎn)前后時(shí)間區(qū)間內(nèi)編碼均值u0和u1，令時(shí)間節(jié)點(diǎn)前的時(shí)序數(shù)占總時(shí)序數(shù)的比例為W0，時(shí)間節(jié)點(diǎn)后時(shí)序數(shù)占總時(shí)序數(shù)的比例為W1，則滿足的條件如式(1)所示。

W0+W1=1

(1)

可求得時(shí)序數(shù)編碼值總體平均值為(式(2))

u=W0×u0+W1×u1

(2)

由于在城市擴(kuò)張過(guò)程中地表覆蓋一般由透水層變?yōu)椴煌杆妫狙芯靠紤]方差的方向性，定義前后時(shí)序區(qū)間編碼值的類間方差如式(3)所示。

η=W0×u-u0×(u-u0)+W1×u-u1×(u-u1)

(3)

由公式推導(dǎo)，類間方差的計(jì)算最終可簡(jiǎn)化為式(4)。

η=W0×W1×u-u1×(u-u1)

(4)

針對(duì)每一個(gè)時(shí)間點(diǎn)t，將其看作是透水層向不透水面的轉(zhuǎn)換節(jié)點(diǎn)，可計(jì)算獲得相對(duì)應(yīng)的類間方差值。其中，類間方差最大值對(duì)應(yīng)的時(shí)間節(jié)點(diǎn)為最終獲得的透水面向不透水面的轉(zhuǎn)換節(jié)點(diǎn)，表達(dá)如式(5)所示。

t=argmax(η)

(5)

3 結(jié)果與分析

3.1 深圳市1986—2020年不透水面提取精度分析

本文選取4個(gè)年份(1990、2000、2010、2020年)提取結(jié)果進(jìn)行定量精度分析。地表真實(shí)類型由結(jié)合對(duì)應(yīng)年份的高分辨率遙感影像人工識(shí)別所得。基于量化精度分析，本文所選4個(gè)年份不透水面提取結(jié)果的全局精度均高于91%(表1)，其中最高的2020年提取結(jié)果全局精度為97.12%。4個(gè)年份提取結(jié)果的平均全局精度為94.93%，略低于用于模型訓(xùn)練的MSMT-RF不透水面數(shù)據(jù)集全局精度95.1%。與同類型數(shù)據(jù)產(chǎn)品相比，其精度高于Gong等的GAIA[30]、Chen等的GlobeLand 30[31]不透水面產(chǎn)品。通過(guò)對(duì)比發(fā)現(xiàn)，MSMT-RF和GAIA產(chǎn)品精度較高，主要原因在于這兩套數(shù)據(jù)集皆是基于多源遙感數(shù)據(jù)獲得的，本研究所用數(shù)據(jù)僅為光學(xué)遙感影像數(shù)據(jù)，該類數(shù)據(jù)的歷史資料可追溯到20世紀(jì)80年，因此本文所提方法在長(zhǎng)時(shí)間序列不透水面提取方面具有更大的應(yīng)用潛力。將所得地表制圖結(jié)果與國(guó)際上兩套同類地表覆蓋產(chǎn)品進(jìn)行對(duì)比分析(圖6)，本文所提全自動(dòng)方法所獲得結(jié)果總體上與Gong等及Chen等產(chǎn)品的精度相當(dāng)。通過(guò)圖7所示的精細(xì)對(duì)比分析，Gong等的分類結(jié)果更為破碎，這在一定程度上使得分類結(jié)果更加精細(xì)，但另一方面，也破壞了地表覆蓋景觀的空間連續(xù)性。Chen等的不透水面分類結(jié)果保持了較高的景觀空間連續(xù)性，這主要是由于Chen等采用了面向?qū)ο蟮姆椒ㄟM(jìn)行地表覆蓋制圖。通過(guò)分析圖7(e)～圖7(j)可知，無(wú)論是Gong等的GAIA產(chǎn)品還是Chen等的GloeLand30產(chǎn)品都出現(xiàn)了在沿海區(qū)域不透水面的大量漏提取情況。該區(qū)域?yàn)榻陙?lái)填海造陸所得，通過(guò)對(duì)比分析也反映出已有數(shù)據(jù)產(chǎn)品對(duì)于沿海城市填海造陸區(qū)域的忽略，這在一定程度上影響了沿海城市不透水面相關(guān)的應(yīng)用分析。

表1 精度定量評(píng)估結(jié)果

3.2 深圳市1986—2020城市擴(kuò)張過(guò)程分析

利用本文所提方法對(duì)1986—2020年深圳市不透水面信息進(jìn)行逐年提取。基于時(shí)間序列提取結(jié)果，統(tǒng)計(jì)了各個(gè)年份深圳市不透水面的面積，進(jìn)一步分析了其演變的時(shí)空格局。結(jié)果表明，整個(gè)研究期內(nèi)，深圳市不透水面持續(xù)快速擴(kuò)張，呈現(xiàn)出一定的階段性與顯著的區(qū)域性特征，具體為以下幾點(diǎn)。

1)1986—1995年。深圳經(jīng)濟(jì)特區(qū)初建，社會(huì)經(jīng)濟(jì)發(fā)展對(duì)工業(yè)、居住、交通等建設(shè)用地的需求旺盛，導(dǎo)致該時(shí)期區(qū)域建設(shè)用地迅猛擴(kuò)張，由于初建時(shí)期深圳經(jīng)濟(jì)特區(qū)的范圍僅限于毗鄰中國(guó)香港地區(qū)的羅湖、福田、南山等關(guān)內(nèi)地區(qū)，因而該時(shí)期新增不透水面主要集中于這些區(qū)域。

2)1995—2000年。由于《基本農(nóng)田保護(hù)條例》等政策法規(guī)的頒布實(shí)施，全國(guó)范圍的農(nóng)業(yè)用地開(kāi)發(fā)建設(shè)受到一定程度的約束和限制，導(dǎo)致該時(shí)期深圳市建設(shè)用地的擴(kuò)張速率有所放緩，新增不透水面仍然集中在關(guān)內(nèi)地區(qū)。

3)2000—2005年。隨著土地開(kāi)發(fā)管控的松綁以及社會(huì)經(jīng)濟(jì)發(fā)展的加速，該時(shí)期深圳市建設(shè)用地?cái)U(kuò)展速率顯著加快。由于關(guān)內(nèi)地區(qū)發(fā)展空間趨于飽和，不透水面的增長(zhǎng)熱點(diǎn)轉(zhuǎn)移到關(guān)外地區(qū)。與此同時(shí)，深圳開(kāi)始“向海要地”，通過(guò)圍墾西部珠江口和西南部南山半島灘涂，拓寬了城市的發(fā)展空間。

4)2005年以后。深圳整個(gè)市域的發(fā)展空間均趨于飽和，該時(shí)期區(qū)域建設(shè)用地的擴(kuò)張速率再次放緩，不透水面的增長(zhǎng)熱點(diǎn)完全轉(zhuǎn)移到關(guān)外地區(qū)，同時(shí)填海造陸的規(guī)模也顯著擴(kuò)大。

4 結(jié)束語(yǔ)

為適應(yīng)海量遙感數(shù)據(jù)處理及應(yīng)用需求，本文充分結(jié)合云計(jì)算平臺(tái)和深度學(xué)習(xí)技術(shù)，構(gòu)建了云平臺(tái)下遙感信息智能提取統(tǒng)一框架，并基于所構(gòu)建方法框架實(shí)現(xiàn)了深圳市近35年不透水面信息的逐年提取。通過(guò)定量精度分析，本文獲得了平均精度為94.93%的不透水面提取結(jié)果。通過(guò)與國(guó)際上同類地表覆蓋產(chǎn)品的對(duì)比分析，本文提出的全自動(dòng)方法獲得的不透水面提取結(jié)果不亞于已有不透水面遙感產(chǎn)品。基于深圳市1986—2020年逐年不透水面信息提取結(jié)果，本文分析了深圳市近35年城市擴(kuò)張的時(shí)空特征。結(jié)果表明，近35年深圳城市不透水面持續(xù)快速擴(kuò)張，時(shí)間上呈現(xiàn)“快速擴(kuò)張-擴(kuò)張放緩-加速擴(kuò)張-趨于飽和”的階段性特征，主要受不同時(shí)期經(jīng)濟(jì)社會(huì)發(fā)展?fàn)顩r和宏觀土地政策影響；空間格局上，深圳不透水面的增長(zhǎng)熱點(diǎn)實(shí)現(xiàn)了從毗鄰中國(guó)香港地區(qū)的羅湖、福田、南山等關(guān)內(nèi)地區(qū)向?qū)毎病埲A、龍崗等關(guān)外地區(qū)的轉(zhuǎn)移，且在2000年后開(kāi)始大規(guī)模圍墾西部珠江口和西南部南山半島的灘涂，以此拓寬城市發(fā)展空間。