王立娟， 靳 曉， 賈虎軍， 唐 堯， 馬國超

(1.成都理工大學(xué)環(huán)境與土木工程學(xué)院，成都 610045； 2.四川省安全科學(xué)技術(shù)研究院，成都 610045； 3.重大危險源測控四川省重點(diǎn)實驗室，成都 610045)

0 引言

遙感技術(shù)是一門綜合性對地觀測技術(shù)，具有大面積同步觀測、信息獲取速度快、周期短、綜合性強(qiáng)等特點(diǎn)，它彌補(bǔ)了傳統(tǒng)礦山監(jiān)測技術(shù)手段的缺陷，能夠全面、客觀、有效、準(zhǔn)確和動態(tài)地反映出礦山及周邊區(qū)域的情況，且不受環(huán)境、人工等因素的影響。特別是隨著我國航空航天技術(shù)的不斷發(fā)展，遙感影像的空間分辨率得到了大幅度提高，其中優(yōu)于1 m的高空間分辨率遙感影像(以下簡稱“高分影像”)可為遙感技術(shù)在礦山監(jiān)測方面的應(yīng)用提供有力的數(shù)據(jù)支撐。

近幾十年里，SPOT5，IKONOS，TM和QuickBird等遙感影像在礦山監(jiān)測中得到了廣泛應(yīng)用[1-2]，隨著我國衛(wèi)星技術(shù)的迅速發(fā)展，許多學(xué)者都嘗試將國產(chǎn)高分遙感技術(shù)融入到礦山監(jiān)測技術(shù)體系中。路云閣等[3]結(jié)合西藏自治區(qū)礦山遙感監(jiān)測工作的特點(diǎn)，提出并實現(xiàn)了從國產(chǎn)衛(wèi)星遙感數(shù)據(jù)管理、增強(qiáng)與校正、信息提取、統(tǒng)計分析等一體化解決方案，為大規(guī)模礦山遙感動態(tài)監(jiān)測提供了技術(shù)支持; 安志宏等[4]利用資源一號02C星遙感影像，以河北承德多金屬礦區(qū)和江西尋烏稀土礦區(qū)為實驗區(qū)，開展了1∶5萬比例尺的礦山遙感監(jiān)測應(yīng)用研究，并針對所遇到的問題提出了解決方案，為02C星數(shù)據(jù)在礦山遙感監(jiān)測的應(yīng)用起到了示范作用; 魏江龍等[5]則以會理多金屬礦區(qū)為研究區(qū)，以高分一號衛(wèi)星影像為數(shù)據(jù)源，對研究區(qū)內(nèi)的礦山分布和開采情況進(jìn)行提取，掌握了研究區(qū)內(nèi)礦產(chǎn)資源開發(fā)現(xiàn)狀和礦山環(huán)境狀態(tài)。然而，目前國產(chǎn)高分衛(wèi)星影像在礦山監(jiān)測方面的應(yīng)用仍然以專業(yè)技術(shù)人員目視解譯為主。隨著礦山監(jiān)測技術(shù)的智能化、定量化要求不斷提高，傳統(tǒng)的以目視解譯為主的遙感技術(shù)已經(jīng)不能滿足礦山監(jiān)測的需求，更加高效和定量化的遙感技術(shù)亟待融入到礦山監(jiān)測的技術(shù)體系中。

為此，本文以我國高分二號(GF-2)遙感影像為數(shù)據(jù)源，根據(jù)礦山監(jiān)測的目標(biāo)，構(gòu)建多源特征集，在變化向量分析法(change vector analysis,CVA)的基礎(chǔ)上自動選擇訓(xùn)練樣本，然后利用極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)提取變化信息，提出一種自動化程度比較高的面向?qū)ο蟮淖兓瘷z測方法(CVA-ELM)，既提高了檢測精度，又避免了提供先驗知識。以四川省攀枝花市的典型礦山為例，開展礦山及周邊環(huán)境的動態(tài)監(jiān)測實驗，為礦山遙感監(jiān)測提供了應(yīng)用范例。

1 礦山環(huán)境變化檢測方法

1.1 檢測目標(biāo)確定

確定檢測目標(biāo)是遙感影像變化檢測技術(shù)的首要步驟，是遙感數(shù)據(jù)源、變化檢測算法和模型選擇的基礎(chǔ)。礦山遙感監(jiān)測一方面是為了掌握礦山自身的生產(chǎn)狀態(tài)，另一方面是為了了解礦山周邊環(huán)境的變化情況。采場是礦山生產(chǎn)活動的主要場所，也是礦山監(jiān)測的重要區(qū)域。除采場外，尾礦庫和排土場作為礦山生產(chǎn)過程中的重大危險源，同屬于礦山的重要要素，是礦山監(jiān)測的重點(diǎn)關(guān)注對象。在尾礦庫及周邊區(qū)域的動態(tài)監(jiān)測中，庫區(qū)的擴(kuò)張、干灘和壩體的變化、庫區(qū)周邊山體植被的變化、下游建筑物和重要設(shè)施的變化為主要監(jiān)測目標(biāo)； 而對于采場(排土場)及周邊區(qū)域的動態(tài)監(jiān)測，采場(排土場)的擴(kuò)張、周邊區(qū)域植被的變化、建筑的增加等則為重點(diǎn)監(jiān)測目標(biāo)。

1.2 影像預(yù)處理與特征提取

遙感影像變化檢測的數(shù)據(jù)預(yù)處理的主要目的是使同一位置上相同地物在不同時相的影像中地理坐標(biāo)和特征屬性相同，而不同地物則表現(xiàn)出不同的特征屬性。因此，需對遙感影像進(jìn)行預(yù)處理，除大氣校正、正射校正和融合等基本預(yù)處理過程外，幾何配準(zhǔn)和相對輻射校正是多時相遙感影像預(yù)處理的重要內(nèi)容。

根據(jù)礦山環(huán)境的檢測目標(biāo)，本文在檢測中首先提取了對尾水、干灘和藍(lán)色屋頂?shù)慕ㄖ容^敏感的歸一化水體指數(shù)(normalized differential water index, NDWI)、對植被比較敏感的歸一化植被指數(shù)(normalized differential vegetation index, NDVI)以及對高亮反射率的建筑比較敏感的亮度特征，并將它們同原始光譜數(shù)據(jù)一起作為變化檢測的特征集。

1.3 CVA-ELM變化檢測方法

變化檢測方法按照是否需要提供先驗知識，可以分為非監(jiān)督變化檢測方法與監(jiān)督變化檢測方法[6]2大類。非監(jiān)督變化檢測方法雖然不需要提供先驗知識，自動化程度相對較高，但是檢測結(jié)果受影像的成像環(huán)境及變化閾值的影響較大，其常用的方法有差值法、比值法、CVA法[7]和主成分分析法(principal component analysis, PCA)[8]等; 而監(jiān)督變化檢測方法則能夠在一定程度上降低大氣、傳感器及周圍環(huán)境對變化檢測結(jié)果的影響，且不需要設(shè)置變化閾值[9]，其中決策樹(decision tree, DT)[9]、支持向量機(jī)(support vector machine, SVM)[10]和ELM[11]等方法均具有良好的性能，是監(jiān)督變化檢測方法中常用的分類器。2種類型的變化檢測方法都有自身的優(yōu)勢與缺點(diǎn)，將二者融合，取長補(bǔ)短，不僅能夠提高變化檢測方法的自動化程度，而且可以增加算法的魯棒性。

CVA利用多特征空間中的變化矢量表示地物的變化，算法簡單、易于實現(xiàn)，與差值法和比值法相比，能夠綜合考慮多個特征波段，得到的變化檢測結(jié)果更客觀、更接近地物的真實變化。ELM是一種用于訓(xùn)練單隱藏層反饋神經(jīng)網(wǎng)絡(luò)(single hidden layer feedback neural network，SLFNs)的學(xué)習(xí)算法，它對于能夠無限可微的激活函數(shù)，可以隨機(jī)設(shè)置其輸入權(quán)值和隱藏層偏置，不需要進(jìn)行迭代調(diào)整[12-13]，這使其不僅訓(xùn)練速度比傳統(tǒng)的基于梯度算法快，而且避免了諸如局部最小以及過擬合等問題。ELM的顯著優(yōu)勢是訓(xùn)練速度快、檢測精度高，特別適用于數(shù)據(jù)量較大的影像的處理。因此，本文將CVA和ELM結(jié)合起來，用于開展大范圍礦山遙感動態(tài)監(jiān)測。

由于高分影像中地物往往以多個像元聚集成區(qū)域的方式呈現(xiàn)，以像元為單位的變化檢測方法在高分影像的處理中存在一定的局限性[14-15]，而面向?qū)ο蟮姆椒ㄒ苑指顚ο鬄閱挝贿M(jìn)行處理，更符合地物在影像中真實形態(tài)，所以本文構(gòu)建了一種面向?qū)ο蟮淖詣幼兓瘷z測方法?；玖鞒倘鐖D1所示。

圖1 面向?qū)ο蟮淖兓瘷z測方法流程Fig.1 Flow chart of object-based automatic change detection method

主要包括以下步驟：

1)對預(yù)處理后的多時相遙感影像進(jìn)行均值漂移(mean shift，MS)分割，并根據(jù)礦山的特點(diǎn)進(jìn)行特征提取，構(gòu)建對象級的多源特征集。

2)在CVA的基礎(chǔ)上自動選擇訓(xùn)練樣本[16]。樣本的自動選擇方法通常建立在以下假設(shè)上： 如果2個時相的差值影像中對象的值越大，則對象屬于變化類別的可能性就越大； 相反如果值越小，對象屬于未變化類別的可能性就越大。因此，基于CVA的樣本自動選擇方法的步驟包括： 首先獲取CVA差值影像，然后對所有的對象進(jìn)行由大到小的排序，最后選擇前α·N的對象為變化類別的樣本，后α·N的對象為未變化類別的樣本，其中N為差值影像中對象的個數(shù)，α為相應(yīng)的閾值，α∈(0,0.5)。

3)以所構(gòu)建的多源特征集作為輸入影像，利用自動選擇的訓(xùn)練樣本對ELM進(jìn)行訓(xùn)練，然后獲取監(jiān)測區(qū)域的變化信息。

2 實驗與分析

為了驗證CVA-ELM變化檢測方法的優(yōu)越性，并分析比較各種變化檢測方法在礦山監(jiān)測方面的適用性，選擇礦山周邊的小部分區(qū)域作為實驗區(qū)域，用于評價各種方法的檢測精度。選擇CVA、基于像元的差值法(diff_pixel)、面向?qū)ο蟮牟钪捣?diff_OB)、面向?qū)ο蟮淖兓蛄糠治龇?CVA_OB)、面向?qū)ο蟮闹С窒蛄繖C(jī)(SVM_OB)共5種方法為CVA-ELM的對比算法，其中SVM_OB也是在CVA自動選擇訓(xùn)練樣本的基礎(chǔ)上利用支持向量機(jī)提取變化信息的方法。

本次實驗選擇2015年2月24日和2016年2月14日2景GF-2遙感影像，制作了全色和多光譜數(shù)據(jù)的融合影像，影像大小為400像元×400像元，覆蓋某礦山周邊160 000 m2的區(qū)域。制作的B3(R),B2(G),B1(B)波段融合影像如圖2所示。為了對各種變化檢測方法進(jìn)行定量化的精度評價，根據(jù)Google Earth與實地調(diào)查相結(jié)合，獲得了此區(qū)域的真實參考變化圖(圖3)，其中圖3(a)中白色為變化區(qū)域，黑色為未變化區(qū)域，圖3(b)為參考變化圖與2015年遙感影像的疊加圖，紅色為變化區(qū)域。

(a) 2015年2月24日 (b) 2016年2月14日

圖2實驗區(qū)域2期影像

Fig.2Imagesofexperimentregionintwoperiods

(a) 參考變化 (b) 參考變化疊加

圖3實驗區(qū)域參考變化

Fig.3Referencechangemapofexperimentregion

對原始遙感影像進(jìn)行校正，然后在實驗區(qū)域的影像上均勻地選擇30個同名點(diǎn)，配準(zhǔn)誤差均控制在0.5個像元之內(nèi)。相對輻射校正以2015年2月24日遙感影像作為基準(zhǔn)，采用線性回歸分析法完成。

面向?qū)ο蟮淖兓瘷z測方法以分割對象作為處理單位，為了得到相同的對象，采用MS分割方法對2個時相的影像進(jìn)行復(fù)合分割，得到影像處理的分割對象。根據(jù)礦山的特點(diǎn)及監(jiān)測目標(biāo)，利用遙感影像提取特征構(gòu)建多源特征集。特征集構(gòu)建的完備程度直接影響變化檢測的結(jié)果。在本實驗中提取NDVI，NDWI以及亮度特征與原始的光譜特征共同構(gòu)建多源特征集，各個特征影像如圖4所示。

(a) 2015年2月24日 NDVI (b) 2015年2月24日 NDWI (c) 2015年2月24日亮度特征

(d) 2016年2月14日 NDVI (e) 2016年2月14日 NDWI (f) 2016年2月14日亮度特征

圖4實驗區(qū)域特征影像

Fig.4Featureimagesofexperimentregion

依照1.3中的方法進(jìn)行訓(xùn)練樣本的自動選取。為了控制訓(xùn)練樣本的數(shù)量在一個合理的范圍，參數(shù)α的范圍被設(shè)定為[0.05,0.15]。由于SVM的檢測性能好，魯棒性強(qiáng)，因此被用于選擇最佳參數(shù)。圖5顯示了不同參數(shù)選取的訓(xùn)練樣本利用SVM進(jìn)行變化檢測被錯誤檢測的像元數(shù)量，當(dāng)α被設(shè)定為0.12時，被錯誤檢測的像元數(shù)量最少。

圖5 不同參數(shù)選擇的訓(xùn)練樣本得到錯誤檢測像元的數(shù)量Fig.5 Number of error detected pixels which were obtained by different training samples with different parameters

表1為各種變化檢測方法的精度評價，包括總體精度、Kappa系數(shù)、虛檢率和漏檢率。由于ELM的輸入權(quán)重矩陣和隱含層偏差是隨機(jī)獲取的，所以CVA-ELM的各項精度為10次運(yùn)算結(jié)果的平均值。

表1 各種方法的變化檢測精度Tab.1 Accuracy of different change detection methods

從表1中可以看出，2種面向?qū)ο蟮淖詣幼兓瘷z測方法(SVM-OB和CVA-ELM)的檢測精度均高于其他方法，其中CVA-ELM的精度更高，且其運(yùn)算時間遠(yuǎn)遠(yuǎn)低于SVM-OB。與基于像元的方法相比較，CVA-OB的總體精度和Kappa系數(shù)均低于CVA，而diff-OB的總體精度和Kappa系數(shù)均高于diff-pixel。這主要是因為非監(jiān)督變化檢測方法需要設(shè)置變化閾值，CVA-OB與CVA均使用最大期望算法(expectation maximization algorithm，EM)自動獲取變化閾值，EM算法更適用于基于像元的圖像處理方法； diff-OB和diff-pixel為人工獲取變化閾值，不同的方法變化閾值也不同，而目前缺少針對面向?qū)ο蟮淖兓撝底詣荧@取算法，這也限制了面向?qū)ο蟮姆潜O(jiān)督變化檢測方法的發(fā)展和應(yīng)用。

圖6為實驗區(qū)域不同變化檢測方法的檢測結(jié)果，與圖3的參考變化圖相比，從視覺上看，CVA-ELM的檢測結(jié)果(圖6(f))與參考變化圖最接近，這驗證了CVA-ELM的良好檢測性能和在礦山安全監(jiān)測的適用性。CVA的檢測結(jié)果(圖6(a))與CVA-OB的檢測結(jié)果(圖6(b))相比，后者的椒鹽噪聲減少了很多，但是漏檢的像元也比較多。同樣，diff-pixel(圖6(c))和diff-OB(圖6(d))的檢測結(jié)果相比，后者檢測結(jié)果中虛檢的像元數(shù)目較少，體現(xiàn)了面向?qū)ο蟮膱D像處理方法的優(yōu)勢。

(a) CVA (b) CVA-OB (c) diff-pixel

(d) diff-OB (e) SVM-OB(f) CVA-ELM

圖6各種方法的變化檢測結(jié)果

Fig.6Changemapobtainedbydifferentmethods

3 應(yīng)用案例

四川省攀枝花市米易縣地處攀西釩鈦磁鐵礦區(qū)的核心部位，擁有豐富的礦產(chǎn)資源，縣域內(nèi)采場、排土場和尾礦庫數(shù)量多且分布分散。本文分別以攀枝花市米易縣域內(nèi)的尾礦庫、排土場及采場為對象，開展礦山環(huán)境的變化檢測。本次檢測選擇2015年2月24日和2016年2月14日的GF-2遙感影像，經(jīng)過正射校正、輻射校正、幾何糾正、影像融合及配準(zhǔn)等預(yù)處理，以融合影像為數(shù)據(jù)源，利用CVA-ELM變化檢測方法實施礦山及周邊環(huán)境的動態(tài)監(jiān)測。

3.1 尾礦庫及周邊環(huán)境變化檢測

萬年溝尾礦庫是目前四川省的第一大庫，是比較有代表性的大型尾礦庫。本文以萬年溝尾礦庫為實驗區(qū)開展尾礦庫及周邊環(huán)境的變化檢測。檢測區(qū)域影像大小為3 579像元×2 884像元，平面面積約10 840 956 m2，覆蓋了萬年溝尾礦庫及周邊的大范圍區(qū)域。2個時期的遙感影像如圖7所示。

(a) 2015年2月24日 (b) 2016年2月14日

圖7萬年溝尾礦庫及周邊區(qū)域2個時期遙感影像

Fig.7ImagesofWanniangoutailingpondandthesurroundingareasintwoperiods

圖8(a)展示了萬年溝尾礦庫及周邊區(qū)域2015—2016年間的變化圖，其中白色區(qū)域為變化區(qū)域，黑色區(qū)域為未發(fā)生變化區(qū)域，紅色線條為變化區(qū)域的邊界。為了更加直觀地展示變化區(qū)域的分布，判斷變化區(qū)域的類別，將變化信息疊加在2015年2月24日的遙感影像上得到變化檢測疊加圖，如圖8(b)所示?？梢钥闯鋈f年溝尾礦庫及周邊區(qū)域的主要變化為尾礦庫擴(kuò)張、干灘變化、壩體變化、植被減少及建筑的變化等，變化面積約為372 047 m2，約占總面積的3.43%。

(a) 變化檢測 (b) 變化信息疊加

圖8萬年溝尾礦庫及周邊區(qū)域2015—2016年變化

Fig.8ChangemapofWanniangoutailingpondandthesurroundingareasfrom2015to2016

3.2 排土場及周邊環(huán)境變化檢測

以威龍州排土場為實驗區(qū)開展排土場及周邊環(huán)境的變化檢測。檢測區(qū)域影像大小為1 584像元×1 181像元，平面面積大約為1 870 704 m2，2個時期的遙感影像如圖9所示。

(a) 2015年2月24日 (b) 2016年2月14日

圖9威龍州排土場及周邊區(qū)域2期遙感影像

Fig.9ImagesofWeilongzhoudumpandthesurroundingareasintwoperiods

圖10中分別展示了威龍州排土場及周邊區(qū)域的2015—2016年間的變化圖及變化信息疊加圖。

(a) 變化檢測 (b) 變化信息疊加

圖10威龍州排土場2015—2016變化

Fig.10ChangemapofWeilongzhoudumpandthesurroundingareasfrom2015to2016

由圖9和圖10可知，威龍州排土場及周邊區(qū)域在2015—2016年間的變化主要為排土場的擴(kuò)張、植被的減少以及排土場下游房屋的減少，變化面積約為86 901 m2，約占總面積的4.64%。威龍州排土場下游區(qū)域為政府劃定的拆遷區(qū)域，圖10(b)直觀顯示了此區(qū)域已拆遷和未拆遷的建筑，為政府監(jiān)管和礦山企業(yè)安全生產(chǎn)提供了有效的數(shù)據(jù)支撐。

3.3 采場及周邊環(huán)境變化檢測

以冰花蘭采場作為實驗檢測區(qū)域開展采場及周邊環(huán)境變化檢測，檢測區(qū)域高分影像的大小為1 957像元×2 458像元，平面面積約4 810 306 m2，2個時期的遙感影像如圖11所示。

(a) 2015年2月24日 (b) 2016年2月14日

圖11冰花蘭采場及周邊區(qū)域2期影像

Fig.11ImagesofBinghualanstopeandthesurroundingareasintwoperiods

圖12為冰花蘭采場在2015—2016年間的變化圖。從圖中可以看出，冰花蘭采場在其西南方向開辟了新的開采區(qū)域，而原有的開采區(qū)域未發(fā)生明顯變化，基本停止開采工作。從2015年至2016年間冰花蘭采場及周邊區(qū)域的主要變化為采場的擴(kuò)張、周邊尾礦庫的擴(kuò)張以及植被的變化，變化面積約為189 596 m2，約占總面積的3.94%。

(a) 變化檢測 (b) 變化信息疊加

圖12冰花蘭采場2015—2016年變化

Fig.12ChangemapofBinglanhuastopeandthesurroundingareasfrom2015to2016

4 結(jié)論

1)本文根據(jù)礦山監(jiān)測面向定量化和自動化的發(fā)展要求，將遙感影像變化檢測技術(shù)應(yīng)用于礦山及周邊環(huán)境動態(tài)監(jiān)測中，并比較分析了幾種常用的變化檢測方法在礦山監(jiān)測中的適用性。

2)根據(jù)礦山環(huán)境的特點(diǎn)，以國產(chǎn)高分二號衛(wèi)星影像為數(shù)據(jù)源，構(gòu)建一種自動化程度比較高的面向?qū)ο蟮淖兓瘷z測方法。通過實驗證明，本文所構(gòu)建的面向?qū)ο蟮淖兓瘷z測方法與常用的幾種變化檢測方法相比，具有自動化程度高，檢測性能好的優(yōu)勢，更適用于礦山監(jiān)測應(yīng)用。

3)立足于礦山生產(chǎn)安全和礦山生態(tài)環(huán)境監(jiān)測需要，明確礦山監(jiān)測的重點(diǎn)關(guān)注對象和監(jiān)測目標(biāo)，并分別以攀枝花市米易縣的典型尾礦庫、排土場和采場為例，開展礦山及周邊環(huán)境的變化檢測實驗，為礦山實施大規(guī)模遙感動態(tài)監(jiān)測提供了范例。