舒文強，蔣光毅，郭宏忠，張志蘭，文 力

(1.重慶市地理信息和遙感應(yīng)用中心，重慶 401147； 2.重慶市水土保持監(jiān)測總站，重慶 401147；3.重慶市水利局，重慶 401147)

生產(chǎn)建設(shè)項目在施工中會造成地表擾動、植被損毀和土壤侵蝕。目前，我國的生產(chǎn)建設(shè)項目具有數(shù)量多、分布廣、跨度大等特點，傳統(tǒng)的監(jiān)管方式和手段已難以適應(yīng)加強事中事后監(jiān)管的要求，成為水土保持改革發(fā)展的重要短板和面臨的突出問題。2021年3月29日水利部辦公廳印發(fā)了《2021年水土保持工作要點》，明確指出實施人為水土流失衛(wèi)星遙感監(jiān)管，各省級水行政主管部門要按照生產(chǎn)建設(shè)項目水土保持監(jiān)管信息化應(yīng)用的有關(guān)要求，開展覆蓋全省的衛(wèi)星遙感監(jiān)管。采用遙感監(jiān)測和現(xiàn)場復(fù)核相結(jié)合的方法，通過信息共享、分工協(xié)作和上下協(xié)同，可以實現(xiàn)對區(qū)域內(nèi)所有生產(chǎn)建設(shè)項目擾動狀況的整體性、全局性監(jiān)管。

隨著航空航天技術(shù)的高速發(fā)展，衛(wèi)星遙感技術(shù)獲取空間數(shù)據(jù)的能力和質(zhì)量不斷提高，高分辨率遙感影像變化檢測在環(huán)境監(jiān)測、地理信息測繪、水土保持等領(lǐng)域有著廣泛應(yīng)用。近年來，深度學(xué)習(xí)理論憑借其優(yōu)異的回歸性能被廣泛地應(yīng)用到各個領(lǐng)域，它突破了傳統(tǒng)算法的約束，具有很強的泛化能力。將深度學(xué)習(xí)理論應(yīng)用到高分辨率遙感影像變化檢測，對水土保持衛(wèi)星影像變化圖斑提取具有重要意義。

1 研究區(qū)概況

重慶位于我國西部中緯度地帶，介于東經(jīng)105°11′～110°11′、北緯28°10′～32°13′之間，土地總面積8.24萬km2；氣候溫和，屬亞熱帶季風氣候區(qū)，年均氣溫16～18 ℃，重慶多霧，素有“霧都”之稱；地處青藏高原與長江中下游平原的過渡地帶，北部、東部及南部分別有大巴山、巫山、武陵山、大婁山環(huán)繞；地貌以山地、丘陵為主，坡地面積較大，有“山城”之稱。重慶市屬典型的山地城市，地表覆蓋圖斑破碎、復(fù)雜多樣，加之經(jīng)濟社會快速發(fā)展，地表空間信息變化頻繁，變化圖斑辨識難度較大，且由于常年多云、多霧，影像采集十分困難。

2 數(shù)據(jù)來源和預(yù)處理

本研究主要選取高分一號、高分二號、高分六號、TH-1、ZY-102C、ZY-3等衛(wèi)星數(shù)據(jù)進行處理，前時相為2020年10—12月，后時相為2021年1—3月。本研究中數(shù)據(jù)預(yù)處理過程主要包括輻射增強、光譜融合、正射校正、影像配準等，如圖1所示。

圖1 影像預(yù)處理

3 技術(shù)路線與研究方法

3.1 技術(shù)路線

本研究基于人工智能的兩期遙感影像變化智能檢測，主要采用基于語義信息卷積神經(jīng)網(wǎng)絡(luò)先分類后檢測和基于端到端孿生深度神經(jīng)網(wǎng)絡(luò)變化圖斑提取相結(jié)合的方式，技術(shù)路線見圖2。前者利用卷積神經(jīng)網(wǎng)絡(luò)分類模型對已有的遙感解譯樣本庫進行遙感分類訓(xùn)練，再對前后時相遙感影像分別進行處理，得到前后時相成果，然后對比分析獲取變化圖斑。后者直接標定變化樣本，通過孿生網(wǎng)絡(luò)訓(xùn)練變化檢測模型，直接對前后時相兩期影像進行變化檢測，得到變化圖斑。本研究對兩種方法獲得的變化圖斑進行融合分析，再進行人工復(fù)核，最終獲得變化圖斑。

圖2 技術(shù)路線

3.2 研究方法

深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)近年來得到快速發(fā)展，在自然影像分類、檢測、分割等計算機視覺任務(wù)上的精度不斷提升[4]。越來越多的研究工作將深度學(xué)習(xí)理論引入遙感影像處理，相較于傳統(tǒng)的手工特征提取方法，基于深度學(xué)習(xí)理論的遙感影像處理方法準確率明顯提升。但受時相、季節(jié)及傳感器的影響，不同來源的遙感影像相同區(qū)域顏色與紋理特征分布不均、投影差大，使得現(xiàn)有的自動解譯和變化檢測等遙感識別算法的精度低、虛警高，導(dǎo)致基于計算機自動處理的遙感影像處理方法難以在實際工作中得到應(yīng)用。因此，本研究采用基于語義信息的變化圖斑提取方法和基于端到端深度神經(jīng)網(wǎng)絡(luò)的變化圖斑提取方法，并將兩種方法提取到的變化圖斑進行融合分析，得到最終的變化圖斑，解決變化檢測虛警多、魯棒性差的問題，以提高變化圖斑的精準度和檢出率。

3.2.1 基于語義信息的變化圖斑提取

基于語義信息的變化圖斑提取方法利用共享參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)對前后期影像進行解譯，得到前后兩期影像語義信息，通過比較兩期影像的語義信息輸出變化圖斑。流程示意如圖3所示。

圖3 基于語義信息的變化圖斑提取方法流程

基于語義信息的變化圖斑提取方法的性能依賴于解譯結(jié)果的精度，但遙感影像中地物目標尺度變化大的問題一直阻礙著遙感影像解譯精度的提高，因此本研究設(shè)計了一種多尺度優(yōu)化網(wǎng)絡(luò)，用于處理遙感影像像素級語義分割任務(wù)。該網(wǎng)絡(luò)充分利用卷積神經(jīng)網(wǎng)絡(luò)池化操作所隱含的尺度信息，對影像尺度進行編碼，同時通過卷積層抑制感受視野尺度變化帶來的問題，使網(wǎng)絡(luò)的感受視野保持在合適范圍，并在網(wǎng)絡(luò)中嵌入多標簽流形排序優(yōu)化方法，用于融合影像特征編碼所需的先驗知識。

對卷積層和池化層的改進通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)得以實現(xiàn)，多標簽流形排序方法融合先驗知識的方法具體步驟：給定一張遙感影像，是由像素點所構(gòu)成的集合；語義分割的過程，目的是將每一個像素點pi歸類為K種可能類別之一，每一個像素點pi將會被分配至具有最大流形排序值所對應(yīng)的標簽索引上。令fk(pi)表示像素點pi的第k種類別所對應(yīng)的流形排序值，那么像素點pi被分配的最優(yōu)標簽，即最大流形排序值的類別索引可以用公式表示為

(1)

多標簽流形排序優(yōu)化能量式可寫為如下形式

(2)

式中：第一項為擬合約束；第二項為平滑約束；θ為待學(xué)習(xí)的參數(shù)，對θ進行連續(xù)域內(nèi)前向傳播和反向傳播求解，即可得能量式到端對端的表達。

3.2.2 基于端到端深度網(wǎng)絡(luò)的變化圖斑提取

基于端到端深度網(wǎng)絡(luò)的變化圖斑提取方法的流程示意見圖4。將前后期影像分別輸入到網(wǎng)絡(luò)中，其中：在編碼部分，采用權(quán)值共享的孿生神經(jīng)網(wǎng)絡(luò)，對前后期影像進行逐層的特征提取；在解碼部分，從高維特征逐層的運用上采樣進行解碼，在每一層上采樣前將對應(yīng)的編碼特征拼接到當前的特征中，再進行下一層的上采樣。通過這種編碼與解碼的對偶特征結(jié)合，得到最后的變化圖斑。

圖4 基于端到端深度網(wǎng)絡(luò)的變化圖斑提取方法流程

模型參數(shù)通過變化圖斑與真實變化圖斑之間的誤差訓(xùn)練得到，假設(shè)gt表示變化檢測真值，pred表示輸出的預(yù)測特征值，則誤差的計算過程為

Lθ(gt,pred)=-pw×gt×log2[sigmoid(pred)]-(1-gt)×log2[1-sigmoid(pred)]

(3)

式中：Lθ(gt,pred)為變化檢測預(yù)測結(jié)果與真值之間的誤差；pw為變化區(qū)域與未變化區(qū)域的均衡因子。

遙感影像中，未變化的區(qū)域像素數(shù)量遠多于變化區(qū)域的像素數(shù)量，導(dǎo)致計算得到的梯度優(yōu)化方向被未變化區(qū)域主導(dǎo)，從而極大降低了模型的訓(xùn)練速度，而通過均衡因子pw抑制未變化區(qū)域的損失，提高變化區(qū)域損失的比例，可加快模型的收斂速度。

計算得到模型推理的誤差后，采用隨機梯度下降法(SGD)計算模型中參數(shù)的梯度，并對參數(shù)進行優(yōu)化。此外，對輸入的訓(xùn)練樣本進行隨機的裁剪、翻轉(zhuǎn)、旋轉(zhuǎn)等數(shù)據(jù)增強操作，以增加樣本的多樣性及復(fù)雜性，從而提高模型的泛化能力。

4 結(jié)果分析

本研究采用的變化檢測方法能夠通過計算機算法快速高效地從遙感影像中自動提取得到水土保持典型要素變化的區(qū)域和變化行為初步判定結(jié)果，如豐水期到枯水期岸線變化、水系填埋、耕地變?yōu)榻ㄖ锏茸兓畔ⅰD5給出了部分遙感影像變化檢測的結(jié)果，其中紅色矢量為變化區(qū)域邊界。從圖5中可以發(fā)現(xiàn)，本研究采用的變化檢測方法能夠較為準確地定位地物類型發(fā)生變化的區(qū)域，提取得到的變化圖斑邊界與實際的變化區(qū)域較為貼合。為了保證算法能夠?qū)⑦b感影像中的變化區(qū)域盡可能地提取出來，本研究采用調(diào)節(jié)閾值的方式提高了算法對于變化圖斑的敏感度，因此結(jié)果中出現(xiàn)了因季節(jié)性變化導(dǎo)致的部分耕地、林地被誤檢，但這些變化圖斑在后期只需少量的人工檢查校正便可修改完成。

此外，本研究采用的方法不僅能夠較為準確地定位影像中變化區(qū)域的位置，而且能夠自動提取變化圖斑前后期具體的地物類型，為后續(xù)的分析工作、具體業(yè)務(wù)的開展提供數(shù)據(jù)支持。圖6—9為河流、水塘、耕地、林地變化檢測的部分結(jié)果。

圖5 前后影像變化檢測結(jié)果

圖6 河流豐水期到枯水期岸線變化

圖7 疑似水塘被填埋搞建設(shè)區(qū)域

圖8 疑似耕地破壞建設(shè)區(qū)域

圖9 疑似毀林開墾區(qū)域

綜合上述結(jié)果可以發(fā)現(xiàn)，本研究采用的方法不僅能夠自動發(fā)現(xiàn)疑似水土保持擾動變化圖斑，為水土保持監(jiān)督執(zhí)法提供線索，還能夠發(fā)現(xiàn)河流、湖泊等岸線變化，為水土保持監(jiān)測提供技術(shù)支撐。

5 結(jié) 語

本研究基于重慶市高分辨率國產(chǎn)衛(wèi)星影像數(shù)據(jù)，基于深度學(xué)習(xí)理論對生產(chǎn)建設(shè)項目變化圖斑進行提取，大大提高了水土保持監(jiān)測監(jiān)管的工作效率。文中使用的基于語義信息卷積神經(jīng)網(wǎng)絡(luò)先分類后檢測和基于端到端孿生深度神經(jīng)網(wǎng)絡(luò)變化圖斑提取相結(jié)合方式，充分利用前者漏檢較少、誤檢較多，后者誤檢較少、但存在漏檢的特點，兩者相互補充，相輔相成，減少了虛警，增加了魯棒性。針對生產(chǎn)建設(shè)擾動圖斑擴充解譯樣本庫，進一步提升變化圖斑提取效率和精度，是下一步重點研究的目標。