李 夏 ，李 媛 ，張 博

（1．水利部信息中心，北京 100053；2．北京化工大學(xué)化學(xué)工程學(xué)院，北京 100029；3．航天科工集團智慧產(chǎn)業(yè)發(fā)展有限公司，北京 100854）

0 引言

“圍繞落實最嚴(yán)格的生態(tài)環(huán)境保護制度，實行最嚴(yán)格的水土保持監(jiān)管”是水土保持工作在當(dāng)下及今后一段時期的重要任務(wù)。2018 年水利部黨組水利行業(yè)強監(jiān)管要求將生產(chǎn)建設(shè)項目造成的人為水土流失作為監(jiān)管的重中之重[1-2]。衛(wèi)星遙感對地觀測系統(tǒng)以其周期短、時效性高、觀測范圍廣等特點在生產(chǎn)建設(shè)項目監(jiān)管中具有顯著優(yōu)勢?；谛l(wèi)星遙感影像結(jié)合無人機巡查及地面實地勘察，開展在建生產(chǎn)建設(shè)項目水土保持監(jiān)管，是生產(chǎn)建設(shè)項目水土保持事中事后監(jiān)管的重要探索與實踐?；谶b感技術(shù)開展生產(chǎn)建設(shè)項目水土保持監(jiān)管，最為關(guān)鍵的是通過分析下墊面地物光譜紋理等特點總結(jié)出目標(biāo)地物的表征特征，構(gòu)建基于地物特征的自動識別模型，提高生產(chǎn)建設(shè)項目發(fā)現(xiàn)的效率和精度。生產(chǎn)建設(shè)項目在施工建設(shè)過程中，典型表現(xiàn)為大面積的裸露地表和要求布設(shè)的臨時水土保持措施。水土保持措施包括工程、植被和臨時攔擋措施。工程和植被措施大多在項目建設(shè)后期建成，并且形態(tài)多樣，通過遙感自動識別難度較大。臨時攔擋、排水措施目標(biāo)較小，需要優(yōu)于 0.2 m 的無人機影像識別。臨時植被措施覆蓋度低，與裸露地表容易混淆。臨時苫蓋措施（防塵網(wǎng)）面積大，紋理清晰，地物邊界明顯，可以作為生產(chǎn)建設(shè)項目的識別目標(biāo)?；诟叻直媛视跋竦哪繕?biāo)識別已取得了較大的進展，傳統(tǒng)方法多基于遙感影像中地物的表象特征。李霞、徐涵秋等[3-4]采用 NDSI 和 NDISI 指數(shù)法，解決裸土信息和建筑用地信息混淆的問題，查明了福建區(qū)域地表裸土分布的時空變化情況，但傳統(tǒng)方法無法利用圖像深層特征的語義信息，且無法實現(xiàn)目標(biāo)地物的自動化識別。近年來，深度學(xué)習(xí)語義分割網(wǎng)絡(luò)模型（FCN，Segnet，RefineNet，PSPNet，DeepLabv3+）被廣泛應(yīng)用于遙感影像的目標(biāo)自動識別，其中 PSPNet（Pyramid Scence Parsing Network），DeepLabv3+ 應(yīng)用最為廣泛且識別結(jié)果明顯優(yōu)于其他。劉培等[5]使用 PSPnet 算法實現(xiàn)尾礦庫結(jié)構(gòu)分割，得到了尾礦庫內(nèi)部結(jié)構(gòu)（壩體及庫區(qū)），為尾礦庫分布信息提取提供了技術(shù)支持；武花等[6]提出了一種融合多特征改進型 PSPNet 模型，提高了復(fù)雜場景下建筑物提取的精度；陳周等[7]基于 World View 影像，使用DeepLabv3+ 對城市綠地進行分割研究，然后在分割基礎(chǔ)上進行城市綠地信息提取，結(jié)果表明 Ostu，MeanShift，F(xiàn)NEA 分割算法相比 DeepLabv3+ 的分割性能最好；郝明等[8]基于 DeepLabv3+ 深度網(wǎng)絡(luò)，利用生成的數(shù)據(jù)集進行無人機影像建筑物變化遷移學(xué)習(xí)，最終實現(xiàn)建筑物變化檢測。綜上所述，PSPNet，DeepLabv3+ 對遙感影像中的目標(biāo)識別均取得了顯著成效，但二者均未曾應(yīng)用于生產(chǎn)建設(shè)項目，且對于在建生產(chǎn)建設(shè)項目特征地物（防塵網(wǎng)）的識別，哪種方法更適用還未有相關(guān)研究?；诖?，本研究使用 2 m 分辨率的 GF-1 融合影像，分別使用 PSPNet，DeepLabv3+ 識別在建生產(chǎn)建設(shè)項目中的防塵網(wǎng)，并對比分析 2 種方法的優(yōu)劣及識別結(jié)果精度，從而篩選出最優(yōu)方法，旨在提出一種在建生產(chǎn)建設(shè)項目防塵網(wǎng)遙感監(jiān)管的新模式。

1 研究區(qū)及數(shù)據(jù)概況

1.1 研究區(qū)概況

本研究以山東省濟南市生產(chǎn)建設(shè)項目分布較為集中的區(qū)域作為研究對象。研究區(qū)位于 36°40′N，117°00′E，占地面積為 10 244 km2，地處魯中南低山丘陵與魯西北沖積平原的交接帶，海拔高度為 5.0～1 108.4 m，屬暖溫帶半濕潤季風(fēng)氣候，雨熱同季，年降水量為 550～950 mm，7—9 月降水量約占年降水總量的 60%，年平均氣溫為 11～14℃。土壤類型為顯域性棕壤、褐土，以及隱域性潮土、砂姜黑土、水稻土、風(fēng)砂土 6 個土類，地表土質(zhì)疏松易發(fā)生水土流失[9]。近幾年，隨著濟南市經(jīng)濟迅速發(fā)展、城市化進程的加快，城鎮(zhèn)建設(shè)、公路、供水、輸變電等生產(chǎn)建設(shè)活動頻繁劇烈，嚴(yán)重破壞地表植被，水土流失頻發(fā)。

1.2 數(shù)據(jù)概況

遙感影像采用高分一號衛(wèi)星（GF-1）影像，該衛(wèi)星搭載 2 臺多光譜傳感器（2 m 分辨率全色/8 m分辨率）和 4 臺多光譜寬幅傳感器（16 m 分辨率），多光譜傳感器包括藍(lán)、綠、紅和近紅外 4 個通道。本研究獲取的是 2017 年 6—9 月的 GF-1 影像，該時期擾動地塊與其他地物的差異較為明顯，利于進行生產(chǎn)建設(shè)項目防塵網(wǎng)的提取。數(shù)據(jù)預(yù)處理包括輻射定標(biāo)、大氣校正、幾何校正、融合（全色和多光譜波段）、鑲嵌及裁剪等步驟。

2 生產(chǎn)建設(shè)項目影像特征分析

遙感影像通過空間位置的不同及灰度值的差異表示不同地物的差異，這是區(qū)分影像中不同地物的物理基礎(chǔ)。對象特征分析是基于高分遙感影像開展信息提取分析的首要環(huán)節(jié)。防塵網(wǎng)在影像中具有以下共性特征：1）光譜特征。防塵網(wǎng)在綠波段均有較高的反射率，與其背景環(huán)境差異明顯，使用的光譜特征為 Mean，Brightness，Max。2）幾何特征。防塵網(wǎng)整體形狀較為規(guī)則，網(wǎng)格邊緣清晰，使用的幾何特征為 Asymmetry，Border index，Compactness，Shape index。3）紋理特征。圖斑內(nèi)防塵網(wǎng)紋理分布較為均勻，使用的紋理特征為 GLCM_Con，GLCM_Asm。防塵網(wǎng)遙感影像和部分實地照片如圖 1 所示，因防塵網(wǎng)實地照片相似，故選 3 張典型實體照片作為示意。

3 研究方法

3.1 樣本構(gòu)建

將 GF-1 影像多光譜波段（紅、綠、藍(lán)波段）和全色波段融合生成的遙感影像作為基礎(chǔ)數(shù)據(jù)，采用人機交互的標(biāo)注方式，獲取海量防塵網(wǎng)樣本，此過程共生成 1 153 個樣本。

1）樣本數(shù)據(jù)獲取。深度學(xué)習(xí)是高度數(shù)據(jù)依賴型算法，其性能往往隨著數(shù)據(jù)量的增加而不斷增強，樣本數(shù)據(jù)是制衡最終提取效果的決定因素之一[10]。針對防塵網(wǎng)的特定位置信息，在濟南市 2017 年高分影像上獲取影像數(shù)據(jù)。

2）樣本標(biāo)注。防塵網(wǎng)的檢測需求是確定其位置、面積和形狀。通過人機交互方式，根據(jù)防塵網(wǎng)在影像的實際形狀進行標(biāo)記。對所有標(biāo)注的樣本進行校驗，并對邊界標(biāo)記不準(zhǔn)確、標(biāo)注錯誤及其遺漏標(biāo)記的樣本進行修正。

3）野外調(diào)查。針對不同表現(xiàn)特征的生產(chǎn)建設(shè)項目防塵網(wǎng)開展外業(yè)調(diào)查工作，共完成 80 個調(diào)查。

4）樣本裁切。由于 GPU 內(nèi)存有限，模型輸入圖像尺寸受限，需要將圖像裁剪為 512 像素×512 像素的切片圖像。

圖 1 防塵網(wǎng)示意圖

5）數(shù)據(jù)增強。為達(dá)到較好的訓(xùn)練效果，需進行樣本增強，實現(xiàn)網(wǎng)絡(luò)參數(shù)的調(diào)優(yōu)。數(shù)據(jù)增強的方法包括以下 3 種：a．將影像及標(biāo)簽數(shù)據(jù)分別旋轉(zhuǎn)不同角度（30°，60°，90°，120°，150°，180°，210°，240°，270°）；b．對影像及標(biāo)簽數(shù)據(jù)做鏡像處理（上下、左右）；c．對影像及標(biāo)簽數(shù)據(jù)做模糊處理（左上、左下、右上、右下、中心）。經(jīng)過數(shù)據(jù)增強后，生成最終的樣本集，并將其以 8∶2 的比例隨機分為訓(xùn)練集與驗證集。

3.2 模型構(gòu)建

基于融合影像的不同尺度數(shù)據(jù)，分別使用DeepLabv3+ 和 PSPNet 進行訓(xùn)練，識別生產(chǎn)建設(shè)項目防塵網(wǎng)信息。

3.2.1 DeepLabv3+

DeepLabv3+ 模型把 ASPP 模塊應(yīng)用 Encoderdecoder 網(wǎng)絡(luò)執(zhí)行語義分割任務(wù)[11]。在編碼階段，首先應(yīng)用 ResNet 網(wǎng)絡(luò)提取原圖像特征，在 Xception 網(wǎng)絡(luò)中引入 ASPP 模塊，在多個比率、視野范圍上，通過深度卷積網(wǎng)絡(luò)得到圖像級特征圖，利用池化操作編碼多尺度的上下文信息，探測多尺度下的卷積特征，解決物體魯棒分割問題[12]。由于 ASPP 方法參考了遙感影像不同尺度的特征圖，并且空洞卷積的使用加強了提取稠密特征的能力，因此該結(jié)構(gòu)具有可以提取遙感影像高層特征的優(yōu)點，但是該方法存在池化和有步長的卷積，導(dǎo)致遙感影像的邊界信息嚴(yán)重丟失[13-15]。

因此，在解碼器階段，借鑒 FCN 的跳步連接方式，連接低層和高層特征，修復(fù)遙感影像尖銳邊界的問題。其中，通過低層次特征的引入增強影像特征非線性表達(dá)能力，有效緩解 DeepLabv3+ 模型在小尺度防塵網(wǎng)目標(biāo)提取方面所出現(xiàn)的孔洞問題。利用 48 通道 1×1 卷積對低層次特征圖卷積，再融入ASPP 采樣的高層次特征圖，從而實現(xiàn)模型更好的優(yōu)化。基于 DeepLabv3+ 模型的遙感影像分類識別框架如圖 2 所示。

圖 2 基于 DeepLabv3+ 模型的遙感影像分類識別框架圖

3.2.2 PSPNet

PSPNet 采用空間金字塔網(wǎng)絡(luò)結(jié)構(gòu)，不僅增強了多尺度信息的融合，而且減小了局部和全局的損失。該結(jié)構(gòu)是一種綜合多尺度場景的網(wǎng)絡(luò)架構(gòu)，包括卷積層和金字塔池化 2 個部分，具有多方面的優(yōu)勢，不僅架構(gòu)簡單，而且靈活性強。其中，卷積層集成了不同的經(jīng)典網(wǎng)絡(luò)架構(gòu)，如 AlexNet，VGGNet，GoogleNet 和 ResNet等，實現(xiàn)從低層到高層特征的逐步抽象。金字塔池化部分提供優(yōu)于像元場景解析的全局上下文關(guān)系，對卷積層模塊最后1 層抽象特征進行多尺度的池化和卷積，并將多尺度池化/卷積特征進行上采樣到卷積層最后一層，判定每 1 個像元類型的歸屬，實現(xiàn)防塵網(wǎng)全局到局部的細(xì)節(jié)信息[16-17]?；?PSPNet 模型的遙感影像分類識別框架如圖 3 所示。

圖 3 基于 PSPNet 模型的遙感影像分類識別框架圖

3.3 結(jié)果優(yōu)化

結(jié)果優(yōu)化主要是針對檢測結(jié)果中的孔穴、孤島、分離圖斑等影響分類結(jié)果和精度的噪聲問題，應(yīng)用形態(tài)學(xué)優(yōu)化算法，實現(xiàn)消除噪聲、填補孔穴、合并圖斑的效果，在最大程度保留影像信息的同時進行分類結(jié)果的形態(tài)優(yōu)化。根據(jù)目標(biāo)大小及檢測影像分辨率，在檢測結(jié)束后，對結(jié)果矢量像元數(shù)小于一定閾值的圖斑過濾，減少部分小圖斑對統(tǒng)計結(jié)果的干擾。

3.4 精度評價

3.4.1 評價方法

3.4.1.1 評價對象

遙感影像中防塵網(wǎng)分布及遮擋情況的差異對于其識別具有不同程度的難度，本研究采用不同難易程度的場景（Ⅰ，Ⅱ）作為評價對象，分別采用DeepLabv3+ 和 PSPNet 提取場景Ⅰ，Ⅱ 防塵網(wǎng)邊界，綜合全面評價這 2 種方法對防塵網(wǎng)識別的適用性。場景Ⅰ較簡單，其色差明顯、邊緣清晰、圖斑內(nèi)顏色分布較為均勻；場景Ⅱ較難，防塵網(wǎng)與其背景環(huán)境差異較小，紋理不明顯且顏色與植被相近，具體對比如圖 4 所示。

圖 4 不同場景下的防塵網(wǎng)

3.4.1.2 評價基準(zhǔn)

依據(jù)實踐經(jīng)驗和專業(yè)知識，以 2 m 分辨率的遙感影像為數(shù)據(jù)源，通過人工識別的方法提取防塵網(wǎng)，并將其作為模型精度評價的基準(zhǔn)分別對 DeepLabv3+和 PSPNet 進行精度評價。

3.4.1.3 評價指標(biāo)

像素級語義分割的評價指標(biāo)主要包括以下 4 個：

1）精確率P。精確率即預(yù)測結(jié)果中正類占總正類的比例，計算公式為

式中：TP為將正類預(yù)測為正類數(shù)；FP為將負(fù)類預(yù)測為正類數(shù)。

2）召回率R。召回率是所有正類中被預(yù)測為正類的比例，計算公式為

式中：FN為將正類預(yù)測為負(fù)類數(shù)；TN為將負(fù)類預(yù)測為負(fù)類數(shù)。

3）綜合評價指標(biāo)F1。F1是精確率（P）和召回率（R）的加權(quán)調(diào)和平均，是信息檢索領(lǐng)域的常用的一個評價標(biāo)準(zhǔn)，可衡量分類器的綜合性能，F(xiàn)1越高說明模型越好，F(xiàn)1計算公式為

4）平均交并比mIoU。mIoU是各類別的IoU（交并比）計算累加后進行平均，可作為全局評價指標(biāo)，則mIoU計算公式為

3.4.2 DeepLabv3+ 和 PSPNet 結(jié)果對比分析

選取 2 個不同難易程度的場景，分別采用DeepLabv3+ 和 PSPNet 提取防塵網(wǎng)邊界，并通過語義分割評價指標(biāo)評價其結(jié)果精度，具體如表 1 和 2所示。結(jié)果表明：DeepLabv3+ 模型對于不同場景下防塵網(wǎng)提取結(jié)果的精確率、召回率、F1值及mIoU均優(yōu)于 PSPNet 模型。

表 1 簡單場景下（場景 I）同模型防塵網(wǎng)識別精度

表 2 復(fù)雜場景下（場景 II）不同模型防塵網(wǎng)識別精度

DeepLabv3+，PSPNet 模型對場景Ⅰ，Ⅱ下的防塵網(wǎng)檢測結(jié)果如圖 5 所示。結(jié)合實地考察數(shù)據(jù)，對 DeepLabv3+，PSPNet 模型防塵網(wǎng)檢測結(jié)果進行分析可知：三者重合度較高，但與 PSPNet 模型提取結(jié)果相比，DeepLabv3+ 與 2 m 分辨率遙感影像人工目視解譯的結(jié)果更為一致（藍(lán)色為人工標(biāo)注真值，紅色為 DeepLabv3+ 檢測結(jié)果，黃色為 PSPNet 檢測結(jié)果）。進一步對比分析，不難發(fā)現(xiàn) DeepLabv3+分割性能更優(yōu)，其分割邊緣光滑，與防塵網(wǎng)實地邊界高度吻合，較人工標(biāo)注結(jié)果邊界更加準(zhǔn)確（場景Ⅰ）；對于防塵網(wǎng)與背景環(huán)境區(qū)別相對不明顯，防塵網(wǎng)顏色較淡或與植被顏色相近的情況（場景 Ⅱ），受背景環(huán)境影響存在一定的漏檢和錯檢，就檢測結(jié)果而言，其精度仍優(yōu)于 PSPNet 模型。

圖 5 不同場景下的防塵網(wǎng)檢測結(jié)果對比

4 結(jié)語

對比分析 DeepLabv3+，PSPNet 2 種深度學(xué)習(xí)算法對在建生產(chǎn)建設(shè)項目典型地物目標(biāo)（防塵網(wǎng)）識別的適用性，結(jié)果表明：

1）分析不同項目類型、施工階段生產(chǎn)建設(shè)項目水土保持措施布設(shè)的特點及其在遙感影像中的表象特征，發(fā)現(xiàn)防塵網(wǎng)可作為在建生產(chǎn)建設(shè)項目識別的重要地物類型。

2）基于 GF-1 遙感影像，分別采用 DeepLabv3+和 PSPNet 方法識別防塵網(wǎng)，結(jié)果表明 DeepLabv3+模型對不同場景下防塵網(wǎng)的整體提取結(jié)果均優(yōu)于PSPNet 模型。DeepLabv3+ 分割性能較好，其分割邊緣光滑，與防塵網(wǎng)實地邊界吻合度高。與專家解譯的結(jié)果相比，解譯結(jié)果邊界基本一致。

3）后續(xù)需要針對不同區(qū)域海量的遙感數(shù)據(jù)構(gòu)建大量的樣本集，通過深度學(xué)習(xí)模型訓(xùn)練精度較高的檢測模型，可用于全國生產(chǎn)建設(shè)項目監(jiān)管工作。