劉宣廣,汪小欽,劉益鋒,李琳,李玉潔

(福州大學(xué)空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室,衛(wèi)星空間信息技術(shù)綜合 應(yīng)用國(guó)家地方聯(lián)合工程研究中心,數(shù)字中國(guó)研究院(福建),福建 福州 350108)

0 引言

隨著城市化進(jìn)程加速,基礎(chǔ)設(shè)施建設(shè)和資源開(kāi)發(fā)活動(dòng)數(shù)量大幅上升,土地?cái)_動(dòng)隨之加劇.過(guò)度土地?cái)_動(dòng)會(huì)造成土地質(zhì)量下降,進(jìn)而導(dǎo)致植被減少或喪失,土地裸露面積增加,影響土地覆蓋格局變化[1].其中,生產(chǎn)建設(shè)項(xiàng)目施工擾動(dòng)是目前大范圍、頻繁的擾動(dòng)類型,建設(shè)項(xiàng)目在施工中會(huì)對(duì)周圍地表覆蓋情況造成擾動(dòng),對(duì)生產(chǎn)、生態(tài)造成深遠(yuǎn)影響.施工擾動(dòng)變化監(jiān)測(cè)是面向特定應(yīng)用的專題遙感變化檢測(cè)技術(shù),可有效推動(dòng)水土保持監(jiān)督部門提升監(jiān)督效率、減少人工作業(yè)、提高自動(dòng)化服務(wù)水平[2].

施工擾動(dòng)變化監(jiān)測(cè)目前常用的方法有兩種: 一是通過(guò)人工解譯提取擾動(dòng)信息;二是基于多時(shí)相遙感影像,使用計(jì)算機(jī)遙感圖像處理技術(shù)獲取擾動(dòng)信息[3-4].后者具有更高效率,應(yīng)用更廣泛.目前,已有大量使用遙感影像進(jìn)行變化檢測(cè)的研究.起初,針對(duì)中低分辨率影像的變化檢測(cè)大多在像素級(jí)開(kāi)展研究,如直接比較法、變化向量分析法等[5].近年來(lái),高分辨率遙感影像(以下簡(jiǎn)稱高分辨影像)迅速發(fā)展,其具有更豐富的空間和紋理信息,但由于其存在光譜信息有限、光譜可變性等問(wèn)題[6],導(dǎo)致使用傳統(tǒng)的像素級(jí)方法難以取得精確檢測(cè)結(jié)果.隨著面向?qū)ο髨D像分析方法的提出以及在高分辨影像變化檢測(cè)中的成功應(yīng)用,越來(lái)越多研究者聚焦于對(duì)象級(jí)變化檢測(cè)[7],如面向?qū)ο笞兓蛄糠治龇?object-oriented tri-temporal logic-verified change vector analysis,OB-CVA)的提出[8-11].OB-CVA通過(guò)對(duì)比不同時(shí)相影像對(duì)象間的光譜差值來(lái)識(shí)別變化程度,可利用較多特征和影像上下文信息.雖然OB-CVA在一定程度上提升了雙時(shí)相影像變化區(qū)域檢測(cè)上的精度,但應(yīng)用在多時(shí)相變化檢測(cè)中會(huì)存在嚴(yán)重累積誤差.為解決該問(wèn)題,許多學(xué)者對(duì)此開(kāi)展研究[12-13].如Du等[14]提出一種三時(shí)態(tài)邏輯驗(yàn)證變化向量分析方法(tri-temporal logic-verified change vector analysis,TLCVA),該方法通過(guò)邏輯推理和判斷來(lái)識(shí)別CVA在多時(shí)相變化檢測(cè)中的錯(cuò)誤,有效提升了變化區(qū)域檢測(cè)結(jié)果的準(zhǔn)確性,但其基于像素的檢測(cè)結(jié)果仍存在較多誤檢且破碎度高.此外,現(xiàn)有研究在獲取語(yǔ)義變化信息時(shí),并未考慮生產(chǎn)建設(shè)擾動(dòng)變化的特殊性,如施工期的生產(chǎn)建設(shè)區(qū)域的地表通常維持裸漏狀態(tài),易誤檢為未變化區(qū)域.

本研究目標(biāo)是使用多時(shí)相高分辨影像進(jìn)行生產(chǎn)建設(shè)項(xiàng)目土地覆蓋擾動(dòng)監(jiān)測(cè),特別是探索如何降低多時(shí)相變化檢測(cè)的累計(jì)誤差,進(jìn)而獲取精確的因施工建設(shè)造成的擾動(dòng)變化類別信息.為解決上述問(wèn)題,構(gòu)建一種基于OB-TLCVA的施工擾動(dòng)變化監(jiān)測(cè)方法.首先使用OB-TLCVA獲取變化區(qū)域,然后結(jié)合使用隨機(jī)森林獲取的土地覆蓋分類結(jié)果,構(gòu)建施工擾動(dòng)監(jiān)測(cè)規(guī)則,完成精細(xì)化的生產(chǎn)建設(shè)擾動(dòng)監(jiān)測(cè).相比OB-CVA、TLCVA等方法,本研究將面向?qū)ο髨D像分析技術(shù)與三時(shí)相邏輯分析相結(jié)合,可有效降低多時(shí)相施工擾動(dòng)變化監(jiān)測(cè)結(jié)果的累積誤差,進(jìn)一步突出高分辨影像的紋理和空間特征,避免獨(dú)立像元的光譜差異對(duì)結(jié)果的影響.

1 研究區(qū)數(shù)據(jù)與研究方法

1.1 研究區(qū)與研究數(shù)據(jù)

圖1 研究區(qū)Fig.1 Study area

研究區(qū)位于福建省長(zhǎng)汀縣北部(見(jiàn)圖1紅框區(qū)域),該區(qū)域包含道路、高鐵站、稀土工業(yè)園等類型的生產(chǎn)建設(shè)項(xiàng)目.根據(jù)長(zhǎng)汀縣政府公布的近些年重大生產(chǎn)建設(shè)項(xiàng)目信息,獲取2016年11月5日、2018年2月15日和2019年9月28日的ZY-3衛(wèi)星影像.采用Gram-Schmidt方法將影像的全色和多光譜波段融合,對(duì)融合后的影像進(jìn)行地理配準(zhǔn)和相對(duì)輻射校正,并對(duì)疊加的三時(shí)相影像使用多分辨率分割算法進(jìn)行圖像分割.

1.2 研究方法

方法流程見(jiàn)圖2,包括基于OB-TLCVA的精細(xì)變化區(qū)域檢測(cè)和生產(chǎn)建設(shè)項(xiàng)目擾動(dòng)類型識(shí)別兩部分.

圖2 施工擾動(dòng)變化監(jiān)測(cè)流程圖Fig.2 Workflow of the proposed method for building change detection

其中變化區(qū)域檢測(cè)具體又分為兩步: 1) 基于三時(shí)相高分辨影像,使用OB-CVA獲取初始變化區(qū)域檢測(cè)結(jié)果;2) 利用三時(shí)相邏輯變化分析,在對(duì)象級(jí)檢驗(yàn)初始結(jié)果的正確性,并基于隨機(jī)森林的后驗(yàn)概率校正錯(cuò)誤圖斑.對(duì)于生產(chǎn)建設(shè)項(xiàng)目擾動(dòng)類型識(shí)別,首先使用隨機(jī)森林獲取各時(shí)相的土地覆蓋分類,進(jìn)而將分類結(jié)果與變化區(qū)域檢測(cè)結(jié)果結(jié)合,通過(guò)分類后比較方法獲取精細(xì)化的生產(chǎn)建設(shè)項(xiàng)目施工擾動(dòng)信息.

1.2.1基于OB-TLCVA的變化區(qū)域檢測(cè)

1) 使用OB-CVA獲取初始變化區(qū)域檢測(cè)結(jié)果.OB-TLCVA的第一個(gè)步驟是構(gòu)建OB-CVA,獲取對(duì)象級(jí)的初始變化區(qū)域檢測(cè)結(jié)果.將2016、2018和2019年影像分別標(biāo)記為T1、T2、T3,為實(shí)現(xiàn)OB-CVA,首先使用多分辨率分割算法對(duì)疊加的T1、T2、T3影像分割來(lái)獲取圖像對(duì)象,然后采用對(duì)象所含像素的各波段灰度均值表示每個(gè)對(duì)象的特征向量,即

Xit1=[mt11i,…,mt14i]T

(1)

Xit2=[mt21i,…,mt24i]T

(2)

式中:t1、t2分別為兩個(gè)時(shí)期;mt11i,…,mt14i和mt21i,…,mt24i分別是t1、t2時(shí)期第i個(gè)對(duì)象波段的灰度均值.然后計(jì)算各個(gè)對(duì)象的變化向量,即

ΔXi=[Δm1i,…,Δm4i]T=[mt21i-mt11i,…,mt24i-mt14i]T

(3)

式中: Δm1i,…,Δm4i分別為第i個(gè)對(duì)象各波段灰度均值的差值;ΔXi包含了雙時(shí)相影像的光譜變化信息.構(gòu)建了對(duì)象的變化向量后計(jì)算變化向量的模,獲取基于對(duì)象的歸一化變化矢量強(qiáng)度圖,即

(4)

ΔCi越大表明對(duì)象i屬于變化對(duì)象的概率就越大.

最后對(duì)獲取的對(duì)象變化強(qiáng)度圖使用Otsu算法[15],以獲取不同時(shí)間段T12,T23,T13(T12是指2016年至2018年,T23指2018年至2019年,T13指2016年至2019年)的初始變化區(qū)域二值圖.

2) 基于三時(shí)相邏輯循環(huán)的錯(cuò)誤圖斑檢測(cè)及校正.OB-TLCVA的第二個(gè)步驟是使用三時(shí)相邏輯循環(huán)和隨機(jī)森林來(lái)檢測(cè)、校正錯(cuò)誤圖斑,以降低變化區(qū)域檢測(cè)結(jié)果的累計(jì)誤差.對(duì)于三時(shí)相影像,兩兩間通過(guò)OB-CVA方法獲取初步變化結(jié)果(CD12、CD23、CD13).結(jié)合影像獲取的時(shí)間順序和每個(gè)對(duì)象的兩種變化屬性(變化和未變化),為每個(gè)對(duì)象在三時(shí)相內(nèi)構(gòu)造8種閉合變化循環(huán),循環(huán)模式如圖3所示,其中3類循環(huán)邏輯是錯(cuò)誤的(圖3中的C6、C7、C8).符合3個(gè)錯(cuò)誤循環(huán)的對(duì)象,則可判定其某個(gè)雙時(shí)相的檢測(cè)結(jié)果存在錯(cuò)誤.

圖3 三時(shí)相對(duì)象變化的循環(huán)模式Fig.3 Cyclic patterns of tri-temporal images change

獲取錯(cuò)誤圖斑后,對(duì)錯(cuò)誤圖斑校正.首先使用訓(xùn)練充分的隨機(jī)森林模型對(duì)所有對(duì)象進(jìn)行二分類,獲取變化和未變化的圖斑,該步驟可校正部分錯(cuò)誤循環(huán).其次,對(duì)于隨機(jī)森林分類之后仍然錯(cuò)誤的循環(huán),根據(jù)前一步獲取的每個(gè)對(duì)象的后驗(yàn)概率進(jìn)行校正.考慮到循環(huán)中初始檢測(cè)結(jié)果,兩個(gè)節(jié)點(diǎn)同時(shí)發(fā)生變化檢測(cè)錯(cuò)誤的可能性極低,因此只需調(diào)整一個(gè)節(jié)點(diǎn)的后驗(yàn)概率即可.綜合考慮隨機(jī)森林分類獲取的變化和不變化的后驗(yàn)概率,提出不確定性校正規(guī)則為

表1 不確定性校正示例

P=1-|Pc-Puc|

(5)

式中:Pc為對(duì)象變化的后驗(yàn)概率;Puc為對(duì)象未變化的后驗(yàn)概率;P代表不確定性,取值范圍為0～1,對(duì)不確定性最高的節(jié)點(diǎn)進(jìn)行校正.以研究區(qū)某一對(duì)象的后驗(yàn)概率為例(見(jiàn)表1),根據(jù)不確定性校正規(guī)則需要調(diào)整T23節(jié)點(diǎn).

1.2.2生產(chǎn)建設(shè)項(xiàng)目擾動(dòng)類型識(shí)別

1) 基于隨機(jī)森林和三時(shí)相邏輯循環(huán)的土地覆蓋分類.使用隨機(jī)森林分類器將土地覆蓋類型分為: 林地、耕地、水體、不透水面、裸地和綠化措施.除了常見(jiàn)的5個(gè)土地覆蓋類型外,為了更好研究水保措施對(duì)生產(chǎn)建設(shè)項(xiàng)目水土流失的影響,增加了綠化措施類型(以護(hù)坡為主的水土保持措施).

首先選取各類樣本及樣本重要特征訓(xùn)練隨機(jī)森林模型,再根據(jù)影像人工修正,獲取精確的T3時(shí)相的對(duì)象級(jí)土地覆蓋分類圖.在此基礎(chǔ)上,使用已訓(xùn)練的隨機(jī)森林模型預(yù)測(cè)其他時(shí)相的土地覆蓋分類.為提升分類精度,根據(jù)三時(shí)相邏輯循環(huán)規(guī)律,在邏輯循環(huán)中未變化的對(duì)象,可以根據(jù)已知的T3參考分類圖,將T3的分類結(jié)果直接遷移到T1、T2時(shí)相的分類圖中.比如,圖3中的C1循環(huán)表示3個(gè)時(shí)相間均未發(fā)生變化,在C2循環(huán)內(nèi)T1與T3時(shí)相的土地覆蓋類別也應(yīng)保持一致.

2) 生產(chǎn)建設(shè)項(xiàng)目擾動(dòng)變化規(guī)則構(gòu)建.將分類結(jié)果映射到精確的變化區(qū)域檢測(cè)結(jié)果上,然后使用分類后變化檢測(cè)方法,并通過(guò)構(gòu)建規(guī)則進(jìn)行施工監(jiān)測(cè),包括5個(gè)規(guī)則.1) 新增: 非裸地(植被、水體、不透水面)→裸地;2) 續(xù)建: 裸地→裸地;3) 植被恢復(fù): 非植被(裸地、不透水面、水體)→植被;4) 完工硬化: 植被水體裸地→不透水面;5) 水保措施: 植被水體裸地→綠化措施.

1.2.3精度評(píng)價(jià)

為驗(yàn)證本方法檢測(cè)精度,基于長(zhǎng)汀縣野外實(shí)地考察積累的經(jīng)驗(yàn)和人工目視解譯判別研究區(qū)影像,標(biāo)注不同時(shí)相間的變化區(qū)域參考圖和施工擾動(dòng)變化參考圖.對(duì)比監(jiān)測(cè)結(jié)果和參考變化圖獲取精度混淆矩陣以計(jì)算漏檢率、錯(cuò)檢率、F1(精確率和召回率的調(diào)和平均值,反映模型的穩(wěn)健性),對(duì)本方法進(jìn)行定量評(píng)估;通過(guò)生產(chǎn)者精度(PA)、用戶精度(UA)和卡帕系數(shù)(Kappa)來(lái)評(píng)定生產(chǎn)建設(shè)項(xiàng)目施工擾動(dòng)變化類型的精度.

2 實(shí)驗(yàn)結(jié)果與分析

2.1 OB-TLCVA變化檢測(cè)結(jié)果分析

OB-TLCVA的第一個(gè)步驟是使用OB-CVA獲取初始變化區(qū)域檢測(cè)結(jié)果.首先使用eCognition軟件中多分辨率分割算法對(duì)疊加的三時(shí)相ZY-3影像分割,將分割尺度設(shè)為80,形狀因子參數(shù)設(shè)為0.2.然后結(jié)合分割對(duì)象,使用OB-CVA獲取對(duì)象級(jí)歸一化變化矢量強(qiáng)度圖,再對(duì)變化矢量強(qiáng)度圖使用Otsu算法,獲得初始變化區(qū)域檢測(cè)結(jié)果.圖4展示了校正前后不同循環(huán)模式分布情況.

圖4 實(shí)驗(yàn)區(qū)不同循環(huán)模式分布Fig.4 Distribution of different circulation patterns in the experimental area

循環(huán)模式以C1為主,而在C2～C8循環(huán)模式中(見(jiàn)圖4(a)),由于多個(gè)時(shí)相的累積誤差,錯(cuò)誤循環(huán)占據(jù)了近50%(見(jiàn)圖4(b)).在隨機(jī)森林模型的訓(xùn)練上,為減少樣本庫(kù)構(gòu)建成本,制定自動(dòng)樣本選擇策略: 將滿足在正確循環(huán)內(nèi)更改其變化屬性會(huì)導(dǎo)致循環(huán)邏輯錯(cuò)誤條件的對(duì)象作為穩(wěn)定樣本,共選擇2 100個(gè)樣本,其中未變化和變化樣本比例為5∶2.并使用Gini指數(shù)法確定重要性最高的前10個(gè)特征(Band2、Band3、NDVI、StdDev3、NDWI、StdDe-v1、Brightness、Band1、Band4、GLCM_contrast),訓(xùn)練隨機(jī)森林模型,對(duì)變化與不變圖斑分類.然后根據(jù)不確定性校正規(guī)則校正仍然錯(cuò)誤的循環(huán),校正后的循環(huán)分布模式如圖4(c)所示,錯(cuò)誤循環(huán)顯著減少.

圖5展示了OB-TL和其他方法的變化區(qū)域檢測(cè)結(jié)果,OB-TL在視覺(jué)上取得了最佳檢測(cè)效果.表2更進(jìn)一步證明了OB-TLCVA的檢測(cè)精度最高,相比OB-CVA,F1平均提升了5.6%.在T12時(shí)段,OB-TLCVA檢測(cè)結(jié)果較其他方法檢測(cè)結(jié)果,錯(cuò)檢率減少了20%,F1提高到0.7,提升近10%.而在T23時(shí)段,OB-TLCVA檢測(cè)結(jié)果的錯(cuò)檢率控制在20%以下,同時(shí)漏檢率減少了4.42%,F1提高到15%.在T13時(shí)段,F1達(dá)到0.81.

2.2 面向生產(chǎn)建設(shè)項(xiàng)目土地覆蓋層面變化結(jié)果分析

結(jié)合OB-TLCVA獲取的變化區(qū)域和土地覆蓋分類結(jié)果,通過(guò)分類后比較獲取了三時(shí)相間施工擾動(dòng)結(jié)果(見(jiàn)圖6).將變化結(jié)果與參考圖通過(guò)混淆矩陣進(jìn)行精度驗(yàn)證,獲取了T12,T23,T13的施工變化監(jiān)測(cè)圖中各變化類別的UA值和PA值.表3為各時(shí)段施工變化類型檢測(cè)結(jié)果的精度評(píng)價(jià),由表3可知,T12,T23,T13的施工擾動(dòng)監(jiān)測(cè)結(jié)果各類別的UA值均在73%之上,總體精度分別為96.62%、94.90%、94.73%,Kappa系數(shù)接近0.9.新增、續(xù)建和水保措施的平均UA值分別為88.0%、92.0%、79.5%,平均PA值分別為80.1%、92.5%、78.7%.

表3 各時(shí)段施工變化類型精度評(píng)價(jià)表

對(duì)T12和T23時(shí)段的各施工變化類型的像元個(gè)數(shù)進(jìn)行統(tǒng)計(jì),統(tǒng)計(jì)結(jié)果如圖7所示.自2016-2019年,研究區(qū)施工擾動(dòng)變化以新增施工面積為主,占總變化面積近41%.生產(chǎn)建設(shè)項(xiàng)目的完工硬化面積和續(xù)建面積呈下降趨勢(shì),完工硬化面積下降28.2%;而新增施工面積、水保措施和植被恢復(fù)面積呈逐年上升趨勢(shì),水保措施面積增加近135%,植被恢復(fù)面積增加233.3%.

圖7 2016—2019年各類型變化統(tǒng)計(jì)圖Fig.7 Statistics change by type in 2016 to 2019

2.3 討論

本研究提出基于OB-TLCVA的變化檢測(cè)方法,在OB-CVA中引入三時(shí)相邏輯循環(huán)檢驗(yàn),并通過(guò)不確定性規(guī)則校正錯(cuò)誤檢測(cè)結(jié)果,有效提升了變化檢測(cè)精度.在OB-TLCVA的變化檢測(cè)結(jié)果中,錯(cuò)誤圖斑顯著減少,且對(duì)正確圖斑無(wú)影響,不會(huì)增加漏提.但由于不同時(shí)相影像間的季節(jié)差異,且變化類型較多,即使經(jīng)過(guò)預(yù)處理和邏輯校正,依舊存在錯(cuò)檢漏檢現(xiàn)象.圖8展示了不同時(shí)相間主要的誤差分布細(xì)節(jié).由圖8可知,主要錯(cuò)檢是因裸地在施工過(guò)程中地表屬性未發(fā)生變化,但光譜紋理發(fā)生變化,而造成同物異譜現(xiàn)象(T12).此外,還有一些施工區(qū)域生長(zhǎng)的荒草枯萎后易與周邊的暗色的裸土混淆(T23).漏檢主要存在于道路施工,一方面是由于道路施工結(jié)束后兩側(cè)護(hù)坡及中間綠化帶植被恢復(fù),另一方面是道路的柏油路面光譜反射亮度較低,易與周邊植被混淆,整體與施工前較為相似.

圖8 不同時(shí)相間主要的誤差分布和細(xì)節(jié)呈現(xiàn)Fig.8 Major error distribution and detail presentation in tri-temporal images

在識(shí)別生產(chǎn)建設(shè)項(xiàng)目擾動(dòng)類型上,本方法取得了較高的擾動(dòng)類型識(shí)別精度,特別是新增、續(xù)建和水保措施.新增、續(xù)建和水保措施是實(shí)際生產(chǎn)建設(shè)項(xiàng)目擾動(dòng)監(jiān)測(cè)的關(guān)鍵擾動(dòng)類別,保證了本方法的實(shí)用性.但由于在施工期間擾動(dòng)的裸地容易與不透水面混淆、水保措施易與植被區(qū)域混淆,導(dǎo)致基于規(guī)則的完工硬化和植被恢復(fù)變化類型在檢測(cè)過(guò)程中,二者精度較其他類別低,平均UA值分別為79.0%、85.4%,平均PA值分別為62.0%、67.7%.

造成變化區(qū)域漏檢誤檢以及部分?jǐn)_動(dòng)類別識(shí)別精度較低的根本原因是: 高分辨影像具有較高的類內(nèi)變化和較低的類間變化.通過(guò)結(jié)合中等分辨率遙感影像的多個(gè)波段信息,以彌補(bǔ)高分辨影像的光譜有限性和易變性缺陷.增加類間差異,減少類內(nèi)差異,是提升完工硬化和植被恢復(fù)識(shí)別精度的有效途徑,也是下一步的研究重點(diǎn).

此外,本研究通過(guò)兩個(gè)步驟來(lái)實(shí)現(xiàn)精細(xì)化擾動(dòng)變化類別檢測(cè): 1)獲取精確的變化區(qū)域檢測(cè)結(jié)果;2)獲取各時(shí)相土地覆蓋分類,并將其與變化區(qū)域結(jié)果結(jié)合.這是為了進(jìn)行有效的三時(shí)相邏輯循環(huán)檢驗(yàn)及錯(cuò)誤圖斑校正,若先進(jìn)行分類后變化檢測(cè),再進(jìn)行邏輯檢驗(yàn),循環(huán)模式數(shù)量會(huì)成指數(shù)增加,難以實(shí)現(xiàn)錯(cuò)誤圖斑的識(shí)別和校正.另外,考慮施工擾動(dòng)變化監(jiān)測(cè)的特殊性,如果在對(duì)象級(jí)變化區(qū)域檢測(cè)結(jié)果上直接使用分類后變化檢測(cè),這會(huì)造成變化類型的嚴(yán)重錯(cuò)檢,尤其是續(xù)建工程區(qū)域.

3 結(jié)語(yǔ)

1) 本研究提出的OB-TLCVA方法較Pix-CVA和OB-CVA的漏檢率、錯(cuò)檢率顯著降低,F1分?jǐn)?shù)最高可提升0.12,證明了加入面向?qū)ο髨D像分析技術(shù)以及三時(shí)相邏輯檢測(cè)的OB-TLCVA方法,可有效提升高分辨影像變化檢測(cè)的精確度和適用性.

2) 在OB-TLCVA獲取的精細(xì)變化區(qū)域的基礎(chǔ)上進(jìn)行施工擾動(dòng)類型識(shí)別,三個(gè)時(shí)相的施工擾動(dòng)類型變化中,新增、續(xù)建和水保措施的監(jiān)測(cè)結(jié)果準(zhǔn)確度較高.其中續(xù)建的平均生產(chǎn)者精度可達(dá)92.5%,新增、水保措施類型的生產(chǎn)者精度最高分別為90.21%、81.49%.證明OB-TLCVA為實(shí)現(xiàn)精細(xì)的施工擾動(dòng)類型識(shí)別提供了數(shù)據(jù)基礎(chǔ).

3) 自2016—2019年,研究區(qū)內(nèi)新增施工、水土保持和植被恢復(fù)面積呈增長(zhǎng)趨勢(shì),而完工硬化面積呈減少趨勢(shì).

以上結(jié)論表明本方法可以實(shí)現(xiàn)高分辨影像的精細(xì)化施工擾動(dòng)監(jiān)測(cè),在生產(chǎn)建設(shè)項(xiàng)目規(guī)劃和水土保持治理等實(shí)際應(yīng)用中具有較大的應(yīng)用潛力.