李 奇，楊友生，周光建*

（1.廣州市城市規(guī)劃勘測設(shè)計研究院，廣東 廣州 510060）

隨著我國城市化推進，城市建設(shè)用地需求大幅度增加，土地違法違規(guī)利用現(xiàn)象十分突出，土地違法監(jiān)測大量僅依靠人工巡查，難以保障土地執(zhí)法效率及準(zhǔn)確率。傳統(tǒng)城市“兩違”管理中，采用外業(yè)人工巡查和內(nèi)業(yè)人工判別的模式難以保障違法建設(shè)、違法用地的提取效率和結(jié)果[1]。針對南沙新區(qū)缺乏長效、可視化的動態(tài)監(jiān)測機制，基于無人機低空遙感技術(shù)手段，分析、歸納不同區(qū)域下最優(yōu)航飛參數(shù)、掃描方式，引入實景三維模型可彌補土地執(zhí)法證據(jù)留存的空白，并獲取城市地理要素的輪廓線、骨架線、邊界線等三維信息、紋理特征，以及建筑物的高度變化信息，提升“兩違”變化監(jiān)測的違法信息發(fā)現(xiàn)敏感度[2-4]。融合多源數(shù)據(jù)，構(gòu)建統(tǒng)一、完善的“兩違”聯(lián)動監(jiān)測體系，服務(wù)于各級行政職能部門，支撐南沙新區(qū)全域精細化管理，梳理總結(jié)出適宜南沙新區(qū)獨特地理條件及發(fā)展環(huán)境的“兩違”動態(tài)監(jiān)測機制技術(shù)路線，提出以專題“樣本字典”和自注意力機制變化感知為核心的快速監(jiān)測服務(wù)技術(shù)體系。

1 專題“樣本字典”的構(gòu)建

鑒于多源數(shù)據(jù)協(xié)同融合、管理的問題，采用標(biāo)準(zhǔn)地形圖分幅的方式進行數(shù)據(jù)裁剪，進而將影像分幅與地形圖分幅保持一致，可實現(xiàn)在違法區(qū)域疊加現(xiàn)狀地形圖、正射影像圖以及土規(guī)、控規(guī)法定數(shù)據(jù)等多源數(shù)據(jù)。結(jié)合DOM正射影像的數(shù)據(jù)標(biāo)注類型，通過labelme進行同一監(jiān)控區(qū)不同時期的變化地物區(qū)域的標(biāo)注，生成訓(xùn)練模塊所需要的學(xué)習(xí)標(biāo)簽。將裁剪后的兩期無人機數(shù)字正射影像圖和二值化后的變化信息進行梳理組織，構(gòu)成智能感知土地執(zhí)法專題訓(xùn)練樣本字典。基于地類特征可區(qū)分出建筑物及非建筑物兩大地類，非建筑物地類包含花基植被、河流道路及其他地表附屬物等地形要素，綜合考量季節(jié)、天氣等非地類變化因素，結(jié)合多期影像數(shù)據(jù)及對應(yīng)的土規(guī)、現(xiàn)場照片、地形圖等多源數(shù)據(jù)，定義分類初始庫，將非建筑物通過適配的紋理信息及灰度特征進行分類，依托多尺度、多梯度的分割方式，對于孤點噪聲及碎片化圖斑進行面積比例閾值剔除，獲取具有高分辨、紋理清晰的非建筑物地類。

利用高程信息進行閾值劃定，考慮建筑物的平滑特性導(dǎo)致平面擬合殘差較小，可進一步區(qū)分出植被等非建筑物地類。通過點云的形態(tài)特征，結(jié)合高程信息，可將建筑物區(qū)分出桿狀建筑，墻狀建筑及塔樓建筑等，對應(yīng)為一維、二維及三維建筑結(jié)構(gòu)，形成非建筑物及一、二、三維建筑物的地類要素樣本，并通過年度更新結(jié)合日常業(yè)務(wù)案的事件驅(qū)動機制，進行樣本庫更新迭代。形成具有南沙新區(qū)獨特建筑風(fēng)貌及地理環(huán)境的“地類要素樣本字典”。圍繞植被及其他非植被的地形存在植被指數(shù)及亮度的差異，基于歸一化差分植被指數(shù)-NDVI根據(jù)目標(biāo)地類要素進行紅、綠、藍波段的自由組合，以及目標(biāo)要素的亮度閾值選取，可快速區(qū)分出植被及目標(biāo)要素。結(jié)合多期影像及更新數(shù)據(jù)，形成“光譜知識樣本字典”。專題訓(xùn)練樣本字典分類如表1所示。

表1 專題訓(xùn)練樣本字典分類示意表

2 違法用地快速監(jiān)測模式建立

2.1 引入自注意力機制對抗神經(jīng)網(wǎng)絡(luò)模型

在不同時間拍攝的兩幅共配準(zhǔn)圖像中，光照變化和光照角度變化引起的配準(zhǔn)誤差壓倒了真實物體的變化，對遙感影像變化檢測（CD）算法提出了挑戰(zhàn)。根據(jù)樣本庫中各類型要素的光譜特征及形態(tài)結(jié)構(gòu)等多源信息，為聚焦違法用地的敏感高頻區(qū)的變化發(fā)現(xiàn)，提出專注于興趣區(qū)塊聚焦檢測的時空自注意力（self-attention）神經(jīng)網(wǎng)絡(luò)。基于度量的特性，利用個體像素在不同位置和時間的時空相關(guān)性更新這些特征圖，有效解決卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）應(yīng)對大距離時空像素關(guān)聯(lián)性的問題。在此基礎(chǔ)上，優(yōu)化自注意機制的學(xué)習(xí)模型，設(shè)計了基礎(chǔ)時空注意力模塊、金字塔時空注意力模塊兩種自注意力學(xué)習(xí)模塊。基礎(chǔ)的時空注意力模塊學(xué)習(xí)捕捉任意兩個位置之間的時空相關(guān)性（注意力權(quán)重），通過時空中所有位置特征的加權(quán)和計算每個位置的響應(yīng)。金字塔時空注意力模塊將基礎(chǔ)時空注意力模塊嵌入到金字塔結(jié)構(gòu)中，去生成多尺度注意力表示。

2.2 基于時空注意力學(xué)習(xí)模塊的變化感知

通過對不同大小區(qū)域的特征進行組合，可以得到多尺度的特征。在此動機的驅(qū)動下，將圖像空間平均劃分為一定尺度下的子區(qū)域，并在每個子區(qū)域引入自注意機制，利用該尺度下對象的時空關(guān)系。通過將圖像劃分為多尺度的子區(qū)域，可以獲得多尺度的特征表示，以便更好地適應(yīng)目標(biāo)的尺度變化。將自注意模塊被整合到多尺度子區(qū)域的金字塔結(jié)構(gòu)中形成金字塔注意模塊（pyramid attention module）。通過這種方式，捕獲不同尺度下的時空依賴關(guān)系，從而生成更好的表示來適應(yīng)不同大小的對象。然后利用個體像素在不同位置和時間的時空相關(guān)性更新特征圖，形成基礎(chǔ)時空注意模塊（self-attention）。

地物的實際分布在樣本庫中遙感影像上的光譜-空間特征存在明顯差異化[7-8]。在多時相影像上表現(xiàn)為建筑物拆建、植被區(qū)域減少等特征的違法建設(shè)與違法用地，采用多時相分割方法保證同一地物在多時相影像中邊界相同，針對不同特征層采用多元特征，利于反映不同區(qū)域、不同地物類型的變化信息。面向?qū)ο筇卣鞯墓庾V變化信息提取違法建設(shè)與違法用地變化區(qū)域；基于數(shù)學(xué)形態(tài)學(xué)、穗帽變換與差分形態(tài)學(xué)譜，調(diào)整閾值、置信度、最小圖斑面積等參數(shù)，提取建筑物的亮度、尺寸、對比度；結(jié)合形態(tài)學(xué)開、閉運算將不同特征下的變化監(jiān)測結(jié)果進行融合處理，實現(xiàn)基于地物分布特征的違法用地識別[9]。對多時相遙感影像數(shù)據(jù)進行幾何分析、空間基準(zhǔn)統(tǒng)一處理后，形成違法建設(shè)與違法用地動態(tài)監(jiān)測機制（如圖1）。

圖1 方案設(shè)計圖

3 應(yīng)用效果

通過疊加土地利用現(xiàn)狀矢量圖和遙感圖，利用矢量數(shù)據(jù)的圖斑邊界信息將遙感影像分割成影像像斑，然后對影像像斑進行提取標(biāo)記點，漫水填充，分類提取，基于不同地類對應(yīng)的遙感影像識別深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練所需的大量訓(xùn)練樣本庫。優(yōu)選遙感影像地類識別對應(yīng)深度學(xué)習(xí)樣本庫的自動獲取方法，包括如下步驟：①邊緣映射，在同一坐標(biāo)系下疊加土地利用現(xiàn)狀矢量圖和遙感圖，然后將土地利用現(xiàn)狀矢量圖的邊界映射為由遙感圖中連續(xù)像元組成的閉合邊緣；②標(biāo)記點提取，在閉合邊緣內(nèi)部選取標(biāo)記點；漫水填充，通過標(biāo)記點進行漫水填充，并給對應(yīng)于每個填充區(qū)域的掩膜賦值和保存地類信息；③圖像分類提取，根據(jù)掩膜提取分割后圖像，并根據(jù)掩膜保存的土地利用現(xiàn)狀的地類信息進行分類保存，形成樣本庫。經(jīng)過大量的樣本庫訓(xùn)練之后，對自動提取的變化圖斑進行圖斑分類識別，辨別正樣本與負(fù)樣本，綜合參考圖斑位置信息、范圍信息等因素自動剔除偽變化，實現(xiàn)圖斑分類（如圖2）。

圖2 變化圖斑自動檢測分割

采用相同的數(shù)據(jù)圖斑，與ArcGIS和Envi這兩個非常流行的地理信息系統(tǒng)軟件和遙感圖像處理軟件的變化檢測方法進行對比（如圖3、4）。

圖3 同一區(qū)域的測試圖斑

基于自注意力機制的土地執(zhí)法智能感知體系，其區(qū)域變化識別正確率達到95%，變化地物分割完整性達85%，標(biāo)志性建筑檢索正確性達95%。相比于傳統(tǒng)的EV比值法與ArcGIS CCDC法,其區(qū)域變化識別正確率提高34%及40%，變化地物分割完整性提高50%和58%，具有良好的感知提取效率，可提高現(xiàn)有土地執(zhí)法行業(yè)的效率。實驗結(jié)果如表2所示。

表2 檢索結(jié)果表

圖4 應(yīng)用效果

4 結(jié) 語

本文針對常規(guī)的“外業(yè)人工巡查+內(nèi)業(yè)人工判別”模式存在的識別效率難以滿足快速發(fā)展城區(qū)的需求問題，圍繞違法用地監(jiān)管高效、精準(zhǔn)、精細的管控要求，利用新興的無人機低空遙感技術(shù)手段，結(jié)合地類要素及光譜知識的樣本庫的構(gòu)建、引入自注意力機制的深度學(xué)習(xí)模塊進行的地類變化智能感知、融合多源數(shù)據(jù)進行違法用地分析等先進技術(shù)，形成以專題“樣本字典”和自注意力機制變化感知為核心的快速監(jiān)測服務(wù)技術(shù)體系，解決國家重要戰(zhàn)略發(fā)展地區(qū)的精細管理。