自然资源典型地类遥感智能主动调查监测技术及应用

0  引  言

遥感影像分类与解译是自然资源、生态环境、农业、城市治理等遥感工程应用领域普遍存在的共性技术需求，利用计算机代替人工实现自动分类解译，一直是遥感领域长期奋斗的目标。然而，历经近半个世纪的科技攻关，各种统计、句法、结构模式分类以及神经网络等理论技术并没有转化成为先进的生产力，仍然采用人工目视解译 + 外业调绘的低效能作业模式，如第三次全国国土调查，21.9万调查人员参加，2.95亿个调查图斑几乎全部靠人工勾绘完成，现有遥感自动化解译方法同遥感工程应用之间还存在着明显差距。究其本质，分类解译方法提取的类别及类别边界，准确性和可靠性难以满足遥感工程应用中业务化要求，目前普遍采用的正射遥感影像分类更是无法实现垂直分布地类的解译需求。因此，如何高效能实现从遥感数据到地学知识的智能转化是目前亟待解决的问题，智能分类解译则是遥感领域共同面临的理论技术难题。

随着卫星遥感技术的快速发展，获取高分辨率遥感影像以几何级数的速度快速增长，获得多传感器、多时相、多分辨率、多类型、覆盖范围广、时效性强的卫星影像，为自然资源调查监测提供丰富的数据资源。然而，卫星成像受卫星星座、成像传感器系数、大气与地形等因素影响，导致相同区域的异源异时卫星影像存在辐射差异，存在较为严重的伪变化问题，从而导致变化检测精度难以提升。已有研究提出辐射校正方法解决此问题，主要分为绝对辐射校正和相对辐射校正。绝对辐射校正将无意义的数值影像转换为地表反射率影像，从而突出地物特性。然而，绝对辐射校正各项系数与模型存在误差，导致校正后影像依然存在辐射差异，还需要相对辐射校正方法进一步校正。相对辐射校正方法大多数基于检测不变像素用于校正影像，如暗 - 亮像元辐射不变特征法、迭代加权多元正交规划变化检测法、主成分分析法、人造地物辐射不变特征法。

这些方法以待校正影像中的其中一景作为参考影像校正其他影像，受人为主观及参考影像的选取影响较大，实质上是任意辐射参考下的相对辐射校正。这种传统方法受人为干预较大，参考影像不统一，缺乏辐射标准，导致变化检测精度受到限制。

深度学习技术显著提高了影像特征提取成效，并广泛应用于遥感影像场景理解、地物目标检测、土地覆盖分类与变化检测等任务。由于深度学习属于数据驱动型方法，受限于模型训练的样本数量和类型，因此构建多尺度、多形态、多时相样本库有助于多源异构遥感影像智能解译。自然资源调查监测范围广、种类繁多、信息量丰富，要求时效性强，需建立多时相与跨区域的自然资源典型地类样本库，研究多源异构样本自适应更新技术，解决自然资源调查监测样本适应性差和更新效率低等问题。如今，已有研究提出许多面向不同应用的遥感影像样本库，如 UC-Merced、WHU-RS19、 NWPU、WHU-CD、LEVIR-CD、xView等。这些样本库的影像数据来自不同卫星，辐射差异较大，样本的尺寸各异，覆盖范围小，仅适用于针对性任务，难以泛化迁移至全国范围的自然资源调查监测任务。因此，结合多尺度高分遥感地面基准网技术，统一辐射标准，建立多尺度、多形态、多时相、多源异构自适应更新的自然资源典型地类样本库。

近年来，大数据与深度学习快速发展，利用遥感影像进行变化检测是实现自然资源调查监测有力的技术手段。如今已有研究设计了不同的网络模型用于变化检测，如自监督模型、半监督模型、弱监督模型、生成式网络、基于全卷积孪生网络、自动编码模型、深度限制玻尔兹曼机模型等。上述方法设计了各种不同的模型架构，存在着共性问题，同时也是自然资源变化检测的难点，即现有的变化检测方法基于全类型自然资源变化的综合检测。然而，自然资源类型繁多，各类资源的遥感影像特征与模型适用性并不相同，设计一种模型识别全类型自然资源变化非常局限，需突破自然资源典型地类变化主动发现模型，利用自然资源典型地类样本训练模型，从而实现自然资源典型地类遥感智能主动调查监测。

针对上述大数据遥感影像辐射不统一、自然资源样本繁杂难以更新与变化检测精度低等问题，解决遥感影像变化检测精度低与可靠性低的难题，突破高效智能主动自然资源调查监测技术。本文以自然资源典型地类变化监测需求为引导，构建多尺度高分遥感地面基准网与自然资源典型地类样本库，按需分别研究耕地、水体、林地等自然资源典型地类的主动变化检测模型，建立高分遥感主动调查监测技术体系，实现自然资源变化的智能调查监测。

1  自然资源遥感智能主动调查监测技术

本文基于多尺度高分遥感影像构建地面基准网，提供自然资源调查监测的基准支持。研究样本自适应更新、融合和在线访问技术，构建多形态自然资源样本数据库，提供自然资源调查监测的样本支持。采用模式识别、机器学习利用三维影像特征研究自然资源典型地类变化监测技术，实现自然资源典型地类变化的主动发现。总体技术方案如图1所示。

图 1 总体技术方案

Fig.1 Technical flowchart

1.1  多尺度高分遥感地面基准网技术

面向自然资源调查监测的需求，针对基于高分遥感技术的自然资源调查监测成果精度和可靠性低、调查监测工作长期处于被动状态等情况，创新性地提出多尺度高分遥感地面基准网思想，建立几何基准网和辐射基准网，解决自然资源调查监测基准难以统一难题（图2）。

图 2 多尺度高分遥感地面基准网示意图

Fig.2 Schematic diagram of the multi-scale high-resolution remote sensing ground reference network

1.1.1  几何基准网建设

搜集整理已有的地理国情监测和基础测绘控制点、空三加密像控点、影像几何纠正像控点、正射影像特征控制点等数据，研究分析现有控制点的数量、分布、精度。设计几何基准网数据库结构及建库方法流程（图3）。几何基准网数据入库原则：选取定位精度高的控制点，选取特征突出的控制点，控制点均匀分布且独立。几何基准网数据库的功能与应用：各级控制点数据的存储、有效管理和及时更新。几何基准网数据库建设原则：数据完整原则、最小冗余原则、数据统一原则、数据安全原则。

图 3 几何基准网数据库技术流程

Fig.3 Technical flow of geometric datum network database

1.1.2  辐射基准网建设

针对目前辐射校正缺乏标准化手段，选取辐射质量较好的影像作为辐射基准影像，并对典型地物辐射值进行采样，建立辐射控制基准。辐射控制基准分为辐射不变性地物和辐射确定性地物。研究辐射不变性地物和辐射确定性地物的选择依据和方法，设计辐射基准网数据库结构和建库方法流程。

1）辐射不变性地物。假定影像上存在具有较稳定反射辐射特性的像元，并且可确定这些像元的地理意义，那么就称这些像元为辐射不变目标，对应的地物为辐射不变地物，这些辐射不变地物在不同时相的遥感图像上的反射率将存在一种线性关系。当确定了辐射不变地物以及它们在不同时相遥感图像中反射率的这种线性关系，就可以将这些地物作为辐射基准，用来进行遥感影像辐射质量评价。以山西省盐湖区为例，研究发现以下3种地物具有稳定的辐射特性，可作为辐射不变性地物：水体、常绿针叶林、大型构筑物（硬化地表、广场、露天体育场、停车场、停机坪与跑道）。

2）辐射确定性地物。相对于辐射不变性地物，更多地物反射辐射特性随着时间变化而变化，其中部分地物辐射特性受季节等因素影响呈现出规律性变化，这类地物称为辐射确定性地物。如果对不同季节下这类地物反射辐射率采样，并对辐射特性进行统计分析，确定辐射特性随季节变化规律，建立地物辐射特性数据集，同样可以作为辐射参考基准，用来对不同季节下的遥感影像进行辐射质量评价。以山西省盐湖区为例，研究发现辐射确定性地物以植被覆盖区域为主，阔叶林和茂密的草地可以作为辐射确定性地物。

1.1.3  软件开发流程

技术构建系统主要使用ArcObjects 组件中的ArcGIS Engine组件库。作为一个嵌入式的GIS组件库，可以将ArcGIS的功能与数据库系统所需功能结合进行开发。系统整体框架使用ToolbarControl、TOCControl和MapControl控件完成。同时，软件采用Oracle数据库管理系统构建管理数据库，不仅能保证影像数据的安全储存，而且采用结构化查询语言SQL，可以使用多种数据类型提供面向对象的数据支持。数据维护设置主要是对一些基础数据表格信息进行维护管理，包括添加、删除数据等功能，主要包括控制点类型设置、影像类型设置、平面坐标系类型设置等。系统主界面如图4所示。

图 4 系统主界面

Fig.4 System main interface

1.2  自然资源调查监测样本库在线服务系统

海量、多类型、多尺度的遥感影像样本库是实现大范围异构遥感影像高精度智能解译和变化检测的重要基础。当前，深度学习方法在遥感变化检测中等领域取得较好的应用效果，但深度学习算法对于海量样本的高度依赖成为不可忽视的问题，因此样本库建设无疑是开展自然资源调查监测工作中重要且不可或缺的基础内容。为满足多尺度、多时相、跨地域地类样本支撑的现实需求，针对自然资源调查监测样本尺度差异大、适应性差、更新效率低和业务应用覆盖弱等问题，提出了自然资源调查监测样本库建设方案，重点攻克了多形态样本库构建、多来源样本自适应更新和样本一致性融合等关键技术，形成了一套智能自动的自然资源调查监测样本库在线服务系统。该系统的整体技术流程如图5所示。

图 5 自然资源调查监测样本库在线服务系统技术流程

Fig.5 Technical flow of online service system of natural resource investigation and monitoring sample database

围绕自然资源调查监测开展样本库建设研究，将第三次全国国土调查和土地利用变更调查等自然资源调查监测成果数据作为样本数据来源，在现有土地利用分类体系的基础上，对自然资源分类进行梳理，确定构建自然资源调查监测样本库的分类体系。在分类体系约束下，利用已有矢量成果数据中的人工勾绘图斑，通过自动选择、分类及手动修正等方式进行样本采集，能够提高样本采集的效率和准确性；通过影像成像时间、地物地形信息、样本状态以及卫星平台等数据，能够进一步保证地物样本特征提取的完整性。将采集的样本存储、建库之前，为解决不同来源数据的尺度差异问题，要完成多态模型的设计，实现数据的多尺度整合，并分析数据中地物的空间位置、分布和形态等信息，根据不同地物形态对数据进行分类。经过多尺度整合的数据，要进一步进行数据转换，将数据转换成栅格影像、格网数据以及与其相关联的元数据，为样本库的建立做准备。在数据入库过程中，为保证入库数据的正确性，需要对样本数据实行交互复查、抽样详查、总体控制的方式进行质量控制，对样本数据中地物的完备性、格式正确性、影像一致性，以及存储规范性等进行检查监控，最终将地物样本的影像数据、样本数据、格网数据、实地照片以及地物的属性信息数据等入库，实现样本库的构建。最后，要保证构建的样本库准确度高的同时具备代表性，需要设计具有全面性、代表性、均衡性、时序性、尺度性的样本库构建方案，制定针对自然资源典型地类提取、变化检测的样本库格式规范。

大多数样本库构建的相关研究比较注重样本制作效率的提升，而忽略了对于样本库的更新和维护，导致样本的更新效率低。为解决这一问题，通过差异化更新和版本控制的方式来提高样本库更新效率。以往的样本数据库没有对样本数据做任何的分类操作，全部存储在数据库中，导致了样本数据更新和查询效率低。因此，对多源样本数据进行地域分类，通过分地域、分形态的方式进行更新，加快样本库更新的效率。同时通过对样本库设定更新周期，每过一个周期，将库内数据与新采集的样本数据进行比较，若有变化则进行样本库的实时更新。样本库更新后需要及时进行版本控制，对更新过程中各种程序代码、配置文件及说明文档需要进行及时变更与发布，同时要保存历史记录。

样本数据经过地域、形态的分类，同类数据之间具有高度的一致性，样本库的周期性更新使得样本数据具有高度的实时性，在此基础上，主要从地域一致性、来源一致性、时态一致性和性质一致性4个方面进行样本数据融合，从而解决自然资源调查监测样本业务覆盖弱的问题。基于样本数据融合结果，构建基于知识库的专题样本输出模型，对于不同的专题应用需求，都能从样本库中输出合理的结果，提供样本数据服务。

1.3  土地利用变化高分遥感主动发现技术

研发土地利用变化高分遥感主动发现新技术，以改进遥感影像自动解译分类技术和数据辅助自动解译技术为目的，针对耕地、林地、建筑物、道路、水体等典型地类，利用已有基准网、样本库、土地利用现状数据等各类参考数据，结合调查标准和分类体系，计算机自动解译分类提取土地利用现状数据，实现数据之间的快速转换，减少人工目视解译的工作量，提高各类参考数据的使用率和土地利用现状分类的准确性、工作效率。并以此为基础，按需提取前、后时相土地利用类型，快速发现土地利用基期—末期变化信息，自动提取土地利用变化图斑，进一步提高主动发现、类别识别、边界勾绘的准确性，优化智能解译技术，减少人工干预，提高工作效率，实现智能、自动提取村镇土地变化图斑。所提出的土地利用变化高分遥感主动发现技术路线如图6所示。

图 6 土地利用变化高分遥感主动发现技术路线

Fig.6 Technical flow of autonomous change detection for land cover with high-resolution remote sensing images

2  自然资源典型地类变化智能监测平台与应用

2.1  平台模块展示与介绍

2.1.1  多尺度高分遥感地面基准网模块

模块构建的影像控制点基准数据库系统主要使用ArcObjects组件中的ArcGIS Engine组件库。作为一个嵌入式的GIS组件库，可以将 ArcGIS 的功能与数据库系统所需功能结合进行开发。系统整体框架使用ToolbarControl、TOCControl和MapControl控件完成。

同时软件采用Oracle数据库管理系统构建管理控制点影像数据库，不仅能保证控制点影像数据的安全存储，而且采用结构化查询语言SQL，可以使用多种数据类型提供面向对象的数据支持。数据库系统主界面如图7所示。

图 7 数据库系统主界面

Fig.7 Main interface of database system

数据维护设置主要是对一些基础数据表格信息进行维护管理，包括添加、删除数据等功能，主要包括控制点类型设置、影像类型设置、平面坐标系类型设置等。

控制点属性信息与影像信息的显示主要是对控制点属性信息使用表格的方式显示，对影像在系统图层中进行显示，包括控制点在影像上的位置显示。

2.1.2  自然资源调查监测样本库在线服务

本文建立的自然资源调查监测样本库，从现实情况和真实需求出发，参考以往样本库建设的相关规范，统一规范采集的地物样本标签的属性信息以及各属性所对应的格式，并制定典型地物的编码规则，最后根据数据库结构进行元数据入库。其中，入库成果包括典型地物样本影像数据、格网数据、实地照片以及地物的属性信息数据表，最终构建出典型地物样本库。样本库可实现多类型样本数据动态更新，形成多类型样本数据自适应更新，并完成了自然资源调查监测多形态样本库建设（图8）。

图 8 样本格网及样本成果表入库示例图

Fig.8 Sample grid and sample result table

2.1.3  自然资源典型地类变化高分遥感主动发现术模块

模块针对耕地变化监测需求，道路变化监测需求，建筑物变化监测需求、水体变化监测需求，林地变化监测需求等自然资源典型地类变化监测需求。基于国产高分影像等多源遥感数据和自然资源调查监测样本库，主要采用深度学习方法，结合其他智能分类方法，识别不同时期自然资源典型地类类型，实现自然资源典型地类变化的主动监测。

2.2  典型辐射地类分布图

以山西省运城市盐湖区为例，对典型辐射地物进行分类，结合辐射不变基准和辐射确定基准提取，得到典型辐射地类分布（图9）。典型辐射地物选择了5类，其中辐射不变性地物有3类：水体、常绿针叶林、大型构筑物（硬化地表、广场、露天体育场、停车场、停机坪与跑道）。辐射确定性地物有两类：阔叶林和茂密的草地。

图 9 山西省运城市盐湖区典型辐射地类分布

Fig.9 Radiation of typical land classes in Yanhu district, Yuncheng city, Shanxi province

2.3  样本库在线服务系统

针对自然资源调查监测工作，利用自然资源典型地物样本的影像数据、矢量数据、格网数据、实地照片以及地物的属性数据等信息，构建出自然资源典型地物样本库，形成了智能自动的自然资源调查监测样本库在线服务系统，如图10所示。在此系统中，能够生产多尺度、多形态、跨时相、跨平台的地物样本，样本示例如图11所示。

图 10 样本库系统界面

Fig.10 System interface of sample library

图 11 自然资源典型地物样本示例

Fig.11 Sample of typical features of natural resources

2.4  土地利用变化高分遥感主动发现技术

2.4.1  基于全连接神经网络模型的高分二号影像地利用分类提取

目前，应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。因此本文从像素级分类尺度对土地利用分类问题进行研究，提出一种基于全连接神经网络模型，并通过优化确定隐藏层的层数和隐藏层神经元的数量，经过反复实验，最终确定隐藏层的层数为3，构建3层神经网络，以广州市从化区高分二号遥感图像为数据源进行实验。

广州市从化区土地利用分类结果如图12所示，分类精度达到82%。研究模型可以对从化区土地利用类型进行有效预测，由于训练影像选取时期为冬季，耕地多处于休耕状态，即地表裸露，与部分裸露未利用地影像特征较为接近，存在将未利用地错分为耕地的情况，导致分类结果中耕地面积相对实际值偏大，但整体分类结果较好，模型对于高分辨率影像进行土地利用识别具有一定的潜力。

图 12 广州市从化区土地利用分类预测结果

Fig.12 Prediction results of land use classification in Conghua District，Guangzhou

2.4.2  基于深度学习的大尺度高分影像土地利用化检测

基于2015年和2020年广东地区高分二号遥感影像数据，经过遥感影像预处理后，以广东省某地为研究区，依据影像的光谱、纹理、几何、像素特征，利用深度学习技术，对土地利用类型变化进行检测。

模型采用的是孪生U-Net网络 (Siamese U-Net network)，网络权重共享，编码器为ResNet34，模型框架如图13所示。将2015年与2020年对应的256×256×8切片数据输入到共享网络权重的孪生网络中，经过5层卷积编码之后，各自提取对应的时间、空间、光谱信息，即时 - 空 - 谱特征，缩小为原图像大小的1/32；进入连接层，将两个数据进行串联，即对应提取的特征信息进行串联；进入解码层，为将形状还原为原输入数据大小，采取5层上采样，在上采样过程中，分别与在编码器中经过卷积后图像大小相同的影像叠加，最终图像上采样成256×256大小；经过一个通道数为2、激活函数为softmax的卷积，对图像进行逐像元预测，得到最终变化检测结果。

图 13 孪生 U-Net 网络结构图

Fig.13 Structure of Siamese U-Net network

研究区得到的变化检测结果如图14所示。变化检测准确率达到97.7%，Kappa系数达到0.69，变化地物所在位置能较为准确地检测到。表明所用模型理想，可提高土地利用变化检测的精度与工作效率，减少人工目视解译的工作量，为自然资源典型地类主动调查检测提供有力支撑。

图 14 变化检测结果

Fig.14 Change detection results

3  结  论

本文设计开发多尺度高分遥感地面基准网技术体系，建立高分遥感高质量地面基准，统一多源异构遥感影像辐射，为构建自然资源典型地类样本库提供基准支持。针对大数据遥感影像尺度形态多样化与自然资源样本繁杂难以更新问题，构建了多尺度、多形态、多时相、多源异构自适应更新的自然资源典型地类样本库，重点解决深度学习在自然资源典型地类调查监测精度低的难题。基于多尺度高分遥感地面基准网与自然资源典型地类样本库，针对不同典型地类，分别研究自然资源变化检测模型，建立典型地类主动变化检测模型库，实现自然资源典型地类遥感智能主动调查监测。今后还将继续深入研究，在保证高精度的基础上优化算法，提升影像处理速度，推动遥感影像监测向着实时动态监测发展，构建一个范围更大、精度更高、时效性更强的动态监测体系，为应急救灾、数字孪生、智慧城市等多个领域服务。