中國(guó)地質(zhì)大學(xué)（北京） 王君豪 張浩然 時(shí)廣升 梅 鋼

遙感影像中提取道路目標(biāo)對(duì)城市發(fā)展、鄉(xiāng)村建設(shè)等具有重要意義。相比于日常地圖，遙感影像智能提取技術(shù)能更完整準(zhǔn)確地識(shí)別出農(nóng)村的道路情況。本文基于深度學(xué)習(xí)理論，使用二值語義分割網(wǎng)絡(luò)從遙感影像中提取出路網(wǎng)，并將路網(wǎng)應(yīng)用于石家莊農(nóng)村新冠疫情分布中，使用空間自相關(guān)分析路網(wǎng)與疫情分布的相關(guān)性。結(jié)果顯示，路網(wǎng)提取結(jié)果具有更高的準(zhǔn)確率，疫情的分布特征和傳播途徑與路網(wǎng)均有很強(qiáng)的正相關(guān)性。本文使用遙感影像分析的路網(wǎng)，具備一定的實(shí)際應(yīng)用價(jià)值，可為采取針對(duì)性的疫情防控措施提供理論依據(jù)。

近年來，隨著人工智能的發(fā)展，深度學(xué)習(xí)已經(jīng)成為了研究熱點(diǎn)。作為人工智能中發(fā)展最快的技術(shù)，深度學(xué)習(xí)在遙感影像分析領(lǐng)域取得了令人滿意的結(jié)果。道路作為遙感影像中的重要地物，其智能提取技術(shù)在抗震救災(zāi)、交通規(guī)劃、水利工程等方面都具有重要的應(yīng)用價(jià)值。

新冠肺炎疫情傳播性強(qiáng)，嚴(yán)重程度高，已成為世界上許多國(guó)家和地區(qū)的流行病，其傳播具有流行病學(xué)特征。自去年武漢疫情以來，石家莊最近又爆發(fā)了比較嚴(yán)重的新冠疫情，引起了全國(guó)上下的關(guān)注。為了分析此次 疫情分布特點(diǎn)，本文將遙感影像智能化提取的路網(wǎng)應(yīng)用于疫情傳播中，分析路網(wǎng)與疫情分布的相關(guān)性。

傳統(tǒng)路網(wǎng)提取方法大致可分為基于像元方法和面向?qū)ο蠓椒▋深?。前者在確定基本像元后，通過光譜分析識(shí)別分割出路網(wǎng)，后者則是對(duì)道路整體進(jìn)行建模，從圖像中識(shí)別出路網(wǎng)。兩種傳統(tǒng)方法雖相較人工提取方法有效率高，成本低等優(yōu)勢(shì)，但提取結(jié)果精準(zhǔn)度仍不太理想，且對(duì)于城市道路標(biāo)記較為準(zhǔn)確，而對(duì)農(nóng)村道路識(shí)別欠缺。

本文基于深度學(xué)習(xí)技術(shù)，從遙感影像分析出的農(nóng)村道路網(wǎng)具有更完整更準(zhǔn)確的特點(diǎn)，這種遙感影像智能提取方法可以高效快速獲得所需道路信息，更能反映實(shí)際的農(nóng)村道路分布情況。在本文的工作中，我們制作了遙感影像數(shù)據(jù)集，使用語義分割神經(jīng)網(wǎng)絡(luò)進(jìn)行道路提取任務(wù)的實(shí)驗(yàn)，并將實(shí)驗(yàn)結(jié)果應(yīng)用于新冠疫情，使用空間自相關(guān)分析得到疫情分布與路網(wǎng)的相關(guān)性。

1 材料與方法

1.1 材料來源

實(shí)驗(yàn)圖像來源于圖新地球衛(wèi)星遙感影像，選取河北石家莊正定國(guó)際機(jī)場(chǎng)及其周邊村莊8.741km×11.438km的矩形區(qū)域，實(shí)驗(yàn)部分區(qū)域如圖1所示。圖像包括道路、停車場(chǎng)、田地、房屋等多種場(chǎng)景信息。

圖1 實(shí)驗(yàn)區(qū)域部分遙感圖像

石家莊正定國(guó)際機(jī)場(chǎng)附近的村莊新冠肺炎疫情資料來源于河北省衛(wèi)生健康委員會(huì)，選取時(shí)間為2021年1月2日至7日。在該地區(qū)內(nèi)新冠肺炎病例短時(shí)間內(nèi)迅速增多，達(dá)到了傳染病聚集性疫情的標(biāo)準(zhǔn)。

1.2 研究方法

（1）遙感影像道路提?。菏紫戎谱鬟b感影像數(shù)據(jù)集，采用自主人工標(biāo)記標(biāo)簽的方式，將數(shù)據(jù)集中的道路進(jìn)行標(biāo)注，形成精確度高的道路數(shù)據(jù)集標(biāo)簽，用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練。接著，采用D-LinkNet語義分割神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)集訓(xùn)練、測(cè)試，得到道路提取結(jié)果。使用Python將提取小圖拼接，對(duì)機(jī)場(chǎng)附近道路情況進(jìn)行可視化展示，得到該區(qū)域的路網(wǎng)。

（2）相關(guān)性分析：采用空間自相關(guān)分析方法。利用全局空間自相關(guān)系數(shù)（Moran's I）分析疫情在空間上是否具有聚類特征，以Z檢驗(yàn)和P值進(jìn)行顯著性評(píng)價(jià)。局部空間自相關(guān)（Local Moran's I）用于分析不同空間單元與鄰近區(qū)域空間差異程度及其顯著水平。對(duì)于分析正定機(jī)場(chǎng)附近村莊疫情分布特征，該方法具有良好的適用性及研究?jī)r(jià)值。

2 結(jié)果與分析

2.1 遙感影像道路提取

2.1.1 數(shù)據(jù)集制作

獲取衛(wèi)星遙感影像后，使用ArcGIS軟件校正圖像的地理坐標(biāo)，使遙感圖像及其提取結(jié)果都帶有精確的地理坐標(biāo)，方便后續(xù)應(yīng)用。為了便于模型訓(xùn)練，本文對(duì)原始圖像做了裁剪處理，得到1862張衛(wèi)星瓦片數(shù)據(jù)，圖像分辨率為256×256。

圖2 圖像裁剪小圖

本文使用的是開源圖像標(biāo)注工具Labelme，它基于Python語言，使用QT開發(fā)界面，可以創(chuàng)建定制化標(biāo)注任務(wù)或執(zhí)行圖像標(biāo)注。本文為二值語義分割問題，只對(duì)道路這一個(gè)對(duì)象進(jìn)行標(biāo)注即可。軟件界面如圖3所示。為了標(biāo)注簡(jiǎn)單，選取的標(biāo)注底圖為原始大圖，標(biāo)注完成后裁剪為小圖并與遙感圖像小圖相對(duì)應(yīng)。標(biāo)記結(jié)果為png格式圖片，白色道路區(qū)域像素值為255，其余區(qū)域像素值為0。道路標(biāo)記結(jié)果如圖4所示。到此，本文所用的數(shù)據(jù)集制作完成。

圖3 Labelme界面

圖4 標(biāo)記結(jié)果

2.1.2 模型訓(xùn)練

本文使用D-LinkNet語義分割神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)采用編碼器-解碼器結(jié)構(gòu)、空洞卷積和預(yù)訓(xùn)練編碼器進(jìn)行道路提取任務(wù)，在高分辨率遙感影像識(shí)別任務(wù)中可以得到良好的道路提取結(jié)果。

深度學(xué)習(xí)模型訓(xùn)練需要大量的計(jì)算能力才能高效運(yùn)行，因而道路提取實(shí)驗(yàn)對(duì)電腦硬件要求較為嚴(yán)格。本文的操作系統(tǒng)為Windows10環(huán)境，使用GeForce GTX 1060顯卡，Anaconda配置的Python3.8環(huán)境，配置Pytorch1.7.1深度學(xué)習(xí)框架用于模型訓(xùn)練。詳細(xì)實(shí)驗(yàn)參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)詳細(xì)信息

本文的數(shù)據(jù)集分成1000個(gè)訓(xùn)練圖像，862張測(cè)試圖像。模型訓(xùn)練中，設(shè)置batch size=4，total epoch=300，學(xué)習(xí)率最初設(shè)定為0.0002，并且每運(yùn)行3個(gè)epoch學(xué)習(xí)率減少5%，使用BCE（二進(jìn)制交叉熵）+Dice系數(shù)作為損失函數(shù)，選擇Adam作為優(yōu)化器。

2.1.3 實(shí)驗(yàn)結(jié)果及分析

模型訓(xùn)練完畢，即得到遙感圖像道路提取模型。將待測(cè)試圖像輸入，即可輸出道路提取結(jié)果。部分提取結(jié)果如圖5所示。

圖5 部分道路提取結(jié)果

使用Python編程將小圖拼接為大圖，得到路網(wǎng)如圖6所示。從該圖中，可以直觀地看出石家莊正定機(jī)場(chǎng)及其附近村莊的道路分布情況。該區(qū)域交通便利，路網(wǎng)復(fù)雜，人員流通頻繁，這為疫情快速傳播提供了條件。

圖6 拼接后的路網(wǎng)

將路網(wǎng)與日常地圖（以百度地圖為例）對(duì)比分析，可發(fā)現(xiàn)路網(wǎng)能更完整地識(shí)別出農(nóng)村的道路特征，真實(shí)地還原實(shí)際的道路情況。百度地圖雖然能夠精準(zhǔn)顯示城市的道路，但對(duì)于農(nóng)村間道路的標(biāo)記卻不夠完整。從圖7可以看出，百度地圖基本沒有對(duì)農(nóng)村小路的標(biāo)記，這說明了遙感影像道路提取的優(yōu)越性，從而可以更精確地應(yīng)用于后續(xù)的疫情與路網(wǎng)相關(guān)性分析中。

圖7 百度地圖與路網(wǎng)對(duì)比分析（左為百度地圖，右為路網(wǎng)）

2.2 路網(wǎng)與疫情分布相關(guān)性分析

2.2.1 疫情分布概況

圖8 機(jī)場(chǎng)與出現(xiàn)病例村莊的位置關(guān)系

石家莊正定機(jī)場(chǎng)附近，截至1月7日，有8個(gè)村莊出現(xiàn)了新冠肺炎病例。其中小果莊村，劉家佐村和南橋寨村病例較多，分別為41例，35例和19例，其余5個(gè)村莊感染病例均為1至2例。各村疫情病例數(shù)如表2所示。

表2 各村疫情每日新增病例數(shù)

通過對(duì)機(jī)場(chǎng)附近村莊新冠肺炎感染情況的可視化呈現(xiàn)，可看出該地區(qū)感染病例具有很強(qiáng)的聚集性。

2.2.2 全局空間相關(guān)分析

采用空間自相關(guān)系數(shù)定量地描述各村莊疫情病例數(shù)在空間上的相關(guān)程度與分布特征Moran's I系數(shù)取值范圍為[-1～1]，當(dāng)取值＞0時(shí)表示空間呈正相關(guān)，越接近于1表示空間聚集性越強(qiáng)；當(dāng)取值＜0時(shí)表示空間呈負(fù)相關(guān)，越接近于-1表示空間差異性越大；當(dāng)取值=0時(shí)表示空間不相關(guān)。

顯著性檢驗(yàn)：采用標(biāo)準(zhǔn)化統(tǒng)計(jì)量Z值，P值來判斷全局空間聚集性是否具有統(tǒng)計(jì)學(xué)意義及分析統(tǒng)計(jì)學(xué)特征以病例最多的小果莊村為例，計(jì)算得到其各指標(biāo)值：Moran's I=0.1287>0，Z=2.4353>1.96且P=0.04<0.05。表明該區(qū)新冠肺炎感染明顯為空間正相關(guān)分布，且呈聚集性分布，聚集性具有統(tǒng)計(jì)學(xué)意義。

2.2.3 局部空間相關(guān)分析

采用局部空間自相關(guān)性系數(shù)（Local Moran's I）分析：

根據(jù)Local Moran's I可分出4種類型空間聚集模式。Local Moran's I小于0時(shí)表示村莊和其周邊村莊之間空間差異性大。分為低-高聚集：感染人數(shù)低于平均值的地區(qū)（低值地區(qū)）被病例高于平均值的地區(qū)（高值地區(qū)）包圍；高－低聚集：高值地區(qū)被低值地區(qū)包圍。Local Moran's I大于0時(shí)表示村莊和其周邊村莊之間空間差異性小。分為高-高聚集：高值地區(qū)被高值地區(qū)包圍；低-低聚集：低值地區(qū)被低值地區(qū)包圍。

局部自相關(guān)分析顯示，機(jī)場(chǎng)附近村莊新冠肺炎疫情分布主要表現(xiàn)為空間正相關(guān)，存在高—高、高—低和低—低三種聚集形式，分別位于劉家佐村周圍聚集區(qū)，小果莊村周圍聚集區(qū)以及吳村鋪村周圍聚集區(qū)。小果莊村為高度聚集區(qū)，附近路網(wǎng)分布密集，人流量大，疫情分布與路網(wǎng)具有很強(qiáng)的相關(guān)性。

2.2.4 疫情傳播與路網(wǎng)相關(guān)性

經(jīng)過調(diào)查，小果莊村存在若干名機(jī)場(chǎng)務(wù)工人員，在1月2日前在兩地有過往返經(jīng)歷，而機(jī)場(chǎng)人流量大，屬于病毒傳播高風(fēng)險(xiǎn)區(qū)，這可能是導(dǎo)致小果莊村首先出現(xiàn)大批量感染患者的關(guān)鍵原因。

以小果莊村為中心，疫情傳播與路網(wǎng)具有很強(qiáng)的相關(guān)性。小果莊村成為周圍村莊的傳染源，以其為中心有兩條十字交叉的道路，連通附近村莊，南北向連接劉家佐村、南橋寨村以及北橋寨村，東西向連接牛家莊村和東橋寨村。

圖9 以小果莊村為中心的兩條十字交叉道路

由于交通便利，人員流通頻繁，且人口密度較大，新冠疫情傳播迅速。南北向道路流量較大，這可能是劉家佐村和南橋寨村感染人數(shù)增長(zhǎng)過高的原因。三個(gè)村莊及其附近區(qū)域都是重點(diǎn)聚集區(qū)，需重點(diǎn)關(guān)注，加大疫情監(jiān)測(cè)強(qiáng)度，并提前采取針對(duì)性防控措施；在非熱點(diǎn)地區(qū)也應(yīng)保持疫情監(jiān)測(cè)的敏感性。

3 結(jié)論

本文對(duì)遙感影像中道路目標(biāo)的提取進(jìn)行分析，旨在得到更準(zhǔn)確的提取結(jié)果。基于深度學(xué)習(xí)技術(shù)，使用語義分割網(wǎng)絡(luò)對(duì)自制的遙感影像數(shù)據(jù)集訓(xùn)練、測(cè)試，得到了石家莊國(guó)際機(jī)場(chǎng)及其附近的路網(wǎng)分布圖。而后，將路網(wǎng)應(yīng)用于疫情分析中，使用空間自相關(guān)分析路網(wǎng)與疫情分布的相關(guān)性。結(jié)果顯示，機(jī)場(chǎng)附近村莊疫情呈空間正相關(guān)分布，并具有典型的聚集性，并以小果莊村為重度聚集中心。本文使用遙感影像提取路網(wǎng)，可客觀全面反映農(nóng)村道路信息，具備一定的實(shí)際應(yīng)用價(jià)值。