方 芳， 向 浩， 張 亮

（1.湖北省航測遙感院，湖北 武漢 430074；2.湖北省測繪工程院，湖北 武漢 430074）

1 研究背景

受城市化擴張的影響，區(qū)域自然生態(tài)系統(tǒng)和農(nóng)業(yè)生態(tài)系統(tǒng)不斷向城市生態(tài)系統(tǒng)轉化，自然資源違法占用問題越來越突出，特別是部分新增建設用地問題已嚴重觸碰永久基本農(nóng)田、生態(tài)保護紅線、城鎮(zhèn)開發(fā)邊界3 條控制紅線，同時自然資源用途管制已成為優(yōu)化國土空間開發(fā)的主要手段[1]。自然資源部在《關于健全建設用地“增存掛鉤”機制的通知》中專門提出，要求國家土地督察機構要將批而未供和閑置土地及其處置情況納入督察工作重點。為了有效提高自然資源督察能力，實現(xiàn)自然資源督察工作“察”的范圍更廣、力度更大、時效更強、效率更高、距離更遠的目標，迫切需要利用遙感影像提取與變化發(fā)現(xiàn)技術對自然資源的發(fā)展變化信息進行提取，實現(xiàn)對城市的建設用地、綠化用地、湖泊、山體等的持續(xù)監(jiān)測，為自然資源督察工作提供科學準確的依據(jù)。

2 遙感影像智能化提取技術

遙感影像智能化提取技術主要是根據(jù)遙感影像的特征，制定適用于特征知識庫的樣本類別體系和樣本采集方案；以面向?qū)ο蠓治龅慕嵌?，整理歸納光譜特征、形狀特征、紋理特征、指數(shù)特征等常見解譯特征，并對這些特征進行量化表達和存儲；根據(jù)信息自動提取分析的要求，構建以深度學習技術為核心的開放式地理要素訓練平臺，以多源遙感數(shù)據(jù)、標簽數(shù)據(jù)為輸入，內(nèi)置樣本采集、調(diào)度引擎和集成框架，適配多種深度學習訓練框架，通過訓練模型構建和深度學習訓練來實現(xiàn)遙感影像的智能分析。

1）遙感解譯知識庫是支持智能遙感解譯的重要基礎，主要包括專題圖斑樣本庫、外業(yè)采集信息庫、地物光譜庫、解譯樣本庫和訓練模型庫等。其中，圖斑樣本庫是由圖像分割生成的，負責對分割圖斑進行監(jiān)督學習、深度學習分類，包括光譜、幾何、紋理等特征；外業(yè)采集信息庫是由外業(yè)采集獲取的，包括支持解譯的實地照片、視頻等；地物光譜庫包括實測地物光譜和高光譜數(shù)據(jù)像元光譜；解譯樣本庫包括灰度直方圖、邊緣、形狀因子、粗糙度、信息熵、紋理、目標均值和方差等。

2）自動提取深度學習訓練平臺的搭建。深度學習是近年來機器學習領域的一個研究熱點，在語音識別、計算機視覺等方面均取得了良好效果。在遙感影像處理方面，深度學習能應對高空間分辨率的數(shù)據(jù)，對其進行有效的模式識別與分類，已成為處理遙感大數(shù)據(jù)分析與挖掘問題的有效手段。自動提取深度學習訓練平臺主要是根據(jù)遙感監(jiān)測的具體要求，利用遙感解譯知識庫成果進行自動提取的深度學習訓練平臺。在自然資源新增建設用地督察中，一般需要采集新增商服用地、工礦倉儲用地、住宅用地等面狀地物，公路、鐵路等線狀地物，有水溝渠，推填土以及光伏用地等常見新增建設用地樣本地類進行學習。平臺搭建過程包括對數(shù)據(jù)進行篩選預處理、影像特征分析、提取算法融入、模型訓練等步驟。深度學習在原來多層神經(jīng)網(wǎng)絡的基礎上，加入了特征學習，利用訓練集逐層貪婪學習，以初始化網(wǎng)絡權值來接近全局最優(yōu)點[2]。

3）智能分析和成果提供。在應用過程中，考慮到技術和效率的可行性，一般采用深度學習與傳統(tǒng)機器學習相結合的方式進行提取。通過深度學習技術開展變化圖斑的分割提取，通過傳統(tǒng)機器學習技術開展變化圖斑的優(yōu)化處理；并結合已有的衛(wèi)星影像本底數(shù)據(jù)庫、自然資源調(diào)查監(jiān)測業(yè)務基礎數(shù)據(jù)庫、全省遙感監(jiān)測專題數(shù)據(jù)庫、生態(tài)環(huán)境保護數(shù)據(jù)庫、應急管理遙感監(jiān)測業(yè)務數(shù)據(jù)庫等開展變化分析，可以時間尺度為基礎，形成最終用戶所需的成果報告。

3 新增建設用地督察應用研究

新增建設用地的發(fā)生原因復雜，主要包括：①監(jiān)測區(qū)內(nèi)新增修建的商服用地、工礦倉儲用地、住宅用地等面狀地物；②監(jiān)測區(qū)內(nèi)新增公路、鐵路等線狀地物；③監(jiān)測區(qū)內(nèi)新增水溝渠；④監(jiān)測區(qū)內(nèi)新增推填土；⑤監(jiān)測區(qū)內(nèi)新增光伏用地等。新增建設用地類型多樣，在不同遙感影像上提取的特征存在較大差異，且隨著解譯層次的提高，提取特征的要求也越來越高；而傳統(tǒng)分析方法中的樣本選取、分類設置以及后處理均需大量的人工參與，對于大范圍、高頻次的督察工作顯然無法滿足要求，因此利用遙感影像智能化提取技術實現(xiàn)變化圖班的快速獲取具有重要意義[3-4]。

以新增光伏用地為例，作為新增建設用地的重要組成部分，當前我國對現(xiàn)有不同性質(zhì)的土地是否可以用作光伏電站場址采取了差別化的用地政策。快速、有效、高精度的提取光伏用地信息并進行動態(tài)監(jiān)測，對光伏用地管理、光伏用地指標控制具有重要意義。在督察過程中需在大范圍內(nèi)快速準確地獲取新增光伏用地的相關信息，采用遙感影像智能化提取技術可快速實現(xiàn)這一目標。

通過收集高分系列、資源系列等多種遙感影像，歷史解譯數(shù)據(jù)以及地理要素數(shù)據(jù)等構建遙感解譯知識庫。根據(jù)光伏用地的特點，通過建立光伏用地遙感監(jiān)測分類體系，搭建自動提取深度學習訓練平臺。光伏板一般具有整齊排列、分布規(guī)則、紋理特征明顯的特點[5]，根據(jù)高分辨率遙感影像上光伏用地所占地類的形狀、大小、色調(diào)、紋理和位置等特征，通過樣本采集、樣本分析、可視化分析等方法，為要素識別、影像分類、變化檢測等提供基礎。通過深度學習的方式，進一步發(fā)現(xiàn)新增光伏用地的變化規(guī)律和特征，為準確獲取所需信息提供了更全面的依據(jù)。針對需要進行數(shù)據(jù)處理的區(qū)域，綜合利用遙感數(shù)據(jù)和歷史地表覆蓋數(shù)據(jù)，通過帶約束分割、特征統(tǒng)計、分析決策模型、偽圖斑去除等變化檢測方法，實現(xiàn)影像的快速自動分析檢測。

結合已有的建設用地本底庫、行政界線數(shù)據(jù)、城市規(guī)劃數(shù)據(jù)開展變化分析，能以月度、季度和年度為時間尺度，形成新增光伏用地遙感監(jiān)測分布圖和新增光伏用地遙感監(jiān)測報告，從而實現(xiàn)對新增光伏用地的及時發(fā)現(xiàn)、準確評估和快速核查，有效解決人工巡邏等傳統(tǒng)手段被動實施、區(qū)域有限等難題，提高了督察工作能力，提升了新增建設用地的督察與管理效率。新增光伏用地智能化提取技術路線如圖1 所示。

圖1 新增光伏用地智能化提取技術路線

4 結 語

以衛(wèi)星影像大數(shù)據(jù)和時空數(shù)據(jù)分析挖掘技術為基礎，采用深度學習框架支撐底層技術體系，構建了面向新增建設用地遙感監(jiān)測應用需求的深度學習訓練平臺，可智能發(fā)現(xiàn)自然資源督察線索，全面提高自然資源督察能力。隨著該技術效率的提升，可滿足大范圍、高頻次的督察工作需要，為督察工作提供更及時、客觀、全面的信息基礎和信息保障。