嚴(yán)恩萍,莫登奎

(1. 中南林業(yè)科技大學(xué) 林業(yè)遙感大數(shù)據(jù)與生態(tài)安全湖南省重點(diǎn)實(shí)驗(yàn)室, 湖南 長(zhǎng)沙 410004; 2. 中南林業(yè)科技大學(xué) 南方森林資源經(jīng)營(yíng)與監(jiān)測(cè)國(guó)家林業(yè)與草原局重點(diǎn)實(shí)驗(yàn)室, 湖南 長(zhǎng)沙 410004; 3. 中南林業(yè)科技大學(xué) 林學(xué)院, 湖南 長(zhǎng)沙 410004)

0 引言

散墳是森林火災(zāi)的主要隱患,其空間分布、數(shù)量、密度等信息都是林業(yè)、應(yīng)急、民政部門需要掌握的基礎(chǔ)數(shù)據(jù)。對(duì)大面積的散墳火災(zāi)隱患點(diǎn)進(jìn)行系統(tǒng)監(jiān)測(cè)與空間分布研究,有助于掌握散墳的位置、數(shù)量、密度以及分布規(guī)律,進(jìn)而有利于森林火災(zāi)的早期預(yù)警,從而降低森林火災(zāi)的發(fā)生概率。然而由于未受到足夠的重視,國(guó)內(nèi)外鮮有大面積散墳火災(zāi)隱患點(diǎn)的智能監(jiān)測(cè)與空間分布方面的研究報(bào)道,缺少基于散墳的火災(zāi)隱患點(diǎn)專題數(shù)據(jù)庫(kù)。

相關(guān)學(xué)者一直致力于火災(zāi)隱患調(diào)查方法的改進(jìn)研究[1-6]。傳統(tǒng)的火災(zāi)隱患調(diào)查方法主要以人工實(shí)地調(diào)查為主,雖然這種方法檢測(cè)精度高,但是消耗大量的人力、物力和財(cái)力,無法用于大面積火災(zāi)隱患的檢測(cè)。現(xiàn)有的火災(zāi)隱患監(jiān)測(cè)主要有2種。一是依靠衛(wèi)星遙感的監(jiān)測(cè)方法,包括基于低空間分辨率和高空間分辨率的2種監(jiān)測(cè)方法。前者主要依靠中紅外/熱紅外波段進(jìn)行識(shí)別,然而這些衛(wèi)星由于空間分辨率低,無法探測(cè)小面積的目標(biāo),故不利于火災(zāi)隱患點(diǎn)的早期識(shí)別[7-10];后者主要依靠短波紅外/可見光波段進(jìn)行識(shí)別,這些衛(wèi)星雖然能夠識(shí)別火災(zāi)隱患的大概范圍,但是由于空間分辨率有限,無法自動(dòng)定位火災(zāi)隱患點(diǎn)的具體位置[11-14]。二是依靠視頻分析技術(shù)的火災(zāi)隱患檢測(cè),雖然該方法簡(jiǎn)便快捷精度高,能夠獲取火災(zāi)隱患點(diǎn)的精確位置,但是只能適用于面積較小的局部區(qū)域,無法實(shí)現(xiàn)大面積火災(zāi)隱患點(diǎn)的自動(dòng)定位與快速檢測(cè)[15]。

近年來,亞米級(jí)高分辨率遙感的發(fā)展為散墳的智能檢測(cè)提供了新途徑[16-18]。同衛(wèi)星遙感相比,亞米級(jí)高分辨遙感具有單景覆蓋面積廣、海量星上存儲(chǔ)、地理定位精度高的優(yōu)勢(shì),能夠?qū)崿F(xiàn)大面積散墳火災(zāi)隱患點(diǎn)的高效精準(zhǔn)監(jiān)測(cè)。歸納起來,關(guān)于人工智能和高分辨率遙感結(jié)合研究很多[19-22],缺少對(duì)大面積散墳火災(zāi)隱患點(diǎn)進(jìn)行自動(dòng)檢測(cè)與快速清查的研究報(bào)道。

鑒于此,研究以高分辨率航拍影像為數(shù)據(jù)源,提出一種基于Detectron2工具箱改進(jìn)的Mask RCNN智能識(shí)別方法,以期實(shí)現(xiàn)大面積散墳火災(zāi)隱患點(diǎn)的自動(dòng)檢測(cè)與及時(shí)預(yù)警,同時(shí)嘗試?yán)L制具有極高應(yīng)用價(jià)值的第一份散墳分布數(shù)據(jù),試圖揭示不同分級(jí)條件下散墳隨地形和道路的空間分布規(guī)律。研究表明,文中提供的自動(dòng)檢測(cè)方法簡(jiǎn)單通用、可移植性強(qiáng),具有應(yīng)用于全國(guó)散墳火災(zāi)隱患點(diǎn)自動(dòng)檢測(cè)與預(yù)警的潛力。

1 研究區(qū)及數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)選擇湖南省東部偏北的長(zhǎng)沙縣,位于長(zhǎng)衡丘陵盆地的北部,地理位置介于112°58′23″～113°30′09″E,28°02′04″～28°39′51″N之間,屬亞熱帶濕潤(rùn)氣候,春暖夏涼,四季分明,年平均氣溫17 ℃,年均無霜期271 d,年均降水量1 877.1 mm,主要土地覆蓋類型包括林地、耕地、草地、水體、建設(shè)用地和其他用地。

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 無人機(jī)影像

研究區(qū)的無人機(jī)高清影像拍攝于2019年10月19—21日,航拍當(dāng)日天氣晴朗、風(fēng)速小、光線充足。無人機(jī)航線規(guī)劃數(shù)據(jù)的采集高度100 m,速度5 m/s,鏡頭垂直于地面,航向重疊率70%,旁向重疊率80%,空間分辨率0.5 m×0.5 m。正值秋季,無人機(jī)航拍的散墳火災(zāi)隱患點(diǎn)更容易與背景區(qū)分。

1.2.2 地面實(shí)測(cè)數(shù)據(jù)

地面實(shí)測(cè)數(shù)據(jù)主要用于研究區(qū)火災(zāi)隱患點(diǎn)樣本數(shù)據(jù)集的標(biāo)注。課題組首先利用Google earth高清影像分析研究區(qū)火災(zāi)隱患點(diǎn)的總體分布情況,初步確定可調(diào)查火災(zāi)隱患點(diǎn)的分布和范圍;然后于2020年2月5—10日前往長(zhǎng)沙縣開展實(shí)地調(diào)查,沿著可及的研究區(qū)道路,收集火災(zāi)隱患點(diǎn)(散墳)的位置、地形以及其他相關(guān)信息。

2 研究方法

2.1 數(shù)據(jù)集制作

研究采用的數(shù)據(jù)為2016年無人機(jī)航拍的高分辨率遙感影像數(shù)據(jù),格式為TIFF,影像分辨率為0.2 m×0.2 m。具體樣本集構(gòu)建包括5個(gè)步驟:1)樣本抽樣。以內(nèi)轄行政鄉(xiāng)鎮(zhèn)為單位,從每個(gè)鎮(zhèn)隨機(jī)選取4塊1 000 m×1 000 m的區(qū)域裁剪獲取樣本數(shù)據(jù),共獲取52張樣本影像;2)數(shù)據(jù)標(biāo)注。為滿足網(wǎng)絡(luò)訓(xùn)練要求,利用ArcGIS 10.7軟件對(duì)散墳火災(zāi)隱患點(diǎn)進(jìn)行人工標(biāo)注,原則上以人眼清晰可見為準(zhǔn),標(biāo)注完成輸出二值圖;3)數(shù)據(jù)裁剪。由于深度學(xué)習(xí)網(wǎng)絡(luò)無法直接輸入尺寸過大樣本,因此,將樣本數(shù)據(jù)和相應(yīng)二值圖按50%的重疊率裁剪為512 pixels×512 pixels的樣本數(shù)據(jù)集(圖1);4)數(shù)據(jù)擴(kuò)增。研究綜合考慮散墳?zāi)繕?biāo)的形狀和分布特征,結(jié)合具有50%重疊步長(zhǎng)的圖像裁剪方法,采用圖像旋轉(zhuǎn)、圖像移動(dòng)和對(duì)角鏡像等方法進(jìn)行數(shù)據(jù)擴(kuò)增,共獲取樣本圖片1 256張;5)數(shù)據(jù)劃分。將已擴(kuò)增的數(shù)據(jù)集按照7.5∶2.5的比例分為2份:訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集。其中訓(xùn)練數(shù)據(jù)集用于模型參數(shù)訓(xùn)練和調(diào)優(yōu),驗(yàn)證數(shù)據(jù)集用于評(píng)估訓(xùn)練模型對(duì)樣本的泛化誤差。

圖1 研究區(qū)散墳樣本Fig. 1 Samples of scattered graves in the study area

2.2 散墳檢測(cè)模型

研究采用目前應(yīng)用廣泛的Mask RCNN網(wǎng)絡(luò)提取散墳?zāi)繕?biāo),該算法包含3個(gè)任務(wù)分支:預(yù)測(cè)類別、預(yù)測(cè)矩形框和預(yù)測(cè)掩碼。首先利用深度殘差網(wǎng)絡(luò)ResNet提取特征圖像;然后結(jié)合區(qū)域生成網(wǎng)絡(luò)RPN提取潛在ROI;利用ROIAlign層將ROI映射成固定維數(shù)的特征向量,其中2個(gè)分支經(jīng)過全連接層進(jìn)行目標(biāo)分類和坐標(biāo)框回歸,另1個(gè)分支經(jīng)過全卷積運(yùn)算生成預(yù)測(cè)掩碼[23]。具體結(jié)構(gòu)如圖2所示。

圖2 改進(jìn)的Mask R-CNN框架結(jié)構(gòu)圖Fig. 2 Network structure diagram of improved Mask R-CNN

2.2.1 訓(xùn)練環(huán)境

文中使用的Mask RCNN網(wǎng)絡(luò)的主體框架來自于Facebook下FAIR研究院推出的基于Pytorch的Detectron2工具箱。實(shí)驗(yàn)在Ubuntu 18.04操作系統(tǒng)下完成,CPU為I9-10900k,GPU為RTX 3080,內(nèi)存32G。程序在Pycharm編譯器下,基于Python 3.6語言和Pytorch 1.8.0深度學(xué)習(xí)框架編譯實(shí)現(xiàn)。實(shí)驗(yàn)過程中的影像讀取和處理模塊使用的工具包為GDAL 3.1.4和OpenCV 3.4.2。

研究使用的預(yù)訓(xùn)練模型為Detectron2官方提供的COCO目標(biāo)檢測(cè)模型,初始學(xué)習(xí)率為0.005,批次大小為4,每個(gè)Epoch進(jìn)行迭代訓(xùn)練,共訓(xùn)練150個(gè)Epoch。訓(xùn)練初期采用預(yù)熱策略保證參數(shù)穩(wěn)定,以開始訓(xùn)練的前1 000次迭代為預(yù)熱階段,該階段內(nèi)線性增加學(xué)習(xí)率至初始學(xué)習(xí)率。

2.2.2 模型評(píng)價(jià)

由于需要同時(shí)考慮精確率和召回率,研究采用F1分?jǐn)?shù)(F1 Score)作為模型預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo),散墳檢測(cè)任務(wù)屬于單分類任務(wù),具體表達(dá)式見式(1)～式(3):

(1)

(2)

(3)

式中:Precision代表精確率;Recall代表召回率;TP表示實(shí)際為散墳且被識(shí)別為散墳的樣本數(shù);FP表示實(shí)際為背景但被識(shí)別為散墳的樣本數(shù);FN表示實(shí)際為散墳但沒有被網(wǎng)絡(luò)識(shí)別為散墳的樣本數(shù)。

2.3 空間特征分析

已有研究表明,分析目標(biāo)的空間分布特征有利于提出科學(xué)合理的目標(biāo)布局優(yōu)化策略。鑒于此,文中采用核密度指數(shù)、最鄰近指數(shù)、地理集中指數(shù)和不平衡指數(shù)對(duì)研究區(qū)散墳空間分布的集聚性進(jìn)行可視化分析[24]。具體計(jì)算公式見表1。

表1 4種空間分布特征指數(shù)Table 1 Four spatial distribution characteristic indexes

研究對(duì)象屬于均勻分布;若0

2.4 影響因素分析

地形地貌作為制約人類經(jīng)濟(jì)活動(dòng)的重要基礎(chǔ),對(duì)研究區(qū)散墳分布有著廣泛深刻的影響,文中研究采用分層分級(jí)的方法分析散墳空間分布的影響因素,主要因素包括海拔、坡度、坡向和道路。海拔按照[0, 200)m、[200, 500)m、[500, 1 000)m、[1 000,+∞)m劃分為4類;坡度按照[0°, 2°)、[2°, 5°)、[5°, 15°)、[15°, 35°)、[35°, 55°)和[55°, 90°)的分類依據(jù)依次分為平坡、緩坡、斜坡、陡坡、峭坡和垂壁[25]:坡向以0°為起點(diǎn),按順時(shí)針將坡向平均分為8級(jí),采用ArcGIS10.7軟件分別統(tǒng)計(jì)不同級(jí)別散墳的分布數(shù)量;為量化道路的影響距離,研究采用ArcGIS10.7軟件統(tǒng)計(jì)道路兩側(cè)[0, 100)m、[100, 500)m、[500, 1 000)m、[1 000, 2 000)m和[2 000, 3 000)m緩沖區(qū)的散墳分布情況。

3 結(jié)果與分析

3.1 散墳檢測(cè)結(jié)果

由于風(fēng)土習(xí)俗的影響,不同鄉(xiāng)鎮(zhèn)的散墳形狀特征、空間分布和背景環(huán)境存在差異,進(jìn)而影響散墳檢測(cè)精度。為測(cè)試訓(xùn)練模型的泛化能力,研究將未參與訓(xùn)練的江背鎮(zhèn)、黃花鎮(zhèn)和路口鎮(zhèn)作為試驗(yàn)區(qū),分別隨機(jī)選取3張1 km×1 km影像作為驗(yàn)證集進(jìn)行測(cè)試,具體測(cè)試結(jié)果如表2,檢測(cè)結(jié)果見圖3。

表2 不同鄉(xiāng)鎮(zhèn)的測(cè)試結(jié)果Table 2 Experimental results for different townships

圖3 黃花鎮(zhèn)散墳火災(zāi)隱患點(diǎn)測(cè)試結(jié)果Fig. 3 Test results of fire hazard points for scattered graves in Huanghua Town

由表2可知,研究區(qū)江背鎮(zhèn)、黃花鎮(zhèn)和路口鎮(zhèn)散墳檢測(cè)的平均F1分?jǐn)?shù)均超過88.42%,說明改進(jìn)Mask RCNN模型的通用性較強(qiáng),能夠適應(yīng)不同區(qū)域的散墳檢測(cè)。由于路口鎮(zhèn)的散墳特征接近訓(xùn)練樣本提供的全局目標(biāo)特征,因此該區(qū)域改進(jìn)Mask RCNN模型輸出的檢測(cè)精度更精確,平均F1分?jǐn)?shù)達(dá)到94.37%,同江背鎮(zhèn)和黃花鎮(zhèn)相比,高出約6%。說明利用改進(jìn)Mask RCNN模型開展散墳檢測(cè)時(shí),可以結(jié)合訓(xùn)練階段的檢測(cè)結(jié)果,實(shí)時(shí)補(bǔ)充針對(duì)不同區(qū)域目標(biāo)特征的訓(xùn)練樣本,以期提高模型的泛化性,以滿足不同區(qū)域散墳?zāi)繕?biāo)檢測(cè)的精度需求。

圖3為黃花鎮(zhèn)散墳火災(zāi)隱患點(diǎn)的測(cè)試結(jié)果,從左到右依次為研究區(qū)影像、局部檢測(cè)結(jié)果放大圖、局部二值結(jié)果放大圖。紅色框覆蓋背景為森林;藍(lán)色框覆蓋背景為城鎮(zhèn)。分析可知,Mask RCNN框架對(duì)不同背景和密度的散墳?zāi)繕?biāo)檢測(cè)效果均很好,其中森林覆蓋的F1分?jǐn)?shù)值(91.40%)略高于城鎮(zhèn)覆蓋的F1分?jǐn)?shù)值(89.26%),說明林木陰影與土壤混淆的背景因素對(duì)模型檢測(cè)效果影響較小,能夠滿足森林覆蓋的散墳?zāi)繕?biāo)檢測(cè)與清查的需要。

3.2 空間分布特征分析

3.2.1 密度特征分析

長(zhǎng)沙縣散墳分布的總體密度約為25.13個(gè)/km2,呈現(xiàn)出“中部北部密集分布,其他區(qū)域零星分布”的空間分布格局(圖4)。散墳密度介于60～135個(gè)/km2區(qū)域面積比例為1.60%,主要分布在開慧鎮(zhèn)東北部、安沙鎮(zhèn)中南部和北山鎮(zhèn)北部,其次春華鎮(zhèn)也有少量分布,上述區(qū)域主要分布在研究區(qū)城區(qū)外圍,呈沿交通干線附近分布的格局,由于受到城區(qū)社會(huì)、經(jīng)濟(jì)的輻射作用,安沙鎮(zhèn)的散墳分布最密集;散墳密度介于40～60個(gè)/km2區(qū)域主要分布在60～135個(gè)/km2區(qū)域的外圍,呈環(huán)狀分布,其次金井鎮(zhèn)和果園鎮(zhèn)中部也有大面積分布,另外北山鎮(zhèn)西南部、黃興鎮(zhèn)南部、春華鎮(zhèn)東南部和江背鎮(zhèn)北部呈零星狀態(tài)分布;散墳密度介于0～10個(gè)/km2區(qū)域面積比例為19.18%,主要集中在研究區(qū)西南部城區(qū),由于城市化效應(yīng)導(dǎo)致研究區(qū)散墳分布較為稀疏。

圖4 長(zhǎng)沙縣散墳核密度分布Fig. 4 Kernel density distribution of scattered graves in Changsha County

3.2.2 集聚特征分析

研究運(yùn)用ArcGIS10.7軟件計(jì)算長(zhǎng)沙縣散墳的最近鄰距離指數(shù)NNI,具體結(jié)果見表3。分析可知,研究區(qū)散墳總體呈現(xiàn)聚集-隨機(jī)分布,且P值高度顯著,說明研究結(jié)果可信。從區(qū)域方面分析,長(zhǎng)沙縣8個(gè)鄉(xiāng)鎮(zhèn)散墳呈聚集分布,占比為64.54%;其次35.43%的鄉(xiāng)鎮(zhèn)呈聚集-隨機(jī)分布;1個(gè)鄉(xiāng)鎮(zhèn)呈隨機(jī)-離散分布,即泉塘街道,占比為0.03%。

表3 研究區(qū)散墳分布最近距離指數(shù)Table 3 Nearest neighbor distance index of scattered graves in study area

3.2.3 均衡特征分析

根據(jù)表1公式分別計(jì)算研究區(qū)的地理集中指數(shù)和不平衡指數(shù),結(jié)果表明長(zhǎng)沙縣散墳地理集中指數(shù)的實(shí)際值(G=9.214)大于理想值(G=5.556),說明研究區(qū)散墳空間分布不均勻。為進(jìn)一步描述散墳的內(nèi)部分布格局,研究采用不平衡指數(shù)S驗(yàn)證散墳分布均衡性[26],通過計(jì)算S=0.49,說明長(zhǎng)沙縣散墳空間分布不均勻。分析洛倫茨曲線(圖5)可知,研究區(qū)散墳整體呈上凸趨勢(shì),主要集中在6個(gè)鄉(xiāng)鎮(zhèn),占區(qū)域總數(shù)的66.65%。

圖5 研究區(qū)散墳單位空間分布的洛倫茨曲線Fig. 5 Lorenz curve of spatial distribution of scattered graves in study area

3.3 影響因素分析

海拔是地形地貌的重要屬性,不同海拔位置的水資源、土壤條件等均有差異。由圖6(a)統(tǒng)計(jì)可知,研究區(qū)散墳主要分布在0～200 m的平原地帶,總占比高達(dá)98.52%,這是因?yàn)槠皆貛нm宜人類居住,人類活動(dòng)頻繁,進(jìn)而分布較多的散墳;坡度作為地面傾斜度的定量描述,表征研究區(qū)的地勢(shì)起伏情況。由圖6(b)可知,長(zhǎng)沙縣散墳隨著坡度增加呈減少趨勢(shì),分布于緩坡區(qū)域的散墳數(shù)最多,比例為47.87%,其次是斜坡(25.05%),說明農(nóng)村居民偏向選擇有一定坡度的區(qū)域設(shè)置墓地;作為重要的地形因子,坡向直接影響地表接受的光熱條件。由圖6(c)可知,研究區(qū)散墳分布沒有明顯的坡向特點(diǎn),陽坡的散墳數(shù)量和陰坡相當(dāng)。陽坡分布范圍內(nèi),西南坡的散墳數(shù)量較多(比例14.74%)。陰坡分布范圍內(nèi),西坡的散墳數(shù)量較多(比例13.77%);道路作為靈活的交通運(yùn)輸方式,對(duì)研究區(qū)散墳分布具有重要的影響。將研究區(qū)散墳與主要道路疊加,同時(shí)按照分級(jí)建立緩沖區(qū)(圖6(d)),分析可知長(zhǎng)沙縣高達(dá)74.40%的散墳沿道路2 000 m緩沖區(qū)范圍分布,說明道路對(duì)研究區(qū)散墳的空間分布具有積極的正向作用。

圖6 研究區(qū)散墳的分布情況統(tǒng)計(jì)Fig. 6 Statistics of distribution of scattered graves in study area

4 討論

4.1 散墳樣本數(shù)據(jù)集構(gòu)建

由于散墳主要分布在林地和城鎮(zhèn)周邊,且不同地類、密度和區(qū)域的散墳分布特征各異,為防止模型訓(xùn)練的過度擬合,因此需要大量訓(xùn)練樣本。已有研究表明,數(shù)據(jù)擴(kuò)增是一種常用的擴(kuò)大數(shù)據(jù)集方法,其提高模型泛化能力的同時(shí)減少模型的過度擬合[27]。研究考慮農(nóng)村散墳與林地陰影的相似性,以及無人機(jī)航拍的空間分辨率有限和背景的不確定性,難以滿足Mask RCNN訓(xùn)練的樣本需求,文中采用圖像旋轉(zhuǎn)、圖像移動(dòng)和對(duì)角鏡像等方法,對(duì)樣本數(shù)據(jù)進(jìn)行擴(kuò)增,目的是增加樣本數(shù)量的同時(shí)減少?gòu)?fù)雜背景對(duì)散墳檢測(cè)造成的不良影響,進(jìn)而提高檢測(cè)精度。

4.2 散墳智能檢測(cè)影響因素

研究采用Mask RCNN框架對(duì)不同地類覆蓋、分布密度和分布區(qū)域的散墳進(jìn)行識(shí)別,結(jié)果表明該框架不僅能準(zhǔn)確提取目標(biāo)散墳的定位框,還能準(zhǔn)確繪制目標(biāo)散墳的Mask掩碼,說明該框架具有良好的準(zhǔn)確性和穩(wěn)定性,檢測(cè)精度較高[28]。為提高檢測(cè)模型的泛化性,制作包含更多目標(biāo)種類和分布特征的數(shù)據(jù)集,發(fā)展檢測(cè)效果更好的深度學(xué)習(xí)算法是今后的研究方向。為滿足大面積的散墳檢測(cè)需求,文中結(jié)合多時(shí)相遙感影像,研究針對(duì)完全裸露或半裸露的散墳檢測(cè)算法,旨在提出適應(yīng)復(fù)雜數(shù)據(jù)的超參數(shù)訓(xùn)練模型,提高散墳檢測(cè)精度。

已有研究表明,分布密集、遮擋重疊、背景相似以及表面陰影等是影響研究區(qū)散墳準(zhǔn)確識(shí)別的主要干擾因素[29-30],例如城鎮(zhèn)附近航拍的遙感影像通常容易引入相似的地物干擾特征,進(jìn)而降低模型檢出率;林區(qū)周邊航拍的遙感影像雖然沒有過多相似地物干擾,但是林區(qū)影像容易因光線不足和分布密集與背景土壤混淆,降低檢測(cè)精度。文中通過采用全卷積神經(jīng)網(wǎng)絡(luò)FCN提取散墳?zāi)繕?biāo)的準(zhǔn)確特征,減少背景、遮擋和陰影等因素的干擾,實(shí)現(xiàn)研究區(qū)散墳的高效檢測(cè),這與已有學(xué)者采用全卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)蘋果的研究結(jié)論相似[31],說明全卷積神經(jīng)網(wǎng)絡(luò)具有消除背景干擾的潛力。由于文中重點(diǎn)針對(duì)高分辨率遙感影像中肉眼可見的散墳進(jìn)行識(shí)別研究,因此不涉及被遮擋的散墳檢測(cè)問題,但是作為重要的火災(zāi)隱患點(diǎn),樹林遮擋方面的影響不容忽視。隨著研究范圍的逐步擴(kuò)大,后續(xù)將通過人工實(shí)地核查的方式予以補(bǔ)充。

4.3 散墳空間分布優(yōu)化

地形地貌和道路是制約人類經(jīng)濟(jì)活動(dòng)的基礎(chǔ),對(duì)其他要素與地理環(huán)境有廣泛深刻影響。文中將長(zhǎng)沙縣散墳分布點(diǎn)與土地利用覆蓋圖進(jìn)行疊加,分析農(nóng)村散墳的空間分布格局及其影響因素,有利于揭示研究區(qū)散墳的空間演變規(guī)律,進(jìn)而為農(nóng)村墓地的合理規(guī)劃建設(shè)提供合理依據(jù)。根據(jù)研究區(qū)散墳空間分布特征,結(jié)合國(guó)家倡導(dǎo)的“厚養(yǎng)薄葬、文明節(jié)儉、生態(tài)環(huán)保”殯葬風(fēng)尚,將研究區(qū)散墳布局優(yōu)化方案分為:一級(jí)區(qū)、二級(jí)區(qū)和三級(jí)區(qū)。一級(jí)區(qū)的散墳大都距離公共服務(wù)設(shè)施較近,交通便利,可將周邊零星的散墳移至規(guī)模較大的散墳集中地;二級(jí)區(qū)的區(qū)位優(yōu)勢(shì)不明顯,可以選擇交通便利的墓地集中點(diǎn)為基礎(chǔ),引導(dǎo)附近規(guī)模小且不合理的散墳點(diǎn)歸并;三級(jí)區(qū)的交通可達(dá)性差,可與二級(jí)區(qū)的墓地集中點(diǎn)合并。這樣有利于加快農(nóng)村公益性墓地建設(shè),推進(jìn)農(nóng)村居民用地的合理利用。

5 結(jié)論

由于缺乏足夠的重視,散墳火災(zāi)隱患點(diǎn)(散墳)監(jiān)測(cè)長(zhǎng)期被忽視,國(guó)內(nèi)外鮮有農(nóng)村散墳(潛在火災(zāi)隱患點(diǎn))的快速檢測(cè)與清查報(bào)道。鑒于此,研究以高分辨率航拍影像為數(shù)據(jù)源,結(jié)合實(shí)地踏查數(shù)據(jù),提出一種基于Detectron2工具箱改進(jìn)的Mask RCNN網(wǎng)絡(luò)識(shí)別方法,開展長(zhǎng)沙縣散墳(潛在火災(zāi)隱患點(diǎn))的快速檢測(cè)與清查,制作研究區(qū)散墳火災(zāi)隱患點(diǎn)分布圖;同時(shí)結(jié)合4種空間特征指數(shù)分析研究區(qū)散墳的分布特征及其影響因素。結(jié)果表明:

1) 智能檢測(cè)方面?；贒etectron2工具箱改進(jìn)的Mask RCNN網(wǎng)絡(luò),能夠有效識(shí)別不同土地覆蓋、分布密度和研究區(qū)域的散墳?zāi)繕?biāo),F1分?jǐn)?shù)分別達(dá)90.33%、92.61%和90.41%;

2) 空間分布方面。研究區(qū)散墳總體呈聚集-隨機(jī)分布,分布密度約為25.13座/km2,呈現(xiàn)“中部北部密集分布,其他區(qū)域零星分布”的分布格局;

3) 影響因素方面,研究區(qū)散墳空間分布格局主要受地形和道路等因素影響,集中分布在0～200 m平原地帶,且0°～5°坡度的散墳分布最多,總體沒有明顯的坡向效應(yīng),主要沿道路網(wǎng)分布。研究表明文中繪制的國(guó)內(nèi)第1份基于散墳的火災(zāi)隱患點(diǎn)分布數(shù)據(jù),具有較高的應(yīng)用價(jià)值,可為全國(guó)散墳火災(zāi)隱患點(diǎn)的快速檢測(cè)和自動(dòng)清查提供參考。