遙感技術在衛片執法工作中的應用研究

霍太瑩 張俊華

（1.山東省物化探勘查院，山東 濟南 250013；2.山東國科地理信息工程有限公司，山東 濟南 250101）

1 引言

衛片執法是利用衛星遙感技術對某一區域某一時段的土地利用情況進行實時監測，再對變化圖斑進行核實，確定土地合法性的一種土地執法監管手段[1]，可以評估一個地區的自然資源管理秩序，對保護耕地數量不減少、質量不降低起到積極作用。開展衛片執法檢查，是對傳統執法監管模式的顛覆，有利于形成全國國土資源“一張圖”管理，建立土地審批、供應、使用、執法監察等業務的網絡監管平臺，建立“天上看、地上查、網上核”的立體土地監管體系[2]。

近年來，有越來越多的識別算法應用于衛片執法，如利用非監督分類與監督分類開展多時期影像地物提取，并進行對比分析，獲取變化信息[3]。目前應用較多的衛片執法檢查方法多為人工目視解譯。隨著遙感算法的研究，在監督分類基礎上提出面向對象算法，該算法基于地物分割進行對象計算，從而豐富樣本集，提升分類精度[4-6]。吳聰等人在監督分類基礎上采用面向對象分類方法，研究提升衛片執法圖斑信息的提取精度，結果顯示基于高分辨率衛星影像，采用更高精度的識別模型可以獲取較理想的提取效果[7]。葉琴等人綜合利用遙感技術、GIS 空間分析技術，對土地利用變化進行監測分析，從而全面掌握違法用地狀況，進一步推動土地執法監察工作，有效遏制違法違規用地行為[8]。

目前，應用較多的高分辨率衛星影像多為兩米級與亞米級分辨率，兩米級衛星影像重訪周期較快，但是分辨率較低、提取精度較差；亞米級衛星影像重訪周期慢，但分辨率較高、提取精度高。本研究綜合利用兩米級與亞米級國產高分辨率衛星影像，開展變化圖斑綜合提取，以此探討多源衛星影像在衛片執法工作中的適用性。

2 原理與方法

2.1 技術路線

首先基于GF1 衛星影像的重訪周期優勢，開展多時期地物分類，對分類成果進行矢量化處理，然后進行分類矢量成果對比，提取變化區域；選擇覆蓋變化區域的最新時相GF2 影像進行地物分割與圖斑優化，最終得到具有較高邊界精度的變化圖斑。

2.2 原理介紹

（1）TabNet 網絡

與深度學習方法相比，傳統機器學習方法中的隨機森林（RF）方法更適用于小樣本訓練，擁有更好的抗過擬合能力。但隨機森林方法和深度網絡模型在訓練和預測等多個步驟存在較大差異，很難將隨機森林與反向傳播的深度學習方法相結合。為此，研究使用TabNet 作為一條單獨的分支對滑動窗口中心點的光譜特征進行單獨建模，以增強模型的抗過擬合和泛化能力，并引入輔助損失來提升中心點光譜特征的權重。TabNet 的基本結構亦為模擬隨機森林決策的基本單元，TabNet 整體由多個這樣的結構堆疊而成，具體如圖1 所示。

圖1 TebNet網絡結構

為了模擬隨機森林的分類過程，首先，使用Mask分別對輸入特征的x1和x2處進行屏蔽，實現決策樹分裂時分別對每一個特征進行單獨的分裂增益計算過程。然后，將屏蔽后的特征分別通過一個全連接層，并將兩個全連接層的輸出通過ReLU 激活函數后相加，其中這兩個全連接層的權重W 和偏置bias 互為相反數，目的是單獨對特征進行分裂計算，以模擬決策樹的特征選擇過程，從而進行一種軟性的特征選擇。最后，經過一個Softmax 激活函數作為最終輸出。

總的來說，TabNet 每一層都對應著決策樹的相應步驟：Mask 層對應決策樹的特征選擇；全連接層+ReLU激活函數對應閾值判斷，以x1為例，通過一個特定的全連接層+ReLU 激活函數之后，可保證輸出的向量只有一個為正值，其余全為0，以對應決策樹的條件判斷；最后將所有條件判斷的結果加起來，再通過一個Softmax 層得到最終的輸出。

（2）地塊優化

邊緣檢測是圖像處理和計算機視覺的基本問題，旨在標識數字圖像中亮度變化明顯的點。近年來，隨著深度學習的不斷發展，邊緣檢測領域也出現了許多深度方法，和傳統方法相比，深度學習方法的精度更好，提取出的邊緣更準確。DexiNed 是由Poma X.S.等人提出的一種邊緣檢測網絡，最大優勢是可以提取出更細的邊緣。在耕地地塊提取的場景下存在許多細小且密集的耕地地塊，這些地塊在影像上可能只有幾十個像素大小。如果提取的邊緣過粗，有可能導致整個耕地地塊被邊緣掩蓋，導致細小地塊漏檢，因此，研究使用DexiNed 網絡來進行邊緣提取。

DexiNed 網絡由一個編碼器組成，該編碼器有6個受Xception 網絡啟發的輸出塊。網絡在每個主要塊上輸出特征圖，為獲取更細的邊緣，每一個輸出的特征圖還會通過上采樣模塊進行上采樣。上采樣模塊由條件堆疊子塊組成，每個子塊有兩層，一層是卷積層，一層是反卷積層，分別進行特征融合和上采樣。最后，由上采樣塊產生的所有邊緣圖都被連接起來，送到網絡最末端的學習濾波器堆棧，并產生融合邊緣圖。

為了獲得更細的邊緣圖，DexiNed 使用了多個上采樣模塊，具體結構如圖2 所示。與插值采樣和反卷積采樣不同，對不同尺度特征圖進行了不同的操作。對于淺層特征圖，尺寸和真值大小相差不多，直接使用反卷積進行上采樣；而對于深層特征圖，由于尺寸和真值相差過大，迭代使用多個2 倍上采樣的反卷積操作進行采樣。與直接采樣相比，這樣可以更好地保留深層特征圖的特征，從而獲得更準確的邊緣結果。模型多次使用了跳層鏈接操作，可在加深網絡的同時方便網絡進行優化，提升了邊界提取精度。最后，將不同層獲得的邊緣圖進行融合，充分使用不同尺度的影像特征，有利于提取不同尺度的地塊對象。

2.3 數據介紹

國產高分辨率衛星高分一號（GF1）搭載了兩臺2m 分辨率全色/8m 分辨率多光譜相機，以及四臺16m分辨率多光譜相機，突破了高空間分辨率、多光譜與高時間分辨率結合的光學遙感技術，以及多載荷圖像拼接融合技術、高精度高穩定度姿態控制技術，單星上同時實現高分辨率與大幅寬的結合，2m 高分辨率實現大于60km 成像幅寬，16m 分辨率實現大于800km 成像幅寬，適應多種空間分辨率、多種光譜分辨率、多源遙感數據綜合需求。

國產高分辨率衛星高分二號（GF2）是我國首顆自主研發的亞米級民用衛星，由自然資源部牽頭建設，專門服務自然資源調查與監測。GF2 衛星搭載兩臺高分辨率1 米全色、4 米多光譜相機，實現拼幅成像，通過糾正、正射、融合等處理，得到優于1 米的正射影像成果。

3 結果與分析

3.1 多時期GF1 變化提取

采用深度學習分類方法對兩時期GF1 衛星影像進行分類與變化提取。相較于其他分類算法，TabNet 網絡可以較完整地提取地物邊界，并且地物混淆程度較低，各地物的提取效果如圖3 所示。由圖可知，通過面向對象分類，各地物均完整識別出來，如山地地區的河流沖擊地帶、建筑、道路、廠房等。

圖3 深度學習多時期分類

對提取的前后時相分類成果進行矢量對比，以提取變化區域。其中，耕地由于作物種植的物候期，分別提取了夏季作物與秋季作物，通過疊加分析，剔除農作物對變化提取的影響。通過矢量化對比，發現變化范圍多為研究區的新增高速公路、硬化水泥路、新增廠房、河道淤積等，通過GF1 可獲取較準確的變化位置，結果如圖4 所示，整體變化呈現沿河沿路分布，且與居民地串聯。然而GF1 衛星影像的變化提取效果不太理想，同物異譜、異物同譜現象較多，瑣碎零星圖斑分布較廣。

圖4 變化圖斑提取成果

3.2 GF2 精度優化

相對于GF1 的兩米級分辨率，GF2 具有更高的分辨率，對地物特征的表達更清晰。采用GF2 影像，結合地物分割與邊界后處理，得到如圖5 所示的分割效果。由圖可知，居民地與硬化道路的分割效果與實際情況完全符合，且邊界嚴格按照實際走向。通過分割，將農作物與其他地類較好地區分開來。

通過GF2 的分割優化，對變化圖斑的識別與提取有了很大提升，局部圖斑提取效果如圖6 所示。由圖可知，前后時期影像新增了道路、廠房圖斑，通過分割優化，得到的圖斑邊界整體與實際情況吻合。新增道路圖斑在邊界處有零星鋸齒狀，是因為在道路相交處存在誤識別現象，但新增的道路圖斑整體提取較為完整；新增廠房的識別效果也較好，廠房周邊的裸露土地通過剔除農作物，避免了裸地誤識別提取問題。

圖6 局部圖斑提取效果

4 結論與展望

本研究綜合利用兩米級與亞米級的國產高分辨率衛星影像優勢，開展變化圖斑綜合提取，以此探討多源衛星影像在衛片執法工作中的適用性。通過研究得到以下結論：

（1）采用深度學習分類方法對兩時期GF1 衛星影像進行分類與變化提取。相較于其他分類算法，TabNet 網絡算法可以較完整地提取地物邊界，并且地物混淆程度較低。

（2）采用GF2 影像進行地物分割優化，居民地與硬化道路的分割效果與實際情況完全符合，且邊界嚴格按照實際走向。通過分割，將農作物與其他地類也較好區分開來。結合GF1 與GF2 影像的變化圖斑提取精度整體較高，新增道路與廠房均完整識別出來，并且通過剔除農作物等影響因素，避免了裸露土地對變化圖斑提取的影響。