● 文 |中國交通通信信息中心 夏威 鐘南 張雨澤 耿丹陽

高分衛(wèi)星遙感技術(shù)在交通基礎(chǔ)設(shè)施安全應(yīng)急監(jiān)測(cè)領(lǐng)域的應(yīng)用

● 文 |中國交通通信信息中心 夏威 鐘南 張雨澤 耿丹陽

本文以高分遙感在典型交通行業(yè)技術(shù)應(yīng)用為例，介紹了基于光學(xué)與雷達(dá)遙感影像結(jié)合的道路設(shè)施狀態(tài)監(jiān)測(cè)技術(shù)，旨在促進(jìn)遙感技術(shù)在交通安全應(yīng)急領(lǐng)域的應(yīng)用轉(zhuǎn)化，促進(jìn)交通運(yùn)輸行業(yè)的全面、快速、健康發(fā)展。

高分辨率遙感；交通運(yùn)輸應(yīng)用；合成孔徑雷達(dá)干涉技術(shù)；圖像目標(biāo)識(shí)別

一、引言

交通基礎(chǔ)設(shè)施的建設(shè)水平直接反映了一個(gè)國家的經(jīng)濟(jì)實(shí)力與發(fā)展水平，我國作為發(fā)展中國家，一直大力推進(jìn)交通基礎(chǔ)設(shè)施的建設(shè)工作。據(jù)2016年交通運(yùn)輸行業(yè)統(tǒng)計(jì)公報(bào)，至2016年末，我國鐵路營業(yè)里程達(dá)到12.4萬千米，公路總里程469.63萬千米，內(nèi)河航道通航里程12.71萬千米，頒證民用航空機(jī)場218個(gè)[1]。交通基礎(chǔ)設(shè)施建設(shè)是發(fā)展交通運(yùn)輸業(yè)、提升國民經(jīng)濟(jì)實(shí)力的基礎(chǔ)環(huán)節(jié)，然而，隨著基礎(chǔ)設(shè)施數(shù)量的不斷增加，交通安全事故數(shù)量也在逐年升高。在我國，交通安全事故可分為三類，第一類是由地震、泥石流、暴雨等自然災(zāi)害所引起的交通基礎(chǔ)設(shè)施阻斷或損害；第二類是由于人為造成的安全事故；第三類則是由于基礎(chǔ)設(shè)施使用損耗造成的安全事故。基于以上三點(diǎn)，如何有效地進(jìn)行交通基礎(chǔ)設(shè)施的監(jiān)測(cè)預(yù)警，以及如何在災(zāi)害發(fā)生時(shí)進(jìn)行快速地應(yīng)急處置便成了促進(jìn)交通運(yùn)輸業(yè)健康發(fā)展的關(guān)鍵技術(shù)環(huán)節(jié)。

在過去，受限于技術(shù)發(fā)展水平，在交通應(yīng)急安全領(lǐng)域，相關(guān)人員更多地是采用人工方式來進(jìn)行基礎(chǔ)設(shè)施的巡測(cè)以及災(zāi)害事故中應(yīng)急方案規(guī)劃。然而，傳統(tǒng)的方法不僅需要投入大量的人力物力，而且一般只能針對(duì)小范圍區(qū)域開展，且時(shí)效性較差，不能快速、有效地解決問題。近年來，隨著遙感技術(shù)的日益發(fā)展，大范圍、高時(shí)效地獲取地表觀測(cè)影像已成為可能，尤其是高分辨率遙感衛(wèi)星的相繼發(fā)射，為人們提供了更多的地表細(xì)節(jié)特征。基于遙感影像的信息提取與識(shí)別技術(shù)，近年來也得到了廣泛的發(fā)展，如基于影像灰度的圖像分割技術(shù)，基于支持向量機(jī)的影像分類技術(shù)以及基于深度學(xué)習(xí)網(wǎng)絡(luò)的目標(biāo)識(shí)別技術(shù)等[2-6]。此外，由于微波遙感影像不易受地面條件、天氣狀況的限制，基于微波技術(shù)的相關(guān)應(yīng)用也得到了迅速發(fā)展，如洪水監(jiān)測(cè)、凍土區(qū)監(jiān)測(cè)、地基沉降及形變等[7-10]。

隨著相關(guān)技術(shù)的不斷發(fā)展，高分遙感技術(shù)與交通應(yīng)急安全領(lǐng)域的技術(shù)融合在近年來已逐漸成為研究的熱點(diǎn)問題之一。為更好地促進(jìn)高分技術(shù)在未來交通領(lǐng)域中的應(yīng)用以及成果轉(zhuǎn)化，本文以道路基礎(chǔ)設(shè)施為例，提出了一種融合高分辨率光學(xué)遙感與合成孔徑雷達(dá)干涉測(cè)量（InSAR）技術(shù)的道路提取與監(jiān)測(cè)技術(shù)。首先，利用光學(xué)遙感影像進(jìn)行地表信息的識(shí)別與提取，進(jìn)行地表分類、道路提取等；然后，基于雷達(dá)遙感影像，使用InSAR技術(shù)獲取更深層的結(jié)構(gòu)信息，如交通設(shè)施的沉降、變形等。通過光學(xué)遙感與雷達(dá)遙感的結(jié)合，可協(xié)同實(shí)現(xiàn)對(duì)道路路面狀態(tài)的識(shí)別與交通設(shè)施所處地表形變情況的高精度監(jiān)測(cè)，為提升道路通行安全提供有效支持。

二、遙感數(shù)據(jù)簡介

自遙感技術(shù)出現(xiàn)以來，世界上主要的發(fā)達(dá)國家和部分發(fā)展中國家便一直致力于發(fā)展各自的高分辨率對(duì)地觀測(cè)系統(tǒng)，如美國的Landsat-7、法國的SPOT-5、德國MOMOS計(jì)劃、印度IRS系列等。對(duì)我國而言，雖然已具備氣象衛(wèi)星、海洋衛(wèi)星、資源衛(wèi)星等觀測(cè)手段，但是受技術(shù)基礎(chǔ)限制，很多高分辨率影像數(shù)據(jù)在過去仍是從國外購買。為掌握信息資源獲取的主動(dòng)性，提升國家科技實(shí)力，自2006年開始，我國啟動(dòng)并著手高分辨率對(duì)地觀測(cè)系統(tǒng)重大工程的建設(shè)。如今，我國已經(jīng)成功部署了多顆涵蓋多波段的高分辨率遙感衛(wèi)星，根據(jù)具體需要搭載了不同的傳感器，如高分一號(hào)（GF-1）、高分二號(hào)（GF-2）搭載高分辨率光學(xué)傳感器，高分三號(hào)（GF-3）搭載微波傳感器等。

1. 高分一號(hào)

GF-1作為高分重大專項(xiàng)的首發(fā)星，具有重大的戰(zhàn)略意義。GF-1設(shè)計(jì)壽命5—8年，同時(shí)搭載了2m分辨率全色/ 8m分辨率多光譜相機(jī)和一臺(tái)16m分辨率寬幅多光譜相機(jī)。GF-1于2013年4月26日在酒泉衛(wèi)星發(fā)射基地成功發(fā)射入軌[11]。

2. 高分二號(hào)

GF-2衛(wèi)星在GF-1分辨率的基礎(chǔ)上進(jìn)行了突破，是我國首顆自主研發(fā)的分辨率優(yōu)于1m的民用光學(xué)遙感衛(wèi)星。GF-2搭載有一臺(tái)1m分辨率全色相機(jī)和一臺(tái)4m分辨率多光譜相機(jī)。2014年8月19日，GF-2成功發(fā)射，標(biāo)志著我國光學(xué)遙感衛(wèi)星正式步入亞米級(jí)時(shí)代[12]。

3. 高分三號(hào)

GF-3于2016年8月10日在太原衛(wèi)星發(fā)射中心成功發(fā)射入軌，是我國首顆優(yōu)于1m分辨率的C頻段多極化合成孔徑雷達(dá)（SAR）衛(wèi)星。GF-3可實(shí)現(xiàn)不同應(yīng)用模式下1—500m分辨率、10—650km幅寬的微波遙感數(shù)據(jù)獲取，是目前世界上工作模式最多的在軌衛(wèi)星，GF-3將為我國陸地資源監(jiān)測(cè)和應(yīng)急防災(zāi)減災(zāi)提供重要的技術(shù)支撐[13]。

三、基于光學(xué)與雷達(dá)影像的交通基礎(chǔ)設(shè)施監(jiān)測(cè)方法

1. 基于高分光學(xué)影像的交通基礎(chǔ)設(shè)施信息提取

在快速發(fā)展的城市和地區(qū)，路網(wǎng)信息要求精度準(zhǔn)確，需要及時(shí)更新，未及時(shí)更新路網(wǎng)信息而導(dǎo)致的交通事故及二次事故頻發(fā)是發(fā)達(dá)國家和發(fā)展中國家普遍面臨的問題。及時(shí)更新路網(wǎng)信息對(duì)地區(qū)的宏觀管理、交通運(yùn)輸、出行導(dǎo)航、應(yīng)急事務(wù)處理等具有非常重要的意義。科學(xué)技術(shù)的快速發(fā)展，使得交通路網(wǎng)信息的提取技術(shù)和提取算法發(fā)展迅速。隨著空間分辨率的不斷提高，遙感信息為地理信息庫的更新帶來了便利，高分辨率遙感影像開始廣泛應(yīng)用于路網(wǎng)信息的提取。下面介紹典型的基于卷積神經(jīng)網(wǎng)絡(luò)的路網(wǎng)提取思路[14]。

（1） 典型道路材質(zhì)特征庫的建立

基于卷積神經(jīng)網(wǎng)絡(luò)算法的路網(wǎng)提取技術(shù)，通常需要使用訓(xùn)練數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)模型的建立。道路典型特征庫的建立首先是利用其形態(tài)、結(jié)構(gòu)、連通性等特征進(jìn)行典型遙感樣本的提取、分類與統(tǒng)計(jì)分析，然后根據(jù)統(tǒng)計(jì)結(jié)果盡可能多地涵蓋全部典型的道路特征單元，道路特征庫的數(shù)量將直接影響算法的識(shí)別與提取精度（見表1）。

表1 典型道路特征庫樣例

（2） 路網(wǎng)自動(dòng)識(shí)別算法

近年來，隨著深度學(xué)習(xí)技術(shù)的出現(xiàn)與發(fā)展，自主學(xué)習(xí)特征已成為可能，網(wǎng)絡(luò)層數(shù)的增加也使得神經(jīng)網(wǎng)絡(luò)的分類能力更強(qiáng)。通過卷積神經(jīng)網(wǎng)絡(luò)對(duì)圖像區(qū)域進(jìn)行分類，可得到像素的分類結(jié)果，然后將分類結(jié)果看作是二值圖像，通過分析二值圖像聯(lián)通區(qū)域的大小對(duì)識(shí)別結(jié)果進(jìn)行篩選便可得到最終的提取結(jié)果。圖1為應(yīng)用上述方法進(jìn)行路網(wǎng)提取的結(jié)果示意圖。

通過自動(dòng)化算法，可以快速從大范圍區(qū)域中提取路網(wǎng)，并從中尋找到因滑坡、泥石流等自然災(zāi)害導(dǎo)致的路網(wǎng)中斷、路面損傷，快速判斷路面狀況，為應(yīng)急響應(yīng)提供有效支持。但是，在具體應(yīng)用時(shí)，簡單采用卷積神經(jīng)網(wǎng)絡(luò)算法得到的路網(wǎng)往往是不規(guī)則的點(diǎn)集，在實(shí)際的工程應(yīng)用中，往往還需要對(duì)提取結(jié)果做進(jìn)一步的處理，完成最終的道路提取，如常見的形態(tài)學(xué)方法、統(tǒng)計(jì)學(xué)方法等。

2. 基于雷達(dá)影像的路基監(jiān)測(cè)與預(yù)警

利用SAR影像獲取地表特征信息的原理在于不同地物的后向散射差異，當(dāng)?shù)乇韮?nèi)部結(jié)構(gòu)發(fā)生變化時(shí)，其衛(wèi)星傳感器接收到的信息也會(huì)隨之變化。基于這一原理，多時(shí)相的SAR影像可廣泛用于交通基礎(chǔ)設(shè)施的形變調(diào)查研究中。

（1）基于InSAR技術(shù)的地表形變分析

合成孔徑雷達(dá)干涉技術(shù)（InSAR）是主動(dòng)微波成像傳感器的一種干涉測(cè)量模式，通過對(duì)同一區(qū)域具有一定角度差和相關(guān)性的影像進(jìn)行干涉處理，檢測(cè)其相位差，并按照一定的幾何關(guān)系進(jìn)行轉(zhuǎn)換，最終實(shí)現(xiàn)對(duì)觀測(cè)區(qū)域地形高度數(shù)據(jù)的獲取[15]。為保障數(shù)據(jù)精度，所基于的雷達(dá)影像通常要達(dá)到空間分辨率3m以上，多時(shí)相影像數(shù)量7景以上。在工程測(cè)量中，為保障數(shù)據(jù)精度一般還可采用永久散射（PSInSAR）技術(shù)。PSInSAR技術(shù)對(duì)數(shù)據(jù)質(zhì)量要求較高，如果研究區(qū)域自然永久散射點(diǎn)較少，可人為架設(shè)角反射器作為補(bǔ)充。如圖2所示，當(dāng)雷達(dá)電磁波掃描到角反射器后，電磁波在金屬角上形成很強(qiáng)的雷達(dá)反射回波信號(hào)。在PSInSAR中，角反射器可以起到骨干控制網(wǎng)的作用，并且在修正大氣效應(yīng)誤差、提高干涉相位計(jì)算精度，以及關(guān)鍵算法研究和驗(yàn)證中發(fā)揮重要價(jià)值。圖3為基于InSAR技術(shù)的地表形變結(jié)果圖，其中，不同顏色代表地表的沉降速度，紅色表示形變速度快的區(qū)域[16]。

（2）影像重采樣及匹配處理

區(qū)別于光學(xué)遙感影像的灰度信息，InSAR的分析結(jié)果能夠提供直觀的地表形變信息，但SAR遙感數(shù)據(jù)的可視化效果遠(yuǎn)不如光學(xué)影像，即雖然能獲取某一空間坐標(biāo)點(diǎn)的形變量，但是無法直觀地看到這一點(diǎn)是什么地物。所以，通常需要將基于光學(xué)遙感影像所提取的道路影像和InSAR結(jié)果進(jìn)行匹配融合，實(shí)現(xiàn)二者信息的疊加互補(bǔ)。然而，由于光學(xué)遙感影像和雷達(dá)影像在觀測(cè)時(shí)間、成像模式上存在差異，在進(jìn)行數(shù)據(jù)融合時(shí)，首先需要對(duì)兩種影像進(jìn)行空間匹配，而匹配的精度也將直接影響最終的數(shù)據(jù)分析以及數(shù)據(jù)挖掘的合理與準(zhǔn)確性。針對(duì)這一問題，一種有效的融合方法是：1）以多尺度遙感影像作為參考，建立獨(dú)立于影像的標(biāo)準(zhǔn)地理坐標(biāo)格網(wǎng)；2）對(duì)兩種不同空間尺度的遙感影像進(jìn)行雙線性插值，得到其位于標(biāo)準(zhǔn)格網(wǎng)位置的灰度信息，然后實(shí)現(xiàn)對(duì)不同空間尺度影像的配準(zhǔn)工作。3）將InSAR結(jié)果中的低置信度觀測(cè)點(diǎn)剔除，按照上一步的配準(zhǔn)映射關(guān)系，完成InSAR結(jié)果到光學(xué)影像數(shù)據(jù)間的匹配融合。如圖4所示。

（3）基于道路區(qū)域的路基狀態(tài)監(jiān)測(cè)

完成影像間的信息融合后，利用歸一化后的道路影像進(jìn)行掩膜生成，并結(jié)合歸一化形變數(shù)據(jù)提取出目標(biāo)道路區(qū)域的地基形變信息，進(jìn)行后續(xù)的數(shù)據(jù)分析與挖掘，從而實(shí)現(xiàn)對(duì)道路的提取與設(shè)施狀態(tài)的監(jiān)測(cè)，如道路使用損耗情況、災(zāi)后可通行能力以及區(qū)域內(nèi)路網(wǎng)連通性的分析等方面。

四、總結(jié)

隨著遙感技術(shù)的不斷發(fā)展，高分辨率遙感數(shù)據(jù)為大范圍、高時(shí)效地獲取地面信息提供了可能。相比傳統(tǒng)人工手段，遙感數(shù)據(jù)不僅能夠極大地縮減人力和物力成本，而且還可以進(jìn)行大尺度下的數(shù)據(jù)分析與挖掘，極大地促進(jìn)了相關(guān)研究的發(fā)展。對(duì)于交通行業(yè)來說，與遙感技術(shù)的融合研究也正在成為科研學(xué)者的研究熱點(diǎn)，尤其是在交通應(yīng)急領(lǐng)域內(nèi)的技術(shù)應(yīng)用。有效利用遙感技術(shù)服務(wù)交通安全應(yīng)急，是遙感應(yīng)用領(lǐng)域發(fā)展的一個(gè)重要方向。本文從技術(shù)應(yīng)用的角度出發(fā)，提出了融合高分辨率光學(xué)遙感與雷達(dá)遙感技術(shù)的道路基礎(chǔ)設(shè)施安全監(jiān)測(cè)方法。本文雖然僅以道路設(shè)施為例，但其思路同樣適用于其他基礎(chǔ)設(shè)施的狀態(tài)監(jiān)測(cè)，如機(jī)場跑道、軌道交通、橋梁等。本文所提出的技術(shù)應(yīng)用不僅能夠?qū)A(chǔ)設(shè)施的狀態(tài)進(jìn)行有效監(jiān)測(cè)，同時(shí)也可為日常維護(hù)管理提供有力的科學(xué)依據(jù)，為交通通行安全提供有效保障，促進(jìn)交通行業(yè)的健康發(fā)展。

[1] 交通運(yùn)輸部. 2016年交通運(yùn)輸行業(yè)發(fā)展統(tǒng)計(jì)公報(bào)[J]. 交通財(cái)會(huì), 2017(5):92-96.

[2] Zhu G, Dan G B. Classification using ASTER data and SVM algorithms; The case study of Beer Sheva, Israel[J].Remote Sensing of Environment, 2002, 80(2):233-240.

[3] J. Im, J. R. Jensen, J. A. Tullis. Object‐based change detection using correlation image analysis and image segmentation[J]. International Journal of Remote Sensing,2008, 29(2):399-423.

[4] Cheriyadat A M. Unsupervised Feature Learning for Aerial Scene Classification[J]. IEEE Transactions on Geoscienceamp; Remote Sensing, 2013, 52(1):439-451.

[5] Chaib S, Liu H, Gu Y, et al. Deep Feature Fusion for VHR Remote Sensing Scene Classification[J]. IEEE Transactions on Geoscience amp; Remote Sensing, 2017, PP(99):1-10.

[6] Cheng G, Zhou P, Han J. Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images[J]. IEEE Transactions on Geoscience amp; Remote Sensing, 2016, 54(12):7405-7415.

[7] 劉國祥. 應(yīng)用實(shí)例及其局限性分析[J]. 四川測(cè)繪, 2005,28(3):139-143.

[8] 劉廣, 郭華東, Ramon,等. InSAR技術(shù)在礦區(qū)沉降監(jiān)測(cè)中的應(yīng)用研究[J]. 國土資源遙感, 2008, 2008(2):51-55.

[9] 李珊珊, 李志偉, 胡俊,等. SBAS-InSAR技術(shù)監(jiān)測(cè)青藏高原季節(jié)性凍土形變[J]. 地球物理學(xué)報(bào), 2013, 56(5):1476-1486.

[10] 朱仁義. 寬幅InSAR技術(shù)在地質(zhì)災(zāi)害的綜合形變監(jiān)測(cè)應(yīng)用研究[D]. 長安大學(xué), 2012.

[11] 白照廣. 高分一號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J]. 中國航天,2013(8):5-9.

[12] 潘騰. 高分二號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J]. 中國航天, 2015(1):3-9.

[13] 張慶君. 高分三號(hào)衛(wèi)星總體設(shè)計(jì)與關(guān)鍵技術(shù)[J]. 測(cè)繪學(xué)報(bào),2017, 46(3):269-277.

[14] Xia W, Zhong N, Geng D, et al. A weakly supervised road extraction approach via deep convolutional nets based image segmentation[C]// International Workshop on Remote Sensing with Intelligent Processing. IEEE, 2017.

[15] Massonnet D, Feigl K L. Radar interferometry and its application to changes in the Earth's surface[J]. Reviews of Geophysics, 1998, 36(4):441–500.

[16] 夏威. 遙感干涉測(cè)量和北斗高精度定位技術(shù)在橋梁監(jiān)測(cè)中的信息化應(yīng)用研究[J]. 電子測(cè)試, 2015,(10):12-22.