摘 要：传统的人工目视变化提取的方式耗费大量的人力、物力且作业周期长,已经无法满足当今快速监测分析的需求,现在利用不同期影像进行智能变化检测和提取成为专家学者和软件方研究的热点。本文将浅析基于深度学习的遥感影像变化检测方法,旨在探索基于遥感影像进行常态化、快速化变化检测的技术路线和相关业务的应用,如基础测绘地形图更新、土地变更调查、地理国情监测更新等,为城市变化信息、地理信息数据的快速更新提供支撑。
关键词：遥感影像; 深度学习; 变化检测; 地形图更新
引言
变化检测是从不同时期的遥感数据中定量分析和确定地表变化的特征和过程[1],遥感变化检测可以理解为遥感瞬时视场中地表特征随时间发生的变化引起两个时期影像像元光谱响应的变化[2]。变化检测的主要内容有变化类型、分布状况、变化信息的描述,即确定变化前后的地物类型、界限和分析变化的属性[3]。
对不同期影像进行常态化、快速化变化检测[4-5],能为政府机构决策提供依据,将对持续构建并完善国家动态监测信息系统,对全国范围的自然、生态等地理环境要素进行空间化、定量化、常态化监测。传统的人工目视变化提取的方式耗费大量的人力、物力且作业周期长,已经无法满足当今快速监测分析的需求,现在利用不同期影像进行智能变化检测和提取成为专家学者和软件方研究的热点[6-8]。广州,天津等多地开展了基于变化检测的地理信息快速更新技术探索：广东省常态化地理国情监测任务中,利用多时相影像,研究了基于神经网络深度学习的地理国情地表覆盖变化检测[9];天津提出了基于深度学习的遥感影像变化检测算法,实现疑似违法用地的快速、自动化发现[10],此算法引入卷积神经网络模型利于深度学习对影像先进行分类,然后提取变化,本研究认为在对前后期影像分类时都带来了误差,所以将变化作为特征直接进行模型预测和检测,能够减少误差;农科院研究了无人机遥感及深度学习在油菜冻害识别中的应用,便捷、精准地识别和评估油菜冻害[11]。
目前有大量的遥感及地理信息数据资源,影像包括月度亚米分辨率卫星影像、历年航片及其他高分辨率卫星影像,为基于遥感的快速变化检测提供了重要数据基础,且数据时效性能保证长期进行遥感监测的使用要求。因此，基于遥感影像利用深度学习技术进行变化检测是十分必要的,通过深度学习技术能够大大提升基础测绘等工艺中变化检测的效率。
基础测绘是国民经济和社会发展的一项基础性和公益性事业,广泛服务于经济建设、社会发展、国防建设和人们生活的各个领域。而基本比例尺地形图是基础测绘产品的重要组成部分。北京的城市信息化建设需要大量现势性强的基础地理信息数据。基本比例尺地形图的动态更新与维护是保证基础地理信息系统具有现势性和时态完整性的基础性、前提性工作[12]。
近年来,深度学习在自然影像目标检测、语音识别、人脸识别等领域取得了巨大的成功[13],越来越多地应用于遥感影像分类和变化检测,并取得了一定的成绩,市面上也出现了很多集成化的软件或工具,如易智瑞(Environmental Systems Research Institute,ESRI)公司的专业地理信息软件(geographic information system,Arcgis Pro)和遥感图像处理平台(the environment for visualizing images,ENVI)、北京治元景行的简译软件、商汤科技、武汉汉达瑞科技的汉达瑞智能快速特征提取软件(EasyFeature)、百度公司的飞桨开源深度学习平台、华为公司的遥感智能体等。这些工具或技术多为信息提取模型,如地表覆盖分类或建筑物提取等,图斑边界及精度无法直接应用于基础测绘更新,此外这些工具大多无法自主训练和优化,无法满足实际生产应用需求。
面向基础测绘生产应用,针对变化检测的需求,利用相应数据资源：航片、北京2号月度卫片、矢量数据等,通过大量的深度学习以及遥感影像变化检测技术调研以及试验,研发了一套面向实际生产应用的深度学习变化检测技术方案,如图1所示,服务于基础测绘地形图更新。基于已有模型框架,面向实际生产需求进行样本标准研究、构建样本库及进行大量的模型训练,得到可迁移的变化检测模型,然后获取变化检测图斑,最后经过两级检查,应用于地形图更新工作。
图1 遥感影像变化检测生产应用技术方案
本研究应用的深度学习模型框架为TensorFlow,基于图像空间和光谱特性识别图像中的特征。模型训练完成后,可在其他图像中找到更多相同的特征。训练架构(称为ENVINet5)是基于Ronneberger等人(2015)开发的对称式网络架构(unity networking,U-Net)。与U-Net一样,ENVINet5是一种基于掩码(mask-based)、编码器-解码器(encoder-decoder)的体系结构,对图像中的每个像素进行分类。
1.1 面向基础测绘更新的深度学习变化检测样本标准研究
深度学习中,样本是带有标签的数据集,是神经网络模型学习数据特征的来源。针对地形图,样本标签为地理要素变化或更新内容,主要包括自然属性、社会属性、空间位置及形态等的变化。遥感解译变化检测样本包含同一地理位置前后两个时相影像和相应带有属性的变化图斑[14]。
基本比例尺地形图作为城市信息化管理所必需的基础图件,他要求各类地理要素和属性内容表示详细。更新的主要内容为新增的地形、地貌及地理名称。主要表现在城市建设热点区域,如城市旧城改造、小区建设、城市道路新建,改扩建院落、高层建筑、城市标志性建筑,各种变化的桥梁,重点工程建设项目开工,市政公共设施新增、环境的综合整治,城市绿化、休闲广场、城市景观等。
针对基础测绘地形图更新业务,利用遥感影像进行变化特征研究,形成深度学习样本标准,针对不同研究区域,样本标准不同,例如，表1列举了部分生产应用比较关注的标准要求：核心区关注的变化有建筑和地表变化、非密集区域的小块变化,不关注的变化有密集区域的小块变化等;通州区关注的变化有土地性质改变、屋顶颜色变化等。图2列举了部分变化示例。以月度卫片为主、航片为辅,分季节、分区域制作,根据样本标准形成变化检测样本库,示例如图3所示。
表1 样本相关标准
图2 变化示例
(a)前期影像
(b)后期影像
(c)变化图斑
图3 样本库示例
1.2 遥感影像变化检测技术流程
考虑到误差传递、计算效率、模型迁移等,本研究经过试验后形成相应的变化检测技术流程,如图4所示。
图4 变化检测技术流程
基于不同期影像进行变化检测有两种方式：分类后变化检测,利用深度学习模型对前后两期影像进行分类提取,然后再进行分类后变化检测;直接变化检测,利用已经配准的两期影像和变化真值直接训练变化检测模型,之后运用于新数据的变化检测。
研究认为第一种方式分类自身的误差带入了变化检测中,最后选择了方式二进行变化检测。处理流程主要包括：预处理,理想状态下的变化检测两期影像需要相同的传感器,记录时具有相同的空间分辨率、辐射分辨率,而实际中的影像获取很难保证具有相同的外界条件,而且生产部门生产DOM时受不同的因素影响,导致实际影像色差很大,所以在做变化检测时会先对两期数据进行匀色等预处理以减少干扰;之后做变化区域检测,将两期影像的差值和变化真值作为实验样本进行训练,获得模型,最后运用模型进行不同期影像的变化检测。获取变化图斑之后也可以进行相关后处理,包括滤波处理、平滑处理等,使得检测的边界更为合理等。
基础测绘北京市1∶500基本比例尺地形图总任务量为北京市四环范围及五环内重点区域422.5 km2。1∶500中心城区位于北京市城区,建筑类型有以紫禁城为中心的古建筑,二环路到五环路分布着多层、高层建筑和平房密集的城中村等建筑。交通网由铁路、快速轨道、高速公路、城际公路、城市道路等构成。
2020、2021、2022年遥感影像深度学习变化检测技术服务于基础测绘生产,改变了原有人工推扫式的变化检测方式,解决疫情期间外业巡查困难。变化检测准确率达85%左右,如图6所示,变化检测成果数据实际使用率达75%,如图5所示,未做修测部分,主要是大面积施工区域,对待修测区域基本实现引导性作用,细节展示如图7所示,为修测任务年度变化率的统计提供了数据支持,区域性的变化能够支持地形图更新项目,变化图斑和人工作业范围较吻合,部分区域还有提升分类的可能。大大降低人工外业巡查强度,对项目整体工期安排和人员调配起到有效支撑,优化生产工艺流程,提升生产效率,尤其是变化巡查效率提升超10倍。以往外业巡查发现变化采用人工方式,效率为每日1 km2/人,耗时大约2个月,利用变化检测成果需大约2周,而且只需内业即可发现变化。通过几年实际应用,变化检测成果能满足1∶500地形图更新变化检测的目的。
(a)变化检测图斑 (b)实际修测图斑
图5 对比图
(a)2020年变化图斑
(b)2021年变化图斑
(c)2022年变化图斑
图6 2020、2021、2022年变化检测图斑成果
(a)前期影像
(b)后期影像
(c)前期影像
(d)后期影像
图7 变化检测细节示例
根据2020、2021年1∶500地形图更新项目中实际应用统计,依据投入工时计算成本,利用变化检测成果图斑投入较原有的“推扫式”人工巡视预计投入,每个年度节省成本大概三十万元,也有效减少专业技术人员的外业工作时间,降低专业技术人员的劳动强度。连续两年节省的费用被用于新型基础测绘试点及技术研究。
本研究探索实际生产应用场景,形成了基于深度学习的遥感变化检测技术服务基础测绘工艺流程。研发了一套较为通用的、可推广、可拓展、可深化的深度学习变化检测技术方案,固化了数据产品和模型工具,未来可应用于地理国情监测、拆违核验、土地变更调查等业务。遥感影像深度学习变化检测技术为推动变化发现驱动式数据更新提供技术支撑,推动基础测绘地形图由“推扫式”更新为“变化发现驱动式”。未来也能够为城市变化检测提供有力信息,为相关地理信息数据的快速更新提供支撑。
近年来,深度学习技术显著提高了影像特征提取成效,但由于所使用的深度学习样本数量和类型有限,对于多源遥感影像的自动解译能力仍然不足,高校、研究院、企事业单位对于样本库的需求也越来越大。面向大范围多源遥感影像地物信息智能解译需求,在充分利用已有遥感、地理信息数据的基础上,遥感智能解译能产生相应的样本库,且能公开这些样本库,为社会各界参与遥感智能解译提供支持。
基于深度学习的遥感影像变化检测技术是目前的研究热点,虽然学术研究中精度很高,但根据实际生产应用中的数据情况,不同的算法或者软件并一定都试用,需要适应实际数据的生产流程,制作多且准确的训练样本集,构建样本库,完善模型,并能够实现模型迁移,运用到更多的生产中去。
参考文献
[1] 王凯. 基于ZY-1-02C和OLI影像的林地地类变化信息提取研究[D]. 南京：南京林业大学, 2015.
[2] 马建文, 田国良, 王长耀,等. 遥感变化检测技术发展综述[J]. 地球科学进展, 2004,19(2):192-196.
[3] 张一鸣. 基于无人机序列图像的变化检测技术研究[D]. 郑州：信息工程大学, 2008.
[4] 张飞舟,刘华亮,张立福,等. 高分辨率光学遥感影像变化检测算法在地震灾情调查中的应用[J].遥感技术与应用,2022,37(2):306-318.
[5] 周楚悦. 基于遥感的林地变化检测方法研究[J]. 智慧农业导刊, 2022, 2(7):35-37.
[6] 丁忆, 李朋龙, 张觅,等. 国土资源典型要素变化遥感智能监测关键技术及应用[J]. 地理信息世界, 2021, 28(6):65-71.
[7] 郭婷婷. 卫星遥感AI赋能城市空间治理[J]. 北京规划建设, 2020(S1):178-180.
[8] 陈章华. 高分辨率遥感图像智能变化检测技术研究[D]. 长沙：国防科学技术大学, 2019.
[9] 叶远斌. 神经网络深度学习算法在地理国情监测中的应用研究[J]. 西部资源, 2018(4):147-149.
[10] 李庆君. 基于遥感影像深度学习的违法用地查处应用研究[J]. 中国地名, 2020(4):60.
[11] 安谈洲, 李俐俐, 张瑞杰,等. 无人机遥感及深度学习在油菜冻害识别中的应用研究[J]. 中国油料作物学报, 2021,43(3):479-486.
[12] 赵琦. 北京市城市基本比例尺地形图的更新模式[J]. 北京测绘, 2011(1):32-35.
[13] WANG Q , ZHANG X , CHEN G, et al. Change detection based on Faster R-CNN for high-resolution remote sensing images[J]. Remote Sensing Letters, 2018, 9(10-12):923-932.
[14] 龚健雅, 许越, 胡翔云,等. 遥感影像智能解译样本库现状与研究[J]. 测绘学报, 2021, 50(8):1013-1022.
标题：基于深度学习的遥感变化检测技术应用研究
徐宗霞1,2 蔡 彩1,2 李泽宇1,2 陶迎春1,2 贾光军1,2 张海涛1,2
(1. 北京市测绘设计研究院, 北京 100045;2. 城市空间信息工程北京市重点实验室, 北京 100045)
引文格式：徐宗霞,蔡彩,李泽宇,等.基于深度学习的遥感变化检测技术应用研究[J].北京测绘,2023,37(2):248-253.
[基金项目] 科技部创新工作方法专项(2020IM020500);城市空间信息工程北京市重点实验室开放基金(2020204)
[作者简介] 徐宗霞(1993—),女,河南信阳人,硕士,工程师,研究方向为遥感数据分析与应用。
E-mail:xuzongxia123@163.com
[通信作者] 蔡彩,E-mail: caicai361448336@126.com
