李志斌 譚榮榮 趙冰清 譚繼旭 李洋

（北京洛斯達(dá)科技發(fā)展有限公司 北京 100032）

0 引言

隨著國家生態(tài)環(huán)境領(lǐng)域的一系列深刻變革，黨中央、國務(wù)院高度重視轉(zhuǎn)變政府職能，行政主管部門的工作重點(diǎn)從重審批向嚴(yán)監(jiān)管轉(zhuǎn)變，生態(tài)環(huán)境保護(hù)力度不斷加大［1-2］。為了貫徹落實(shí)黨中央、國務(wù)院深化“放管服”改革，生態(tài)環(huán)境部和水利部發(fā)布多項(xiàng)規(guī)定，全面加強(qiáng)水土保持和環(huán)境保護(hù)監(jiān)督管理，加強(qiáng)事中事后監(jiān)管，強(qiáng)化企業(yè)管理責(zé)任［3-4］。同時中央生態(tài)環(huán)保督查和水保督查加大督查力度，創(chuàng)新督查方法，不斷推進(jìn)精準(zhǔn)督查、科學(xué)督查和依法督查［5］。近年來，利用遙感手段輔助水行政主管部門和生態(tài)環(huán)境主管部門在傳統(tǒng)監(jiān)管手段的基礎(chǔ)上，輔以衛(wèi)星、無人機(jī)等技術(shù)手段，監(jiān)督檢查工作得以高效、精準(zhǔn)地落實(shí)［6］。

水土流失防治范圍（場地邊界）作為生產(chǎn)建設(shè)項(xiàng)目水土保持和環(huán)境保護(hù)重點(diǎn)核查內(nèi)容，是環(huán)水保行政主管部門對建設(shè)單位督查的重點(diǎn)內(nèi)容，也是建設(shè)單位自查自驗(yàn)工作需核實(shí)的重要內(nèi)容。衛(wèi)星遙感技術(shù)在快速獲取大范圍的地表信息方面具有不可代替的優(yōu)勢，尤其是亞米級空間分辨率的衛(wèi)星遙感數(shù)據(jù)越來越全面，為生產(chǎn)建設(shè)項(xiàng)目責(zé)任范圍遙感監(jiān)測提供了堅(jiān)實(shí)的技術(shù)支撐途徑。

遙感影像信息提取防治主要包括人工目視解譯和基于機(jī)器學(xué)習(xí)的自動提取方法。目前，在環(huán)水保監(jiān)管中的應(yīng)用以米級精度高分系列為主，采用歸一化植被指數(shù)（NDVI）理論、小樣本機(jī)器學(xué)習(xí)方法（支持向量機(jī)等）為主，此類方法可以較快的分辨出大尺度上的擾動土地狀況但存在影像采集時間受限、無植被覆蓋時無法提取土地?cái)_動等問題。有研究表明，自動識別結(jié)果仍需大量人工目視核查，提出誤判區(qū)域，且僅保留面積大于600 m2的土地?cái)_動范圍。本研究針對這些問題使用亞米級高清國產(chǎn)衛(wèi)星，結(jié)合機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的最新趨勢深度學(xué)習(xí)技術(shù)，研究國產(chǎn)衛(wèi)星在環(huán)水保大范圍監(jiān)管中的應(yīng)用，實(shí)現(xiàn)無植被覆蓋時土地?cái)_動的智能提取。

1 高分衛(wèi)星影像自動提取技術(shù)在環(huán)水保監(jiān)管中的應(yīng)用

本研究以蒙西—晉中1000 kV 特高壓交流輸變電工程為例，采集全線亞米級高清衛(wèi)星影像，對高清衛(wèi)星影像進(jìn)行大氣校正、正射校正等，將全色波段與多光譜波段融合得到既能保留多光譜影像的光譜信息又能保留高空間分辨率全色影像空間信息的影像。對該影像進(jìn)行土地?cái)_動樣本制作、深度學(xué)習(xí)訓(xùn)練，并提取全線土地?cái)_動范圍。技術(shù)路線如圖1 所示。

圖1 技術(shù)路線

1.1 深度學(xué)習(xí)遙感影像自動分類方法設(shè)計(jì)

本研究基于深度學(xué)習(xí)法對高分辨率光學(xué)遙感圖像進(jìn)行解譯，使用包括全卷積網(wǎng)絡(luò)（FCN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、基于區(qū)域的全卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）等卷積神經(jīng)網(wǎng)絡(luò)及其衍生網(wǎng)絡(luò)，對遙感圖像的典型目標(biāo)進(jìn)行高精度檢測［7］。在研究基于深度學(xué)習(xí)的遙感圖像分類以及典型的土地類型的提取方法時，使用有限的樣本往往難以達(dá)到較高識別正確率。因此，本研究選取項(xiàng)目實(shí)施過程中使用的所有數(shù)據(jù)作為學(xué)習(xí)樣本，選取不同土地類型，并使用遷移學(xué)習(xí)法，擴(kuò)充樣本數(shù)量。

由于本項(xiàng)目區(qū)域面積較大，因此本研究建立兩級CNN 架構(gòu)，采用凝膠過濾色譜法（GFC）候選框過濾方法，快速且高精度地檢測遙感圖像的目標(biāo)?；谀繕?biāo)檢測，已提出了一種用于光學(xué)遙感圖像的基于FCN 語義圖像分類方法，本研究逐漸進(jìn)行遙感圖像分類算法的設(shè)計(jì)和改進(jìn)。

1.2 遷移學(xué)習(xí)樣本訓(xùn)練及檢測模型制作

本文研究了自然影像與遙感影像遷移學(xué)習(xí)機(jī)制的差異，分析了模型結(jié)構(gòu)優(yōu)化和參數(shù)調(diào)整機(jī)制對深度學(xué)習(xí)效率的影響。遷移學(xué)習(xí)適用于自然圖像中不同樣本和任務(wù)之間的信息交換和任務(wù)轉(zhuǎn)移，通過調(diào)整不同樣本與任務(wù)的模型參數(shù)和知識庫，可以用少量的樣本學(xué)習(xí)訓(xùn)練來形成遙感影像特征分類場景和目標(biāo)監(jiān)測學(xué)習(xí)系統(tǒng)。因此在預(yù)訓(xùn)練樣本數(shù)量有限的情況下，遷移學(xué)習(xí)訓(xùn)練樣本可以有效提高檢測模型的準(zhǔn)確性［8］。

1.3 針對地類語義表達(dá)模式的深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

（1）卷積和池化。對原圖像進(jìn)行5 次卷積和池化，最終得到的圖像縮小為原圖的1/32，其中第3 次卷積保留pool3 的特征圖（原圖的1/8），第4 次卷積保留pool4 的特征圖（原圖的1/16）。將CNN 中的全連接fc6、fc7 變成卷積操作conv6、conv7 得到熱力圖（Heat Map），此時圖像的特征圖數(shù)量改變但圖像大小不變，仍為原圖的1/32。

（2）上采樣還原。將1/32 尺寸的熱力圖進(jìn)行上采樣后得到conv5 中的卷積核中的特征，再將conv4 中的卷積核對上一步上采樣之后的圖進(jìn)行反卷積補(bǔ)充細(xì)節(jié)特征，最后將conv3 中的卷積核對上一步上采樣之后的圖像進(jìn)行再次反卷積補(bǔ)充細(xì)節(jié)特征，此時得到的圖像則為原圖像。若只對1/32 尺寸的圖像進(jìn)行反卷積，則還原的圖像細(xì)節(jié)則會有很多缺失。

（3）語義級別分類。以所有熱力圖中該像素所處位置的最大概率作為該像素的分類依據(jù)，對每個像素進(jìn)行分類預(yù)測，并為每個像素標(biāo)注語義分割圖像，最終實(shí)現(xiàn)語義級別分類，如圖2 所示。

圖2 FCN 像素級目標(biāo)分割模型

1.4 土地?cái)_動信息自動提取與優(yōu)化

對原始模型進(jìn)行兩處改進(jìn)：①對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改造，使用稀疏卷積核來擴(kuò)大單個卷積模板的感受野，增強(qiáng)像素之間的聯(lián)系，如圖3 所示，卷積模板的輸入從原來的相鄰像元轉(zhuǎn)換成間隔像元，從而在不增加參數(shù)的情況下擴(kuò)大感受野范圍。②增加基于全連接的非經(jīng)典感受野（CRF）。

圖3 深度學(xué)習(xí)土地?cái)_動信息提取結(jié)果

2 結(jié)果與分析

本研究利用亞米級衛(wèi)星影像制作樣本數(shù)據(jù)，訓(xùn)練模型，對得到的訓(xùn)練結(jié)果進(jìn)行精度評價。原始樣本數(shù)據(jù)共164 個，為了增加樣本容量，采用螺旋和翻轉(zhuǎn)等方式，將原始樣本數(shù)量擴(kuò)充到原來的7 本，得到總體樣本1 148 個。

實(shí)驗(yàn)使用經(jīng)ImageNet 數(shù)據(jù)集訓(xùn)練后的預(yù)訓(xùn)練模型（.mat文件）作為預(yù)訓(xùn)練模型，并在此基礎(chǔ)上用自己制作的遙感影像樣本數(shù)據(jù)進(jìn)行深層次的訓(xùn)練和微調(diào)。訓(xùn)練時分別設(shè)置迭代50次、80 次、100 次，得到訓(xùn)練精度曲線圖，分別形成3 種迭代次數(shù)訓(xùn)練后生成的最終模型。檢測時用*.mat 文件進(jìn)行檢測。由上述訓(xùn)練結(jié)果可得：訓(xùn)練精度超過0.98，驗(yàn)證精度達(dá)到0.97，達(dá)到了較高的精度水平。由于檢測樣本僅占訓(xùn)練樣本的1/5，因此驗(yàn)證精度稍低屬于正常情況。

本文基于機(jī)器學(xué)習(xí)和人工目視解譯的方法提取土地?cái)_動范圍與原圖對比結(jié)果如圖4 所示。

圖4 土地?cái)_動范圍提取結(jié)果對比

由圖4 可知，機(jī)器識別與人工目視解譯成果較為一致；桿塔組立狀態(tài)不影響土地?cái)_動范圍的自動識別；當(dāng)土地?cái)_動范圍邊界與周邊地物顏色差別較大，自動識別效果較好；機(jī)器識別成果會將周邊與本工程擾動無關(guān)的零星斑塊作為土地?cái)_動范圍，這是不合理的，需結(jié)合目視解譯對此部分進(jìn)行修正。

3 結(jié)論

本研究利用基于機(jī)器學(xué)習(xí)的土地?cái)_動自動提取方法，獲得結(jié)果的精度達(dá)到環(huán)水保核查要求。將自動提取方法應(yīng)用于環(huán)水保監(jiān)管工作，不僅提高了環(huán)水保監(jiān)測單位的工作效率，而且能夠輔助建設(shè)單位自查自驗(yàn)，及時了解擾動情況并進(jìn)行預(yù)警，為行政監(jiān)督執(zhí)法部門快速大范圍督查提供技術(shù)支撐。