馮一軍，陳 霖，梁雄乾，王志虎，王 鑫

（1.廣西壯族自治區(qū)自然資源調(diào)查監(jiān)測院，南寧 530023；2.自然資源部北部灣經(jīng)濟(jì)區(qū)自然資源監(jiān)測評價工程技術(shù)創(chuàng)新中心，南寧 530219；3.廣西職業(yè)師范學(xué)院 計算機(jī)與信息工程學(xué)院，南寧 530007；4.桂林電子科技大學(xué) 北海校區(qū)，廣西 北海 541000）

0 引言

攝影測量與遙感影像作為自然資源綜合監(jiān)測監(jiān)管的重要數(shù)據(jù)資源，在自然資源現(xiàn)狀數(shù)據(jù)采集、更新中發(fā)揮著越來越重要的作用。基于遙感影像進(jìn)行專題信息提取對深度理解自然資源要素有重要作用，傳統(tǒng)遙感影像專題信息提取方法可以分為監(jiān)督分類和非監(jiān)督分類方法。經(jīng)常使用的監(jiān)督分類方法有最大似然法［1］、支持向量機(jī)［2］、人工神經(jīng)網(wǎng)絡(luò)、決策樹、隨機(jī)森林和面向?qū)ο蠓诸惖龋?］，非監(jiān)督分類方法有K-Means、ISODATA 等，但以上方法存在提取要素精度不準(zhǔn)，且因地物異物同譜等原因造成地物錯分和混分情況嚴(yán)重。不同的特征對于地物要素提取所起到的作用各不相同，所占的權(quán)重也是存在較大差異。權(quán)重的設(shè)置主要依靠人工經(jīng)驗，而權(quán)重的設(shè)置參數(shù)直接影響到信息提取精度［4］。因此，監(jiān)督分類等方法在高分辨率專題信息提取中存在諸多局限性。雖然非監(jiān)督分類不需要人工進(jìn)行特征選擇，但是非監(jiān)督分類沒有選用訓(xùn)練樣本，無先驗信息，主要依據(jù)圖像中地物的波譜特征進(jìn)行特征選擇和特征分類，因此在專題信息提取上的精度要比監(jiān)督分類方法低［5］。目前監(jiān)督和非監(jiān)督方法大部分用在中低分辨率影像的專題信息提取研究和應(yīng)用，在高分辨率影像上目前主要以人工為主［6］。

近年來，隨著人工智能技術(shù)的快速發(fā)展，國內(nèi)外學(xué)者和行業(yè)專家積極探索利用深度學(xué)習(xí)進(jìn)行衛(wèi)星遙感影像的分割、分類、場景分析、圖像檢索、目標(biāo)檢測和變化檢測研究和應(yīng)用。1998年，LeCun［7］提出LeNet-5，該網(wǎng)絡(luò)基于梯度的反向傳播算法對網(wǎng)絡(luò)進(jìn)行有監(jiān)督訓(xùn)練，成功開啟了卷積神經(jīng)網(wǎng)絡(luò)新時代。2012年，Krizhevsky［8］等提出AlexNet并將卷積神經(jīng)網(wǎng)絡(luò)運用于圖像分類，在ILSVRC-2012比賽中以10%的精度優(yōu)勢奪得冠軍，自此神經(jīng)網(wǎng)絡(luò)迎來高速發(fā)展的熱潮，隨后國內(nèi)外學(xué)者不斷提出新的卷積神經(jīng)網(wǎng)絡(luò)方法［9-11］。在遙感影像信息提取中，多種技術(shù)探索和應(yīng)用方向均取得較好進(jìn)展，包括基于R-CNN，F(xiàn)ast R-CNN 和SPPnet等算法在目標(biāo)檢測方向來識別遙感影像中的典型目標(biāo)；基于FCN、Deeplab Unet等算法用于遙感影像分割分類；基于UFCN、D-LinkNet算法來進(jìn)行遙感道路提取等［12-13］。Zhang等人［14］利用一個融合了多層感知器和8層CNN 聯(lián)合深度學(xué)習(xí)模型用于LULC分類，對航空影像的LC和LU 的平均總體分類精度達(dá)到了90.18%和87.92%。田琳靜等人基于無人機(jī)影像使用一個5層的CNN 模型用于農(nóng)業(yè)區(qū)土地利用分類，分類精度達(dá)到了93%［15］。Huang 等人基于WorldView 多光譜遙感影像進(jìn)行分類，利用一個半遷移的深度CNN 進(jìn)行城市土地利用分類，比傳統(tǒng)方法獲得了更好的分類結(jié)果，精度高達(dá)91.25%［16］。還有許多學(xué)者也將CNN 應(yīng)用到農(nóng)作物分類上，Zhong等人［17］基于Landsat影像使用一維CNN 模型進(jìn)行農(nóng)作物分類，并與傳統(tǒng)方法對比取得了最好的分類效果，精度達(dá)85.54%。

目前行業(yè)內(nèi)結(jié)合深度學(xué)習(xí)技術(shù)的應(yīng)用多以0.5米到2米分辨率之間的遙感影像開展，并且主要以兩期遙感影像變化檢測的方法，進(jìn)行自然資源綜合監(jiān)測監(jiān)管實際業(yè)務(wù)應(yīng)用［18］。利用人工智能技術(shù)，結(jié)合超高分辨率無人機(jī)遙感影像，在精準(zhǔn)提取目標(biāo)地物邊界的同時，逐步提取航天遙感影像無法識別的精細(xì)化類別；同時結(jié)合歷年生產(chǎn)的國土調(diào)查現(xiàn)狀數(shù)據(jù)，開展精細(xì)化自然資源各類地物要素調(diào)查，以及耕地、礦產(chǎn)、水體、林地等專項動態(tài)監(jiān)測，將進(jìn)一步提升自然資源調(diào)查監(jiān)測和綜合監(jiān)測監(jiān)管將實現(xiàn)自然資源精細(xì)化和定量化能力。

本文結(jié)合近兩年持續(xù)開展的無人機(jī)超高分辨率智能遙感解譯探索經(jīng)驗和能力應(yīng)用，梳理總結(jié)了人工智能與超分辨率遙感影像智能解譯體系建設(shè)，以及在自然資源調(diào)查監(jiān)測和綜合監(jiān)測監(jiān)管中的應(yīng)用。通過介紹超高分辨率智能遙感解譯體系建設(shè)思路，智能解譯模型算法研發(fā)與優(yōu)化和綜合監(jiān)測監(jiān)管應(yīng)用實踐等方面的研究進(jìn)展，對人工智能在超高分辨率無人機(jī)遙感影像解譯應(yīng)用中的流程和存在問題進(jìn)行剖析，并提出進(jìn)一步研究和應(yīng)用建議與設(shè)想，為進(jìn)一步推動超高分辨率遙感影像的人工智能解譯技術(shù)的應(yīng)用發(fā)展提供思路。

1 超高分辨率智能遙感解譯方法研究思路

1.1 總體思路

與基于兩期影像進(jìn)行變化檢測在自然資源綜合監(jiān)測監(jiān)管中的應(yīng)用方法不同，本文充分利用0.1米左右分辨率無人機(jī)影像的超高辨識能力，以及國土變更調(diào)查現(xiàn)狀數(shù)據(jù)的權(quán)威性，通過采集獲取單期的無人機(jī)遙感影像，通過研制多種地物要素分類提取智能解譯算法進(jìn)行最新時相地物要素分類，與基準(zhǔn)時相的國土變更調(diào)查地類圖斑進(jìn)行專題空間分析，提取特定專題管理范圍內(nèi)部或外部的要素，提升自然資源調(diào)查監(jiān)測中新增建設(shè)用地提取、耕地變化檢測、水體等專項調(diào)查監(jiān)測，耕地 “非農(nóng)化”、“非糧化”監(jiān)測，供地與用地全生命周期監(jiān)管，執(zhí)法監(jiān)督等綜合監(jiān)測監(jiān)管的精細(xì)化和智能化水平。同時單時相影像提取的地物要素可定量化統(tǒng)計專題類別的定量分布和面積等信息，達(dá)到專題調(diào)查分析的目的。

圖1 超高分辨率智能遙感解譯監(jiān)測監(jiān)管總體思路

圖2 智能遙感解譯算法研發(fā)工藝流程

在國土變更調(diào)查遙感監(jiān)測的新增建設(shè)用地提取中，標(biāo)注對應(yīng)樣本并訓(xùn)練建筑、道路、推堆土、露天體育場等典型建設(shè)用地特征地類，通過獲取最新時相的超高分辨率無人機(jī)遙感影像，并提取以上類別，套合前時相國土變更調(diào)查的非建設(shè)用地范圍，提取非建設(shè)用地范圍內(nèi)的疑似新增建設(shè)用地圖斑，在工期緊湊的國土變更調(diào)查應(yīng)用中，可提前提取以上遙感監(jiān)測圖斑，并提前下發(fā)外業(yè)調(diào)查核實，可有效提升變更調(diào)查工作效率。在耕地 “非農(nóng)化”、“非糧化”監(jiān)測中，標(biāo)注對應(yīng)樣本并訓(xùn)練建筑、道路、推堆土、露天體育場等非農(nóng)典型地類和園地、林地、坑塘／水體等典型非糧地類智能解譯模型，通過獲取最新時相的超高分辨率無人機(jī)遙感影像，并提取以上類別，套合前時相國土變更調(diào)查的耕地范圍矢量，提取耕地范圍內(nèi)的 “非農(nóng)化”和 “非糧化”圖斑，經(jīng)過人工判讀后，精準(zhǔn)、快速提取以上專題矢量數(shù)據(jù)。

1.2 智能遙感解譯算法研發(fā)工藝流程

智能遙感解譯算法研發(fā)的主要過程包括樣本的生產(chǎn)與管理，模型訓(xùn)練、精度評價與模型優(yōu)化，模型應(yīng)用等關(guān)鍵環(huán)節(jié)［19］。

在樣本生產(chǎn)與管理環(huán)節(jié)，最大化發(fā)揮歷史業(yè)務(wù)數(shù)據(jù)價值，采用國土變更調(diào)查、DLG 歷史矢量中道路，水體，耕地等業(yè)務(wù)地類數(shù)據(jù)，對業(yè)務(wù)數(shù)據(jù)進(jìn)行樣本提純優(yōu)化，并制作多分類樣本庫。在模型訓(xùn)練中調(diào)優(yōu)HRNet網(wǎng)絡(luò)結(jié)構(gòu)開展模型訓(xùn)練，并開展多參數(shù)調(diào)優(yōu)的模型訓(xùn)練實驗，采用多種精度評價方法對訓(xùn)練的模型成果進(jìn)行精度評價。對驗證集評價后的模型典型問題進(jìn)行分析，通過返回優(yōu)化原始樣本質(zhì)量或新增樣本方式進(jìn)行樣本新增和優(yōu)化。

通過訓(xùn)練優(yōu)化后的模型在驗證集上準(zhǔn)確率和召回率均超過85%后，該模型可通過解譯提取并人工修測后在自然資源綜合監(jiān)測監(jiān)管實際項目中應(yīng)用，人工修測后的數(shù)據(jù)作為新增樣本，加入樣本庫中做進(jìn)一步模型訓(xùn)練優(yōu)化。

2 智能解譯模型算法研發(fā)與優(yōu)化

2.1 樣本生產(chǎn)與樣本庫建設(shè)

樣本分類體系建設(shè)，本研究參考國土變更調(diào)查技術(shù)規(guī)程，地理國情監(jiān)測地物要素分類體系和遙感地表覆蓋分類體系，以及廣西地類特色，形成廣西超高分辨率遙感樣本分類標(biāo)準(zhǔn)，樣本按照三級分類管理，一級類包括建筑、鐵路與道路、耕地、園地、林地、草地、人工堆掘地、構(gòu)筑物、水體、裸地和其他，其他類別見圖3樣本分類體系。

圖3 樣本分類體系

樣本采集與生產(chǎn)，本研究中采用廣西0.1米無人機(jī)影像，在GIS軟件套合國土變更調(diào)查中的道路，耕地，林地，園地，水體矢量和無人機(jī)影像，對因時相不同引起的圖斑變化進(jìn)行人工修測，建筑物的樣本基于無人機(jī)影像進(jìn)行人工單棟建筑物邊界采集，樣本采用兩種形式進(jìn)行存儲，原始樣本數(shù)據(jù)按照tif格式影像與shp格式的矢量存儲，樣本成果以2 048像素＊2 048像素的影像和二值label標(biāo)簽存儲。研究過程采集0.1米分辨率的2 048＊2 048像素樣本中，建筑5 468 張，道路6 861 張，耕地10 648 張，園地3 498張，林地4 367張，水體3 761張。解譯樣本成果如圖4所示。

圖4 超高分辨率智能遙感解譯樣本成果

2.2 HRNet卷積網(wǎng)絡(luò)模型訓(xùn)練

2.2.1 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

為了更好地解決遙感影像在專題信息提取中出現(xiàn)的異物同譜問題，許多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到遙感影像分割分類和變化檢測信息提取中。卷積神經(jīng)網(wǎng)絡(luò)遙感影像分類方法主要是基于影像區(qū)域級別識別并對像素級進(jìn)行分類。在這之前，許多神經(jīng)網(wǎng)絡(luò)都是全連接的網(wǎng)絡(luò)，即每個神經(jīng)元和其它神經(jīng)元之間連接。然而全連接神經(jīng)網(wǎng)絡(luò)的參數(shù)量大、學(xué)習(xí)效率低，并且層數(shù)也有所限制，因此不適合處理大尺度圖像。而CNN 使用了卷積操作，使其具有局部感受野和權(quán)值共享的特點，因此網(wǎng)絡(luò)的參數(shù)量就減少了很多，更適合處理大尺度圖像［20］。

在卷積神經(jīng)網(wǎng)絡(luò)中，卷積運算代替了全連接神經(jīng)網(wǎng)絡(luò)中的向量運算。使用卷積處理能夠大大減少每一層權(quán)重的參數(shù)量，降低了神經(jīng)網(wǎng)絡(luò)的復(fù)雜性。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般由卷積層、池化層、激活層和歸一化層組成。

1）卷積層：卷積層是CNN 的核心部分，其主要功能是獲取輸入圖像的特征。卷積核是卷積層的核心，具體操作是利用卷積核對輸入的特征圖進(jìn)行卷積運算，并輸出運算結(jié)果。

圖5是卷積運算的具體操作，其是用一個3×3大小的卷積核對輸入特征圖進(jìn)行單步卷積運算。具體運算操作是在輸入特征圖中使用一個與卷積核尺寸相同的滑窗，在特征圖中按照從左到右、從上到下的順序滑動，并將每次滑動對應(yīng)窗口和卷積核各位置的像素值相乘再相加，得到的運算結(jié)果代表滑窗中心的像素值。而對于邊緣像素，可以在其邊界填充0，這樣卷積運算就可以輸出與原始特征圖尺寸相同的特征圖［21］。

圖5 卷積計算

卷積層能夠抽取圖像的各種特征，淺層卷積可以學(xué)習(xí)到簡單的邊緣特征，深層卷積可以學(xué)到更加復(fù)雜抽象的特征，這使得CNN 可以自動提取圖像中的特征。此外，卷積層有局部連接和權(quán)值共享的優(yōu)點，這大大降低了網(wǎng)絡(luò)的參數(shù)量。

2）池化層：池化層是CNN 中常見的部分之一，池化層通過下采樣方式來降低特征圖的尺寸，從而可以進(jìn)一步減少網(wǎng)絡(luò)的參數(shù)量。池化層常用的方式有最大池化和平均池化。最大池化是在特征圖中選定一個固定尺寸的窗口，并用這個窗口中像元的最大值來代替此窗口，然后窗口按固定步長在特征圖中進(jìn)行滑動采樣，以此來降低特征圖的尺寸。而平均池化是用窗口中所有像元的平均值來代替窗口。池化層一般將特征圖的尺寸降低一半，這樣可以進(jìn)一步減少模型后續(xù)的參數(shù)量。

3）全連接層：全連接層在CNN 中用作最后的分類，通常位于整個網(wǎng)絡(luò)的末層。圖像在經(jīng)過卷積層和池化層后，網(wǎng)絡(luò)學(xué)習(xí)到了圖像的淺層特征和深層特征。而全連接層則是將學(xué)到的特征進(jìn)行加權(quán)求和，從而判斷圖像所屬的類別。全連接層中輸入層是特征向量，將輸入層的神經(jīng)元與隱藏層的神經(jīng)元進(jìn)行全連接來對特征向量加權(quán)，而輸出層一般通過Softmax分類器將輸出的結(jié)果表示成一個分類概率向量，表示圖像屬于每個類別的概率［22］。

4）激活層：主要是對非線性的函數(shù)進(jìn)行擬合，而卷積操作只是線性的，因此引入激活函數(shù)來增加網(wǎng)絡(luò)擬合非線性函數(shù)的能力。常見的激活函數(shù)有Sigmoid、Tanh、ReLU 和ELU 等。ReLU 函數(shù)就是max（x，0），計算速度很快，且對于大于0的輸入值敏感程度一樣，因此不會造成梯度消失。卷積神經(jīng)網(wǎng)絡(luò)中經(jīng)常使用的激活函數(shù)是ReLU 函數(shù)。

5）歸一化層：在CNN 中，深層卷積層的輸入是來自其之前的卷積層的輸出。因此，淺層卷積層的參數(shù)變化會導(dǎo)致深層輸入的分布發(fā)生改變。網(wǎng)絡(luò)模型訓(xùn)練是利用隨機(jī)梯度下降來不斷更新參數(shù)和數(shù)據(jù)分布，而每次參數(shù)更新都會導(dǎo)致網(wǎng)絡(luò)中間每一層的輸入分布發(fā)生變化，這種變化也稱內(nèi)部協(xié)變量偏移。而隨著網(wǎng)絡(luò)層數(shù)的加深，這種偏移量表現(xiàn)得越明顯，這會導(dǎo)致模型需要更多時間來調(diào)整樣本分布，從而降低網(wǎng)絡(luò)的訓(xùn)練效率。而批歸一化層的提出有效地緩解了這個問題，利用BN 層將卷積層的輸出數(shù)據(jù)標(biāo)準(zhǔn)化到有效范圍內(nèi)，這樣就可以緩解內(nèi)部協(xié)變量偏移的問題。因此BN 層可以防止梯度消失和梯度爆炸，加快網(wǎng)絡(luò)訓(xùn)練和收斂的速度，還能防止模型過擬合。

2.2.2 HRNet模型網(wǎng)絡(luò)

語義分割模型網(wǎng)絡(luò)結(jié)構(gòu)主要包括串行結(jié)構(gòu)和并行結(jié)構(gòu)［23］，串行網(wǎng)絡(luò)結(jié)構(gòu)將圖像抽象成語義特征圖層，解碼器再將語義特征圖映射返回到圖像標(biāo)簽上，該過程會損失大量圖像信息，而并行結(jié)構(gòu)的語義分割網(wǎng)絡(luò)，直接保留原始高分辨率的特征圖，能夠保留大部分的圖像精細(xì)化信息。本研究選用HRNet并行連接網(wǎng)絡(luò)模型，HRNet（high-resolution Network）是由微軟亞洲研究院視覺計算組提出的一種高分辨率深度神經(jīng)網(wǎng)絡(luò)。HRNet以其獨特的結(jié)構(gòu)框架，在姿態(tài)識別、語義分割、目標(biāo)檢測等方面有很好的應(yīng)用。HRNet整個過程保持高分辨率的特征圖，得到更為精準(zhǔn)的空間信息，不僅能夠較好保留超高分辨率遙感影像中，建筑、道路、耕地、林地、園地和水體等類別具有明顯的幾何特征，以及很強(qiáng)的連貫性和上下文語義特征關(guān)聯(lián)性。HRNet的網(wǎng)絡(luò)在CV 領(lǐng)域，越來越得到關(guān)注，因為很多用HRNet作為骨架網(wǎng)絡(luò)的方案在語義分割、目標(biāo)檢測、分類、分割、人體姿態(tài)估計等領(lǐng)域均取得矚目的成績。

HRNet的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示，網(wǎng)絡(luò)可視作四個并行的網(wǎng)絡(luò)，每個網(wǎng)絡(luò)具有不同分辨率的子網(wǎng)絡(luò)，在并行的子網(wǎng)絡(luò)之間存在多次特征圖的跨分辨率融合。不斷將低分辨率的特征圖加到高分辨率特征中。HRNet從高分辨率子網(wǎng)作為第一階段始，逐步增加高分辨率到低分辨率的子網(wǎng)，形成更多的階段，并將多分辨率子網(wǎng)并行連接。在整個過程中，通過在并行的多分辨率子網(wǎng)絡(luò)上反復(fù)交換信息來進(jìn)行多尺度的重復(fù)融合，使得每一個高分辨率到低分辨率的表征都從其他并行表示中反復(fù)接收信息，從而得到豐富的高分辨率表征。HRNet網(wǎng)絡(luò)在水平維持高分辨率特征，預(yù)測獲取的特征圖在空間上能更精確，使用重復(fù)的多尺度融合，利用相同深度和相似級別的低分辨率表示來提高分辨率表示。

圖6 HRNet模型結(jié)構(gòu)圖

2.2.3 模型訓(xùn)練

研究在OpenMMLab 開源深度學(xué)習(xí)算法體系下進(jìn)行，基于ubuntu16.04操作系統(tǒng)，8卡NVIDIA GeForce RTX 2080Ti的GPU 算力進(jìn)行模型訓(xùn)練，在建筑物模型訓(xùn)練中基于5 468張2 048像素＊2 048像素的建筑樣本，設(shè)置訓(xùn)練的迭代次數(shù)（total＿iters）為1 000次，共8卡并行訓(xùn)練，每卡并行樣本數(shù)量為2，初始學(xué)習(xí)率為0.001，為了增加小面積的建筑物召回率，設(shè)置小于200像素的權(quán)重為3。在訓(xùn)練樣本中自動劃分10%的樣本作為驗證集，訓(xùn)練過程統(tǒng)計的指標(biāo)如圖7所示。另外，分別完成道路，水體，耕地，林地和園地的分割模型訓(xùn)練工作。

圖7 模型訓(xùn)練過程指標(biāo)

2.3 研究成果分析與精度評價

2.3.1 解譯處理與結(jié)果分析

利用已經(jīng)訓(xùn)練的HRNet模型對超高分辨率遙感影像進(jìn)行分割信息提取時需要包括概率圖預(yù)測與二值化，矢量化及后處理兩部分工作。在概率圖預(yù)測與二值化過程中將已經(jīng)拼接好的DOM 成果按照5 000＊5 000像素分辨送入網(wǎng)絡(luò)進(jìn)行預(yù)測，預(yù)測結(jié)果轉(zhuǎn)化為0～1之間的浮點圖，預(yù)測值越大說明為某個地物前景的置信度越大，通過對預(yù)測的浮點概率圖設(shè)置概率閾值得到二值圖，二值圖中前景為1，背景為0，本研究將概率閾值設(shè)置為0.5。

在將二值圖進(jìn)行矢量化的后處理過程，針對建筑物進(jìn)行直角化處理，對其他地物要素通過設(shè)置先腐蝕再膨脹的參數(shù)消除掉細(xì)條狀圖斑。通過Douglas-Peucker算法進(jìn)行邊界簡化處理，從而消除掉由柵格轉(zhuǎn)矢量過程的像素鋸齒華現(xiàn)象，保證矢量形狀更貼近人工采集風(fēng)格。通過設(shè)置小于特定像素數(shù)量的圖斑剔除，去掉過小圖斑輸出。圖8為輸入無人機(jī)遙感影像，自動提取的建筑，道路，水體，耕地，林地和園地矢量成果。

圖8 基于HRNnet模型解譯結(jié)果

2.3.2 結(jié)果精度評價

本研究精度評價采用像素級的準(zhǔn)確率（Precision），召回率（Recall）和F1＿Score三個精度指標(biāo)進(jìn)行評價。

準(zhǔn)確率（Precision）為模型預(yù)測值落在真值中的面積在所有預(yù)測值中的面積占比。該值越低說明模型針對該地物的錯檢越多。

召回率（Recall）為模型預(yù)測值落在真值中的面積在真值中的面積占比，該值越低說明模型針對該地物的漏檢越多。

F1＿Score代表模型在準(zhǔn)確率（Precision）和召回率（Recall）的綜合平均分?jǐn)?shù)。精度評價計算說明如表1所示。

表1 精度評價計算值說明

在廣西北流市、武鳴區(qū)、梧州市及河池市等地針對每類地物各選擇標(biāo)注400張2 048＊2 048像素的影像進(jìn)行驗證集標(biāo)注，作為對各類模型精度評價的基準(zhǔn)真值。針對已經(jīng)訓(xùn)練得到的建筑、道路、水體、耕地、林地和園地6類地物的精度評價指標(biāo)如表2所示。

表2 各地類精度評價指標(biāo)

2.3.3 結(jié)果分析及對策

建筑預(yù)測模型可以對0.1米左右分辨率的無人機(jī)影像自動提取直角化的建筑物矢量輪廓，對20個像素以內(nèi)的超小建筑存在部分漏提，容易將大棚錯檢為建筑，需要進(jìn)一步標(biāo)注增加超小建筑數(shù)量，訓(xùn)練時增加小建筑物的權(quán)重，同時有針對性增加大棚樣本作為負(fù)樣本進(jìn)行遷移訓(xùn)練。道路預(yù)測模型提取矢量準(zhǔn)確貼合影像道路邊界，對建筑和樹木遮擋的道路需要后續(xù)開展后處理方法研究，完成道路連接性修補(bǔ)。

水體預(yù)測模型的準(zhǔn)確率超過92%，能夠準(zhǔn)確提取水面區(qū)域圖斑，但容易對超大水面的邊緣部分出現(xiàn)漏檢，對部分水域的邊緣貼合度欠佳，耕地預(yù)測模型存在少量圖斑邊緣貼合度欠佳，將部分園地錯檢為耕地的情況，林地和園地容易相互錯檢。以上錯檢和漏檢情況后續(xù)需要優(yōu)化現(xiàn)有樣本質(zhì)量，并增加樣本持續(xù)提升模型預(yù)測精度。將利用預(yù)測模型對初始樣本進(jìn)行預(yù)測，基于標(biāo)注結(jié)果優(yōu)化原有樣本質(zhì)量，同時標(biāo)注各類預(yù)測容易漏檢和錯檢的圖斑，對容易漏檢和錯檢的圖斑在label中單獨賦予亮度值，并在后續(xù)模型訓(xùn)練中增加相應(yīng)正負(fù)樣本權(quán)重，同時在廣西選擇更多典型區(qū)域增加樣本標(biāo)注。

3 應(yīng)用研究案例

在耕地“非農(nóng)化”、“非糧化”監(jiān)測項目中，以2022年國土變更調(diào)查的耕地矢量圖斑作為耕地基礎(chǔ)圖斑，對武鳴區(qū)、良慶區(qū)、賓陽縣耕地范圍內(nèi)提取建筑，道路，水體，林地和園地，重點對耕地內(nèi)的1 379個水體坑塘圖斑下發(fā)外業(yè)核查，開展耕地內(nèi)養(yǎng)殖坑塘整治工作，相比人工提取標(biāo)注水體圖斑，可有效提升作業(yè)效率。

在建設(shè)項目實施監(jiān)管項目中，套合建設(shè)項目審批圖斑，采用訓(xùn)練的HRNet預(yù)測模型對0.1米無人機(jī)影像，自動提取平果縣、樂業(yè)縣、凌云縣、隆林縣、賓陽縣、上林縣、西鄉(xiāng)塘區(qū)等1 879平方公里的1 992個疑似新增建筑圖斑并開展外業(yè)核查工作，相比原有全人工判讀，提升約3倍的工作效率。目前在持續(xù)探索在執(zhí)法監(jiān)督和1：500DLG 更新中的道路和水系更細(xì)工作中。

在耕地流入項目應(yīng)用中，采用耕地提取模型，共解譯無人機(jī)遙感影像14 600平方公里，自動提取疑似新增耕地流入圖斑30 000個，涉及面積近10 萬畝。經(jīng)實地舉證檢驗，基于該模型人工智能能提取的正確率達(dá)95%。相關(guān)成果已運用在日常變更調(diào)查、自然資源綜合監(jiān)測成果中。

4 結(jié)束語

針對廣西地貌破碎，以及天氣多云多雨情況造成的衛(wèi)星遙感采集覆蓋不及時的情況，充分利用超高分辨率無人機(jī)遙感影像，引入HRNet網(wǎng)絡(luò)算法，通過標(biāo)注訓(xùn)練樣本，開展無人機(jī)智能遙感解譯模型研發(fā)，訓(xùn)練0.1米最佳分辨率的建筑，道路，水體，耕地，林地和園地智能預(yù)測模型，通過單獨精修標(biāo)注的驗證集進(jìn)行精度評價，以上地類要素的準(zhǔn)確率和召回率均超過85%。建筑預(yù)測模型存在超小建筑漏檢和大棚錯檢問題，耕地，林地和園地存在混檢的問題，后續(xù)需要通過對原始樣本進(jìn)行優(yōu)化、標(biāo)注針對性正、負(fù)樣本和增加樣本的方式通過反復(fù)調(diào)參和模型訓(xùn)練增加預(yù)測模型的泛化性。同時需要持續(xù)研究道路連通性，建筑規(guī)則化和通用圖斑優(yōu)化等后處理算法，提升模型預(yù)測圖斑的可用性。