馬曉宇， 張新， 劉吉磊， 周楠， 劉克儉， 魏春山， 楊鵬

(1.河北工程大學(xué)地球科學(xué)與工程學(xué)院，邯鄲 056000； 2.中國科學(xué)院空天信息創(chuàng)新研究院遙感科學(xué)國家重點研究室，北京 100101； 3.中國科學(xué)院大學(xué)，北京 100101； 4.中國人民公安大學(xué)公安遙感應(yīng)用工程技術(shù)研究中心，北京 100101； 5.蘇州喆鑫信息科技有限公司，蘇州 215000)

0 引言

我國陸地邊境線總長逾2.28萬km，同印度、蒙古、巴基斯坦等15個國家接壤，西藏與緬甸、印度、不丹、尼泊爾、克什米爾等5國相鄰，陸地邊境縣市多達21個[1]。受邊境效應(yīng)、邊境地區(qū)發(fā)展條件以及邊境兩端競爭性政治和經(jīng)濟策略的共同作用，沿著國家邊境線分布的地區(qū)出現(xiàn)大規(guī)模人口遷移現(xiàn)象，導(dǎo)致陸地邊境地區(qū)“空心化”問題的產(chǎn)生[2-3]。這不再僅僅是人口外流和城市發(fā)展的問題，而是典型的邊界安全問題。新時期以來，中國邊境的戰(zhàn)略地位日益重要，但邊境安全問題日益突出，提高邊境城鎮(zhèn)化水平是保障邊境安全的重要途徑[4]。

目前，國內(nèi)針對“京津冀協(xié)同發(fā)展”、“長三角一體化發(fā)展”、“粵港澳大灣區(qū)建設(shè)”等重大戰(zhàn)略， 將城市擴張研究中心多放于內(nèi)陸中心城市[5-9]，對邊境地區(qū)關(guān)注甚少[10]。國外將關(guān)注點聚焦在經(jīng)濟、人口發(fā)展較快的城市[11-15]，對發(fā)展遲緩、人煙稀少的邊境交界地帶鮮有研究。邊境地區(qū)因其地理位置和政治地位的特殊性，精準(zhǔn)獲取鄰邊城市的發(fā)展情況對我國邊境安防部署尤為重要。已有研究顯示，內(nèi)陸中心城市有效區(qū)域占比大于無效區(qū)域，研究大多采用的影像為Landsat系列數(shù)據(jù)[16-20]、DMSP/OLS夜光數(shù)據(jù)[21-23]、MODIS產(chǎn)品數(shù)據(jù)[24-25]等中低空間分辨率數(shù)據(jù)，可通過傳統(tǒng)機器學(xué)習(xí)方法以及人機交互的方式對研究區(qū)建成區(qū)進行統(tǒng)計，而對于邊境地區(qū)，無效區(qū)域占比遠大于有效區(qū)域，繼續(xù)使用傳統(tǒng)方案不但無法提升分析效率，分析結(jié)果的精度也會受到影響。其次，城市擴張一般被視為影響城市經(jīng)濟和生態(tài)的驅(qū)動力因子[26-31]，少有將其與城市安全性聯(lián)系起來，分析城市的自保能力。針對上述研究不足，要對城市發(fā)展及安防進行更準(zhǔn)確的評估，需要從土地分類方法、分類尺度以及跨領(lǐng)域結(jié)合3方面進行優(yōu)化。

本次研究主要探究邊境城市發(fā)展態(tài)勢及安防問題，主要包括3部分： ①利用D-LinkNet深度學(xué)習(xí)網(wǎng)絡(luò)對研究區(qū)建筑物及道路進行提取； ②在Fragstats平臺中通過12種景觀指數(shù)完成對研究區(qū)發(fā)展態(tài)勢分析； ③通過研究城市建筑面積的變化情況估算戍邊人口，探究城市發(fā)展特點及其戍邊能力。

1 研究區(qū)概況

本文研究區(qū)位于我國西藏阿里地區(qū)札達縣托林鎮(zhèn)、噶爾縣獅泉河鎮(zhèn)和普蘭縣普蘭鎮(zhèn)。西藏邊境地區(qū)地廣人稀，為聚焦研究問題，選取各鎮(zhèn)政府所在地周邊為研究區(qū)域。托林鎮(zhèn)隸屬于阿里地區(qū)札達縣，為札達縣人民政府駐地，是全縣經(jīng)濟政治文化中心。獅泉河鎮(zhèn)是阿里地區(qū)行政公署和噶爾縣人民政府駐地鎮(zhèn)，是西藏西部的交通樞紐、經(jīng)濟文化和邊境貿(mào)易中心。普蘭鎮(zhèn)隸屬普蘭縣，是普蘭縣黨政機關(guān)駐地，是西藏西北部對外貿(mào)易的主要口岸之一。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)信息及預(yù)處理

通過Google Earth平臺，獲取了札達縣托林鎮(zhèn)部分區(qū)域(2002年、2013年、2015年、2018年)、噶爾縣獅泉河鎮(zhèn)部分區(qū)域(2004年、2013年、2016年、2020年)和普蘭縣普蘭鎮(zhèn)部分區(qū)域(2005年、2011年、2016年、2018年)4期衛(wèi)星遙感影像。

本文選擇與研究區(qū)相鄰的日土縣和革吉縣作為樣本區(qū)制作建筑物和道路的樣本集，其中建筑物樣本50個，道路樣本52個，按照7∶2∶1的比例劃分訓(xùn)練集、測試集和驗證集。為了提升模型的學(xué)習(xí)效果，對訓(xùn)練樣本集影像及對應(yīng)標(biāo)簽進行隨機裁剪、翻轉(zhuǎn)和鏡像，將訓(xùn)練數(shù)據(jù)集擴充至原來的16倍。

2.2 研究方法

研究采用D-LinkNet網(wǎng)絡(luò)模型實現(xiàn)對研究區(qū)內(nèi)建筑物和道路自動化提取，并對提取的建筑物和道路進行計算和分析，分析結(jié)果用以評估城市發(fā)展和安保情況。評估城市發(fā)展和安保情況主要從鄉(xiāng)鎮(zhèn)建筑發(fā)展速率(development of township buildings rate，DTBR)、鄉(xiāng)鎮(zhèn)道路發(fā)展速率(development of township roads rate，DTRR)、景觀格局指數(shù)和戍邊能力4個方面出發(fā)。技術(shù)流程如圖1所示。

圖1 技術(shù)流程

2.2.1 鄉(xiāng)鎮(zhèn)建筑發(fā)展速率

DTBR表示鄉(xiāng)鎮(zhèn)在一段時間內(nèi)建筑面積的變化情況。若DTBR>0，則表示在該時間段內(nèi)建筑面積在增加； 反之，建筑面積在減少。公式為：

DTBR=(STB2-STB1)/d(1-2)

，

(1)

式中：STB1和STB2分別為T1和T2時間鄉(xiāng)鎮(zhèn)建筑總面積；d(1-2)為T1時間與T2時間的時間間隔。默認T2時間在T1時間之后，例如T2為2020年，T1為2010年。

2.2.2 鄉(xiāng)鎮(zhèn)道路發(fā)展速率

DTRR表示鄉(xiāng)鎮(zhèn)在一段時間內(nèi)道路面積的變化情況。若DTRR>0，則表示在該時間段內(nèi)道路面積在增加； 反之，道路面積在減少。公式為：

DTRR=(STR2-STR1)/d(1-2)

，

(2)

式中STR1和STR2分別為T1和T2時間鄉(xiāng)鎮(zhèn)道路總面積。

2.2.3 D-LinkNet網(wǎng)絡(luò)

D-LinkNet網(wǎng)絡(luò)繼承了LinkNet網(wǎng)絡(luò)編碼-解碼結(jié)構(gòu)，并在其網(wǎng)絡(luò)框架基礎(chǔ)上引入膨脹卷積層作為中心部分來擴大感受野，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，圖中m表示特征圖長度；n表示特征圖寬度。

圖2 D-LinkNet34網(wǎng)絡(luò)結(jié)構(gòu)

針對高分辨率衛(wèi)星影像地物識別，D-LinkNet算法相比UNet，LinkNet和PSPNet等算法有明顯優(yōu)勢。由于輸入的數(shù)據(jù)源為高分辨率圖像，要求網(wǎng)絡(luò)需要有較大的接受范圍得以覆蓋整個圖像，又考慮提取目標(biāo)自身天然的連通性和復(fù)雜細長的特點，前景背景占比懸殊，在提取過程中需要保存詳細的空間信息，傳統(tǒng)的方法是通過pooling層增大感受野后通過上采樣的方式恢復(fù)之前的分辨率，但在恢復(fù)過程中難免會將一些特征信息損失掉，而D-LinkNet自身在LinkNet的框架基礎(chǔ)上，在中心部分引入了膨脹卷積層[32]，不需要通過pooling層以降低特征圖分辨率為代價來擴大視野域，這樣由外界因素帶來的分割難題迎刃而解。

訓(xùn)練提取流程如圖3所示。建筑物和道路的提

圖3 訓(xùn)練提取流程

取其實是像素級的二值語義分割任務(wù)。在高分辨率衛(wèi)星圖像中的道路細長且復(fù)雜，并且僅覆蓋整幅圖像的一小部分，保留詳細的空間信息對提取完整道路格外重要。同時，道路自身跨度大，可能會貫穿整個樣本，需要較大的視野域?qū)Φ缆返倪B通性以及跨度特征進行學(xué)習(xí)，D-LinkNet模型中附加的膨脹卷積層可以較好地擴充視野域，解決道路提取問題。另外從D-LinkNet框架結(jié)構(gòu)出發(fā)，其主干是在Unet的結(jié)構(gòu)基礎(chǔ)上進行優(yōu)化得來，Unet模型最初用于生物細胞圖像分割，近年來與遙感結(jié)合實現(xiàn)了對影像地物的分類，且取得了不錯的效果[33]。本文基于D-LinkNet模型對研究區(qū)建筑物進行提取，經(jīng)過多次實驗驗證，效果滿足研究需求。

2.2.4 景觀指數(shù)

景觀指數(shù)，通過簡單的定量指標(biāo)濃縮景觀格局信息[34]，反映地物類型空間配置和景觀組成特征，通過分析景觀指數(shù)變化來間接描述景觀及組成景觀各斑塊的演變過程。本次研究分別從景觀水平和斑塊類型2個層面分析邊境城市發(fā)展特征。通過分析城市房屋建筑物和道路的形狀及分布特征，參考相關(guān)文獻，從4個景觀指標(biāo)類中初步選取了12個景觀指數(shù)。在斑塊類型(Class)層面，選取了斑塊類型面積(CA)、斑塊所占景觀面積比(PLAND)、邊緣密度(ED)、斑塊密度(PD)、聚合度(AI)和凝聚度(COHESION)。景觀水平(Land)層面，選取了景觀面積(TA)、蔓延度(CONTAG)、景觀分裂指數(shù)(DIVISION)、分離度(SPLIT)、香濃多樣性指標(biāo)(SHDI)和香濃均勻指標(biāo)(SHEI)。具體的景觀指數(shù)類型劃分見表1。

表1 城市景觀指數(shù)類型

2.2.5 戍邊能力

人是戍邊行為主體，也是整個戍邊活動最能動、起到?jīng)Q定性的因素。人的多少，直接反映當(dāng)?shù)厥吥芰Φ膹娙酰疚耐ㄟ^D-LinkNet深度學(xué)習(xí)網(wǎng)絡(luò)提取3個鎮(zhèn)的建筑物，并計算建筑總面積，依據(jù)計算公式(3)對邊境鄉(xiāng)鎮(zhèn)人口總數(shù)進行預(yù)估，透露出邊境安防現(xiàn)狀，為祖國邊防事業(yè)獻計獻策[35]，即

G=TS/S

，

(3)

式中：G為區(qū)域戍邊能力；TS為研究區(qū)建筑總面積；S為全國人均居住面積，數(shù)據(jù)來源于國家統(tǒng)計局歷年統(tǒng)計年鑒。

3 結(jié)果與分析

3.1 精度評定

對比本文用到的深度學(xué)習(xí)方法在地物提取方面的準(zhǔn)確性和有效性，同時選用傳統(tǒng)的支持向量機(support vector machine，SVM)分類方法對研究區(qū)進行同步分類。3個鄉(xiāng)鎮(zhèn)4期影像SVM分類結(jié)果總體精度在70%～90%，D-LinkNet網(wǎng)絡(luò)分類精度在80%～90%。如圖4所示，獅泉河鎮(zhèn)2020年SVM分類總體精度85.18%，Kappa系數(shù)為0.868，但研究區(qū)內(nèi)大量硬化路面被誤劃分為建筑物，建筑面積被嚴(yán)重高估，無法用建筑面積變化推測居住人口變化情況。而基于D-LinkNet網(wǎng)絡(luò)分類結(jié)果顯示，提取的建筑物以獨立單元呈現(xiàn)，減少了硬化路面對建筑面積的影響，精度和交集占并集的比重(intersection over union，IOU)分別為85.2%和79.3%。托林鎮(zhèn)和普蘭鎮(zhèn)2018年分類結(jié)果對比如圖5所示。3個鎮(zhèn)部分年齡分類精度評價如表2所示。驗證結(jié)果說明，利用D-LinkNet深度學(xué)習(xí)網(wǎng)絡(luò)可實現(xiàn)城市建設(shè)用地長時間序列、精細化分類。

(a) D-LinkNet分類結(jié)果(b) SVM分類結(jié)果

(c) D-LinkNet結(jié)果局部放大(d) SVM結(jié)果局部放大

(a) 托林鎮(zhèn)D-LinkNet結(jié)果(b) 托林鎮(zhèn)SVM結(jié)果

(c) 普蘭鎮(zhèn)D-LinkNet結(jié)果(d) 普蘭鎮(zhèn)SVM結(jié)果

表2 分類精度評價

3.2 斑塊類型指數(shù)分析

3個鄉(xiāng)鎮(zhèn)不同時期斑塊類型指數(shù)如圖6所示。①CA。由于獅泉河鎮(zhèn)CA值與其他2鎮(zhèn)相差較大、數(shù)值對應(yīng)右側(cè)坐標(biāo)軸。從圖6(a)和圖7中可以看出，2002—2018年托林鎮(zhèn)建筑物CA總體呈現(xiàn)上升趨勢，具體表現(xiàn)為2013—2015年建筑物CA增長速率最快，DTBR值為143.12 hm2/a，2002—2013年期間的CA增長速率較慢，DTBR值僅為43.93 hm2/a。對比道路CA變化情況，如圖7(b)， 2013—2015年道路CA增長速率最慢，DTRR值僅為24.54 hm2/a，道路增長速率最快的時期出現(xiàn)在2015—2018年，DTRR值高達117.29 hm2/a。普蘭鎮(zhèn)的發(fā)展態(tài)勢和托林鎮(zhèn)相似， 2005—2011年DTBR值可達到102.54 hm2/a，但DTRR值僅為31.05 hm2/a(最低值)，2011—2016年DTBR值和DTRR值分別為34.06 hm2/a(最低值)和76.63 hm2/a。與托林鎮(zhèn)不同的是，普蘭鎮(zhèn)DTBR值和DTRR值的峰值均出現(xiàn)在2016—2018年期間，分別為240.47 hm2/a和162.26 hm2/a，域內(nèi)房建和交通同步高速發(fā)展。獅泉河鎮(zhèn)整體發(fā)展態(tài)勢呈上升趨勢，但DTBR值和DTRR值峰值出現(xiàn)在2013—2016年，分別為1 217.08 hm2/a和737.64 hm2/a，結(jié)合2016—2020年鄉(xiāng)鎮(zhèn)發(fā)展速率值，發(fā)現(xiàn)獅泉河鎮(zhèn)發(fā)展有用力過猛、動力不足的態(tài)勢，需要尋找新的發(fā)展動力源。②PLAND。圖6(c)和(d)呈現(xiàn)了3個鄉(xiāng)鎮(zhèn)PLAND的變化情況，直觀反映了托林鎮(zhèn)、普蘭鎮(zhèn)和獅泉河鎮(zhèn)的發(fā)展?fàn)顩r，即托林鎮(zhèn)和普蘭鎮(zhèn)前期側(cè)重發(fā)展現(xiàn)象較嚴(yán)重，后期發(fā)展逐漸趨于均衡； 獅泉河鎮(zhèn)建筑物和道路發(fā)展速率趨于一致，在其PLAND值上反應(yīng)不明顯。③PD。圖6(e)顯示，3個鄉(xiāng)鎮(zhèn)PD值的變化規(guī)律大致相仿，表現(xiàn)為先降低后回升。2013年后建筑物PD值直線下降，分析由于邊境地區(qū)大力開荒拓土，致使建筑物PD值逐年降低。2016年開始，隨著邊境地區(qū)常駐人口的增多，區(qū)域內(nèi)建筑物逐漸增多，PD值逐漸回升。④ED。ED指的是景觀范圍內(nèi)單位面積上異質(zhì)景觀斑塊間的邊緣長度，值越大分布越分散。從圖6(f)數(shù)據(jù)分析可以發(fā)現(xiàn)，3個地區(qū)ED值呈現(xiàn)上升態(tài)勢，建筑物和道路呈現(xiàn)分散均勻分布。獅泉河鎮(zhèn)和普蘭鎮(zhèn)的ED值中期出現(xiàn)下降的情況，對比表3—4地物提取結(jié)果和AI值變化情況(圖6(g))發(fā)現(xiàn)，受期間域內(nèi)新增建筑物和道路所致。⑤COHESION。3個鄉(xiāng)鎮(zhèn)的道路COHESION指數(shù)如圖6(h)所示，托林鎮(zhèn)和普蘭鎮(zhèn)COHESION值呈現(xiàn)先降后升趨勢，反映當(dāng)?shù)氐缆愤B通性在中期一度惡化，后期逐漸得以改善。相反，獅泉河鎮(zhèn)COHESION值呈現(xiàn)先升后降趨勢，反映城市道路趨于飽和，隨著建筑單元的持續(xù)增加，打破了道路飽和的現(xiàn)狀，連通性有下降態(tài)勢。

(a) 建筑物CA(b) 道路CA(c) 建筑物PLAND(d) 道路PLAND

(e) 建筑物PD(f) 道路ED(g) 建筑物AI(h) 道路COHESION

圖6 3個鄉(xiāng)鎮(zhèn)不同時期斑塊類型指數(shù)變化

(a) DTBR (b) DTRR

表3 3個鄉(xiāng)鎮(zhèn)不同時期建筑變化可視化

表4 3個鄉(xiāng)鎮(zhèn)不同時期道路變化可視化

3.3 景觀水平指數(shù)分析

3個鄉(xiāng)鎮(zhèn)不同時期景觀水平指數(shù)如圖8所示。①TA。如圖8(a)所示，3個地區(qū)TA值均呈不同程度的上升，結(jié)合各地區(qū)CA和PLAND值的變化情況，景觀TA的變化趨勢和建筑物斑塊CA的變化趨勢相仿，符合實際情況。②CONTAG。CONTAG反應(yīng)景觀里斑塊類型的離散或聚合程度。如圖8(b)所示，獅泉河鎮(zhèn)和普蘭鎮(zhèn)CONTAG值有較小的上升，托林鎮(zhèn)CONTAG值在下降。表明獅泉河鎮(zhèn)和普蘭鎮(zhèn)建筑物和道路聚合程度逐年提升，鄉(xiāng)鎮(zhèn)沒有明顯向外擴張跡象。反觀托林鎮(zhèn)，受城市擴張的影響，景觀內(nèi)斑塊分散分布。③SPLIT和DIVISION。如圖8(c)和(d)所示，托林鎮(zhèn)和普蘭鎮(zhèn)SPLIT和DIVISION值先升后降，反映出2個地區(qū)在中期景觀內(nèi)斑塊空間位置分散。隨著后期城鎮(zhèn)均衡化發(fā)展程度的提高，SPLIT和DIVISION回降，景觀內(nèi)斑塊分布呈均勻分布。④多樣性指標(biāo)。SHDI和SHEI反映了景觀內(nèi)斑塊的分布情況，值越大表明景觀內(nèi)優(yōu)勢斑塊數(shù)量越少，各斑塊分布越分散。8(e)和(f)所示，獅泉河鎮(zhèn)和普蘭鎮(zhèn)2個數(shù)值都呈現(xiàn)減小趨勢，托林鎮(zhèn)呈現(xiàn)增大趨勢。結(jié)合影像和圖8(e)發(fā)現(xiàn)，獅泉河鎮(zhèn)和普蘭鎮(zhèn)建成區(qū)中建筑物斑塊逐漸成為當(dāng)?shù)鼐坝^中優(yōu)勢斑塊，趨于集中化。而托林鎮(zhèn)受城市擴張作用影響，沒有形成較為明顯的優(yōu)勢斑塊，斑塊空間位置分散，這與CONTAG指數(shù)反映出的實際情況一致。

(a) TA (b) CONTAG (c) SPLIT

(d) DIVISION (e) SHDI (f) SHEI

圖8 3個鄉(xiāng)鎮(zhèn)不同時期景觀水平指數(shù)變化

圖9—11分別將托林鎮(zhèn)、獅泉河鎮(zhèn)以及普蘭鎮(zhèn)不同時期建筑物和道路的變化情況進行可視化表達。托林鎮(zhèn)向北延伸道路以形成規(guī)模，建筑物圍繞南部道路兩側(cè)密集分布； 獅泉河鎮(zhèn)道路發(fā)展向東北方向延伸，沿路兩側(cè)建筑物分布趨于密集； 普蘭鎮(zhèn)整體向東南方向發(fā)展，建筑物和道路呈狹長分布。綜上，托林鎮(zhèn)向西北方向擴張，獅泉河鎮(zhèn)向東北方向擴張，普蘭鎮(zhèn)向東南方向擴張。

圖10 獅泉河鎮(zhèn)不同時期景觀變化可視化

圖11 普蘭鎮(zhèn)不同時期景觀變化可視化

3.4 戍邊能力評估

戍邊能力如表5數(shù)據(jù)所示，普蘭鎮(zhèn)和獅泉河鎮(zhèn)戍邊能力逐年提升，托林鎮(zhèn)在2015年后，戍邊能力有所下降。截止到2018年底，托林鎮(zhèn)是3個鎮(zhèn)中戍邊能力最弱的一個，在未來的邊防建設(shè)中應(yīng)加大對托林鎮(zhèn)的關(guān)注，著重提升當(dāng)?shù)剡叿缹嵙?，彌補邊防漏洞。

表5 3個鎮(zhèn)戍邊能力變化情況

4 結(jié)論和展望

基于D-LinkNet深度學(xué)習(xí)網(wǎng)絡(luò)，對邊境地區(qū)托林鎮(zhèn)、獅泉河鎮(zhèn)以及普蘭鎮(zhèn)區(qū)域內(nèi)建筑物和道路進行提取，并通過計算12項景觀格局指數(shù)分析鄉(xiāng)鎮(zhèn)發(fā)展特征，得出以下結(jié)論：

1)D-LinkNet深度學(xué)習(xí)網(wǎng)絡(luò)提取建成區(qū)建筑物、道路時較傳統(tǒng)的SVM方法有更高的精度和適用性，分類精度均在80%以上，IOU值保持在70%以上。傳統(tǒng)的機器學(xué)習(xí)分類方法適用于大范圍土地的粗分類，類似D-LinkNet深度學(xué)習(xí)分類方法在面對城市土地精細化分類時優(yōu)勢更大。

2)分析景觀指數(shù)發(fā)現(xiàn)，研究區(qū)建筑物和道路空間分布各有特點。托林鎮(zhèn)城市擴張趨勢依舊繼續(xù)，域內(nèi)建筑物和道路斑塊的分布較為分散。獅泉河鎮(zhèn)和普蘭鎮(zhèn)城市擴張勢頭相比減弱，域內(nèi)斑塊分布趨于集中，斑塊間的連通性得到改善，居住環(huán)境更加聚集，安全性更高。另外，值得關(guān)注的是后期獅泉河鎮(zhèn)道路凝聚度有下降的趨勢，注意提防建筑物日漸聚集的同時，疏忽對交通可達性的改良，道路的連接性會直接影響城市發(fā)展。

3)經(jīng)過近20 a的發(fā)展，托林鎮(zhèn)、獅泉河鎮(zhèn)和普蘭鎮(zhèn)的建筑物、道路交通面積和常駐人口增長迅猛，其中建筑物分別同比增長68.75%,70.75%和68.36%，道路分別同比增長75.27%，65.39%和67.76%，人口凈增長分別為39.00%，68.44%和25.04%(數(shù)據(jù)來源于第五次和第六次人口普查數(shù)據(jù))。顯然，建筑面積和常住人口呈線性關(guān)系，利用建筑面積變化情況評估城市戍邊能力成為一種新思路。

研究采用了Google Earth平臺0.5 m遙感影像，通過D-LinkNet深度學(xué)習(xí)方法進行建筑物和道路信息的提取，受地方環(huán)境影響，研究區(qū)內(nèi)存在與道路顏色相近的建筑物，在提取時存在一定的誤差。另外，邊境鄉(xiāng)鎮(zhèn)人口統(tǒng)計數(shù)據(jù)較難獲取，在分析人口變化時會存在些許誤差，但不會影響整體趨勢。本次研究只是一個初步探索，后續(xù)的研究應(yīng)多結(jié)合建筑物和道路的顏色、紋理等特征，提升地物信息的提取精度，在更多邊境城市進行更深入的研究。