霍太瑩 張俊華

（1.山東省物化探勘查院，山東 濟南 250013；2.山東國科地理信息工程有限公司，山東 濟南 250101）

1 引言

衛(wèi)片執(zhí)法是利用衛(wèi)星遙感技術(shù)對某一區(qū)域某一時段的土地利用情況進行實時監(jiān)測，再對變化圖斑進行核實，確定土地合法性的一種土地執(zhí)法監(jiān)管手段[1]，可以評估一個地區(qū)的自然資源管理秩序，對保護耕地數(shù)量不減少、質(zhì)量不降低起到積極作用。開展衛(wèi)片執(zhí)法檢查，是對傳統(tǒng)執(zhí)法監(jiān)管模式的顛覆，有利于形成全國國土資源“一張圖”管理，建立土地審批、供應(yīng)、使用、執(zhí)法監(jiān)察等業(yè)務(wù)的網(wǎng)絡(luò)監(jiān)管平臺，建立“天上看、地上查、網(wǎng)上核”的立體土地監(jiān)管體系[2]。

近年來，有越來越多的識別算法應(yīng)用于衛(wèi)片執(zhí)法，如利用非監(jiān)督分類與監(jiān)督分類開展多時期影像地物提取，并進行對比分析，獲取變化信息[3]。目前應(yīng)用較多的衛(wèi)片執(zhí)法檢查方法多為人工目視解譯。隨著遙感算法的研究，在監(jiān)督分類基礎(chǔ)上提出面向?qū)ο笏惴ǎ撍惴ɑ诘匚锓指钸M行對象計算，從而豐富樣本集，提升分類精度[4-6]。吳聰?shù)热嗽诒O(jiān)督分類基礎(chǔ)上采用面向?qū)ο蠓诸惙椒?，研究提升衛(wèi)片執(zhí)法圖斑信息的提取精度，結(jié)果顯示基于高分辨率衛(wèi)星影像，采用更高精度的識別模型可以獲取較理想的提取效果[7]。葉琴等人綜合利用遙感技術(shù)、GIS 空間分析技術(shù)，對土地利用變化進行監(jiān)測分析，從而全面掌握違法用地狀況，進一步推動土地執(zhí)法監(jiān)察工作，有效遏制違法違規(guī)用地行為[8]。

目前，應(yīng)用較多的高分辨率衛(wèi)星影像多為兩米級與亞米級分辨率，兩米級衛(wèi)星影像重訪周期較快，但是分辨率較低、提取精度較差；亞米級衛(wèi)星影像重訪周期慢，但分辨率較高、提取精度高。本研究綜合利用兩米級與亞米級國產(chǎn)高分辨率衛(wèi)星影像，開展變化圖斑綜合提取，以此探討多源衛(wèi)星影像在衛(wèi)片執(zhí)法工作中的適用性。

2 原理與方法

2.1 技術(shù)路線

首先基于GF1 衛(wèi)星影像的重訪周期優(yōu)勢，開展多時期地物分類，對分類成果進行矢量化處理，然后進行分類矢量成果對比，提取變化區(qū)域；選擇覆蓋變化區(qū)域的最新時相GF2 影像進行地物分割與圖斑優(yōu)化，最終得到具有較高邊界精度的變化圖斑。

2.2 原理介紹

（1）TabNet 網(wǎng)絡(luò)

與深度學習方法相比，傳統(tǒng)機器學習方法中的隨機森林（RF）方法更適用于小樣本訓練，擁有更好的抗過擬合能力。但隨機森林方法和深度網(wǎng)絡(luò)模型在訓練和預(yù)測等多個步驟存在較大差異，很難將隨機森林與反向傳播的深度學習方法相結(jié)合。為此，研究使用TabNet 作為一條單獨的分支對滑動窗口中心點的光譜特征進行單獨建模，以增強模型的抗過擬合和泛化能力，并引入輔助損失來提升中心點光譜特征的權(quán)重。TabNet 的基本結(jié)構(gòu)亦為模擬隨機森林決策的基本單元，TabNet 整體由多個這樣的結(jié)構(gòu)堆疊而成，具體如圖1 所示。

圖1 TebNet網(wǎng)絡(luò)結(jié)構(gòu)

為了模擬隨機森林的分類過程，首先，使用Mask分別對輸入特征的x1和x2處進行屏蔽，實現(xiàn)決策樹分裂時分別對每一個特征進行單獨的分裂增益計算過程。然后，將屏蔽后的特征分別通過一個全連接層，并將兩個全連接層的輸出通過ReLU 激活函數(shù)后相加，其中這兩個全連接層的權(quán)重W 和偏置bias 互為相反數(shù)，目的是單獨對特征進行分裂計算，以模擬決策樹的特征選擇過程，從而進行一種軟性的特征選擇。最后，經(jīng)過一個Softmax 激活函數(shù)作為最終輸出。

總的來說，TabNet 每一層都對應(yīng)著決策樹的相應(yīng)步驟：Mask 層對應(yīng)決策樹的特征選擇；全連接層+ReLU激活函數(shù)對應(yīng)閾值判斷，以x1為例，通過一個特定的全連接層+ReLU 激活函數(shù)之后，可保證輸出的向量只有一個為正值，其余全為0，以對應(yīng)決策樹的條件判斷；最后將所有條件判斷的結(jié)果加起來，再通過一個Softmax 層得到最終的輸出。

（2）地塊優(yōu)化

邊緣檢測是圖像處理和計算機視覺的基本問題，旨在標識數(shù)字圖像中亮度變化明顯的點。近年來，隨著深度學習的不斷發(fā)展，邊緣檢測領(lǐng)域也出現(xiàn)了許多深度方法，和傳統(tǒng)方法相比，深度學習方法的精度更好，提取出的邊緣更準確。DexiNed 是由Poma X.S.等人提出的一種邊緣檢測網(wǎng)絡(luò)，最大優(yōu)勢是可以提取出更細的邊緣。在耕地地塊提取的場景下存在許多細小且密集的耕地地塊，這些地塊在影像上可能只有幾十個像素大小。如果提取的邊緣過粗，有可能導(dǎo)致整個耕地地塊被邊緣掩蓋，導(dǎo)致細小地塊漏檢，因此，研究使用DexiNed 網(wǎng)絡(luò)來進行邊緣提取。

DexiNed 網(wǎng)絡(luò)由一個編碼器組成，該編碼器有6個受Xception 網(wǎng)絡(luò)啟發(fā)的輸出塊。網(wǎng)絡(luò)在每個主要塊上輸出特征圖，為獲取更細的邊緣，每一個輸出的特征圖還會通過上采樣模塊進行上采樣。上采樣模塊由條件堆疊子塊組成，每個子塊有兩層，一層是卷積層，一層是反卷積層，分別進行特征融合和上采樣。最后，由上采樣塊產(chǎn)生的所有邊緣圖都被連接起來，送到網(wǎng)絡(luò)最末端的學習濾波器堆棧，并產(chǎn)生融合邊緣圖。

為了獲得更細的邊緣圖，DexiNed 使用了多個上采樣模塊，具體結(jié)構(gòu)如圖2 所示。與插值采樣和反卷積采樣不同，對不同尺度特征圖進行了不同的操作。對于淺層特征圖，尺寸和真值大小相差不多，直接使用反卷積進行上采樣；而對于深層特征圖，由于尺寸和真值相差過大，迭代使用多個2 倍上采樣的反卷積操作進行采樣。與直接采樣相比，這樣可以更好地保留深層特征圖的特征，從而獲得更準確的邊緣結(jié)果。模型多次使用了跳層鏈接操作，可在加深網(wǎng)絡(luò)的同時方便網(wǎng)絡(luò)進行優(yōu)化，提升了邊界提取精度。最后，將不同層獲得的邊緣圖進行融合，充分使用不同尺度的影像特征，有利于提取不同尺度的地塊對象。

2.3 數(shù)據(jù)介紹

國產(chǎn)高分辨率衛(wèi)星高分一號（GF1）搭載了兩臺2m 分辨率全色/8m 分辨率多光譜相機，以及四臺16m分辨率多光譜相機，突破了高空間分辨率、多光譜與高時間分辨率結(jié)合的光學遙感技術(shù)，以及多載荷圖像拼接融合技術(shù)、高精度高穩(wěn)定度姿態(tài)控制技術(shù)，單星上同時實現(xiàn)高分辨率與大幅寬的結(jié)合，2m 高分辨率實現(xiàn)大于60km 成像幅寬，16m 分辨率實現(xiàn)大于800km 成像幅寬，適應(yīng)多種空間分辨率、多種光譜分辨率、多源遙感數(shù)據(jù)綜合需求。

國產(chǎn)高分辨率衛(wèi)星高分二號（GF2）是我國首顆自主研發(fā)的亞米級民用衛(wèi)星，由自然資源部牽頭建設(shè)，專門服務(wù)自然資源調(diào)查與監(jiān)測。GF2 衛(wèi)星搭載兩臺高分辨率1 米全色、4 米多光譜相機，實現(xiàn)拼幅成像，通過糾正、正射、融合等處理，得到優(yōu)于1 米的正射影像成果。

3 結(jié)果與分析

3.1 多時期GF1 變化提取

采用深度學習分類方法對兩時期GF1 衛(wèi)星影像進行分類與變化提取。相較于其他分類算法，TabNet 網(wǎng)絡(luò)可以較完整地提取地物邊界，并且地物混淆程度較低，各地物的提取效果如圖3 所示。由圖可知，通過面向?qū)ο蠓诸?，各地物均完整識別出來，如山地地區(qū)的河流沖擊地帶、建筑、道路、廠房等。

圖3 深度學習多時期分類

對提取的前后時相分類成果進行矢量對比，以提取變化區(qū)域。其中，耕地由于作物種植的物候期，分別提取了夏季作物與秋季作物，通過疊加分析，剔除農(nóng)作物對變化提取的影響。通過矢量化對比，發(fā)現(xiàn)變化范圍多為研究區(qū)的新增高速公路、硬化水泥路、新增廠房、河道淤積等，通過GF1 可獲取較準確的變化位置，結(jié)果如圖4 所示，整體變化呈現(xiàn)沿河沿路分布，且與居民地串聯(lián)。然而GF1 衛(wèi)星影像的變化提取效果不太理想，同物異譜、異物同譜現(xiàn)象較多，瑣碎零星圖斑分布較廣。

圖4 變化圖斑提取成果

3.2 GF2 精度優(yōu)化

相對于GF1 的兩米級分辨率，GF2 具有更高的分辨率，對地物特征的表達更清晰。采用GF2 影像，結(jié)合地物分割與邊界后處理，得到如圖5 所示的分割效果。由圖可知，居民地與硬化道路的分割效果與實際情況完全符合，且邊界嚴格按照實際走向。通過分割，將農(nóng)作物與其他地類較好地區(qū)分開來。

通過GF2 的分割優(yōu)化，對變化圖斑的識別與提取有了很大提升，局部圖斑提取效果如圖6 所示。由圖可知，前后時期影像新增了道路、廠房圖斑，通過分割優(yōu)化，得到的圖斑邊界整體與實際情況吻合。新增道路圖斑在邊界處有零星鋸齒狀，是因為在道路相交處存在誤識別現(xiàn)象，但新增的道路圖斑整體提取較為完整；新增廠房的識別效果也較好，廠房周邊的裸露土地通過剔除農(nóng)作物，避免了裸地誤識別提取問題。

圖6 局部圖斑提取效果

4 結(jié)論與展望

本研究綜合利用兩米級與亞米級的國產(chǎn)高分辨率衛(wèi)星影像優(yōu)勢，開展變化圖斑綜合提取，以此探討多源衛(wèi)星影像在衛(wèi)片執(zhí)法工作中的適用性。通過研究得到以下結(jié)論：

（1）采用深度學習分類方法對兩時期GF1 衛(wèi)星影像進行分類與變化提取。相較于其他分類算法，TabNet 網(wǎng)絡(luò)算法可以較完整地提取地物邊界，并且地物混淆程度較低。

（2）采用GF2 影像進行地物分割優(yōu)化，居民地與硬化道路的分割效果與實際情況完全符合，且邊界嚴格按照實際走向。通過分割，將農(nóng)作物與其他地類也較好區(qū)分開來。結(jié)合GF1 與GF2 影像的變化圖斑提取精度整體較高，新增道路與廠房均完整識別出來，并且通過剔除農(nóng)作物等影響因素，避免了裸露土地對變化圖斑提取的影響。