基于遙感影像智能識別的京雄城際鐵路生態(tài)環(huán)境監(jiān)控技術(shù)

葛輝凱，郝 爽，葛開國

（1. 武漢鐵四院工程咨詢有限公司 橋梁室，湖北 武漢 430063；2. 雄安高速鐵路有限公司雄安指揮部，河北 石家莊 050000；3. 中國鐵道科學研究院集團有限公司 節(jié)能環(huán)保勞衛(wèi)研究所，北京 100081）

0 引言

鐵路建設(shè)在極大帶動區(qū)域經(jīng)濟發(fā)展的同時，給生態(tài)環(huán)境造成了一定影響。雖然采取的多種污染防治措施和生態(tài)恢復措施在項目驗收階段效果顯著，但鐵路施工期環(huán)境問題仍需進一步控制[1]。因此，應不斷加強鐵路建設(shè)的環(huán)境管理，全面落實各項污染防治措施和生態(tài)環(huán)境保護措施，最大限度減緩建設(shè)項目對周圍環(huán)境的影響。

人工智能、大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等新技術(shù)的應用，加速了社會的智能化發(fā)展，推動了中國智能高鐵的進程。2017 年，我國鐵路正式啟動“智能京雄”等重大工程建設(shè)，提出了“智能高鐵”的戰(zhàn)略目標和總體要求[2]。京雄城際鐵路在建設(shè)實踐中，積極探索運用信息化、自動化、智能化技術(shù)，對項目施工生態(tài)環(huán)境影響開展全方位、全過程監(jiān)控。其中，基于遙感影像智能識別的生態(tài)環(huán)境監(jiān)控技術(shù)取得了良好應用效果。

1 京雄城際鐵路生態(tài)環(huán)境影響分析

1.1 鐵路沿線環(huán)境

京雄城際鐵路大興機場至雄安新區(qū)段工程，起自北京市大興機場站，途經(jīng)北京市大興區(qū)、河北省廊坊市固安縣、永清縣、霸州市，終于雄安新區(qū)雄安站，正線全長約59 km。其中，工程新建橋梁46 km，明挖隧道1座7 km，路基工程6 km。工程于2018年2月開工建設(shè)，2020年底通車運營。

線路所屬地區(qū)位于華北平原北緣，地形平坦開闊。沿線經(jīng)過永定河、東干渠、牤牛河、虹江河等河流及其支流，河流水量均不大，水流緩慢。沿線地區(qū)屬于暖溫帶半濕潤大陸性季風氣候，四季變化明顯。大興區(qū)土地利用程度高，區(qū)域產(chǎn)業(yè)布局及與城市、村鎮(zhèn)和道路距離等區(qū)位因素使其土地綜合利用水平呈現(xiàn)北高南低的格局；設(shè)施農(nóng)用地、園地和設(shè)施耕地等集約利用程度較高的農(nóng)用地比例大，集中分布在村鎮(zhèn)和道路附近；各類土地破碎化嚴重[3]。河北廊坊、固安段的環(huán)境情況類似。

1.2 施工生態(tài)影響

1.2.1 植被破壞和水土流失

根據(jù)項目沿線環(huán)境特點，京雄城際鐵路的施工生態(tài)影響主要集中在植被破壞和水土流失方面。項目主體工程和臨時工程占地均需要清除地表植被，區(qū)域內(nèi)植被覆蓋度明顯減少，從而增加了地表裸露面積；隧道、橋梁、路基等工程建設(shè)也會破壞原始地貌，土壤抵抗水土侵蝕能力減弱，易導致水土流失，使生態(tài)環(huán)境的穩(wěn)定性下降并惡化，甚至可能影響植物群落的演替。同時，亂堆亂棄、隨意擴大施工占地等不文明施工行為均會打破原有的地表平衡，改變區(qū)域地貌類型進而加劇水土流失。

建設(shè)過程中一般會采取臨時綠化、苫蓋等措施減少裸露面積，并且施工完成后對路基邊坡、取棄土場、臨時工程等采取生態(tài)恢復措施，盡可能恢復原有的生態(tài)功能，但若植被恢復措施落實不及時、不到位會加劇生態(tài)系統(tǒng)的惡化。

1.2.2 對沿線敏感目標影響

線路經(jīng)過區(qū)域城鎮(zhèn)、村莊分布較為密集，施工過程對周圍居民區(qū)、學校、醫(yī)院等敏感目標的影響主要為施工噪聲、揚塵、振動等。鐵路項目拌和站、制梁場等臨時工程布設(shè)會遠離環(huán)境敏感區(qū)，施工車輛對村莊、學校等也會采取避繞、禁鳴、限速等措施，并且除特殊情況外夜間一般不進行施工作業(yè)[4]。但是，由于受到地形條件、工程需要等多重因素的限制，部分敏感點相對施工生產(chǎn)生活區(qū)的距離較近，項目施工可能會對其產(chǎn)生一定的影響。

2 遙感識別生態(tài)監(jiān)控技術(shù)

在京雄城際鐵路工程環(huán)境管理過程中，針對沿線環(huán)境特點采用了高分辨率遙感影像技術(shù)，對鐵路建設(shè)項目制梁場、拌和站等大臨工程和居民區(qū)、學校、醫(yī)院等敏感區(qū)進行分類識別及生態(tài)監(jiān)控分析。

目前，識別分析方法依據(jù)特征選取方式的不同可分為2 類，一是利用人工設(shè)計特征，二是采用深度神經(jīng)網(wǎng)絡自主學習特征[5]。前者需要花費大量精力選擇合適的建筑物特征。本項目選擇采用卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network，CNN)進行動土識別和圖像分類。

2.1 卷積神經(jīng)網(wǎng)絡

卷積神經(jīng)網(wǎng)絡是一種深度神經(jīng)網(wǎng)絡的代表算法，為多層神經(jīng)網(wǎng)絡，在圖像識別領(lǐng)域應用廣泛，其省略了對特征提取和數(shù)據(jù)重建的過程，可以直接接收輸入的圖像[6-7]。卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)主要由輸入層(Input)、卷積層(C)、池化層(P)、全連接層(FC)和輸出層(Out‐put)組成，其中卷積層和池化層為卷積神經(jīng)網(wǎng)絡特有。卷積層主要是通過卷積操作來提取圖像特征，一般包括線性操作和激活函數(shù)輸出2步[8]。池化層主要是對特征圖進行降維，使用Sigmoid 函數(shù)作為卷積網(wǎng)絡的激活函數(shù)，特征映射后的圖像擁有位移不變性。卷積層與池化層交替出現(xiàn)的神經(jīng)網(wǎng)絡結(jié)構(gòu)可以實現(xiàn)特征圖降維處理，同時可以減小網(wǎng)絡過擬合程度，提高網(wǎng)絡性能，容忍輸入圖像畸變[9]。

2.2 技術(shù)路線

根據(jù)鐵路建設(shè)項目的特點及高分辨率遙感影像對建筑物識別分析方法[10-11]，選用深度卷積神經(jīng)網(wǎng)絡建立模型進行識別分析研究。

首先，基于高分辨率遙感影像構(gòu)建鐵路施工期地物樣本庫，使用軟件工具繪樣本多邊形并賦予每塊圖斑屬相。對樣本庫進行數(shù)據(jù)預處理生成樣本的標簽圖像，再將原始圖像和標簽圖像輸入深度卷積神經(jīng)網(wǎng)絡模型中進行訓練，直至模型收斂。

其次，將待識別的遙感圖像輸入訓練好的深度卷積神經(jīng)網(wǎng)絡模型進行模型識別，生成帶有地理坐標的地物分類識別結(jié)果文件。通過相關(guān)工具對分類結(jié)果進行編輯處理以便盡可能減少機器學習算法帶來的誤判和漏判，編輯結(jié)果保存之后執(zhí)行分類結(jié)果入庫程序。

最后，以HTTP 服務的形式對外提供地物分類識別結(jié)果數(shù)據(jù)庫查詢檢索服務。

該研究技術(shù)路線如圖1所示。

圖1 技術(shù)路線流程

2.3 分類識別模型建立

根據(jù)鐵路建設(shè)項目環(huán)境影響分析，制梁場、拌和站等大臨工程的建設(shè)，以及項目取土、棄渣等施工行為對生態(tài)環(huán)境及周圍敏感建筑均有一定的影響?？紤]不同工程建設(shè)的差異性，按照拌和站、制梁場、施工營地、取土場、棄土場、居民區(qū)等建立分類識別模型。

建立分類模型方法包括訓練階段和識別階段。在訓練階段，首先將高分辨率遙感影像數(shù)據(jù)及其樣本通過選擇性搜索算法進行似物性采樣，生成包含潛在地物的圖像塊作為訓練數(shù)據(jù)的增強；隨后將原始訓練數(shù)據(jù)和增強訓練數(shù)據(jù)塊作為訓練樣本數(shù)據(jù)輸入空洞空間卷積池化金字塔(Atrous Spatial Pyramid Pooling，ASPP)卷積網(wǎng)絡中；之后深度學習框架會通過一系列的卷積和池化運算提取特征并自動計算圖像數(shù)據(jù)和樣本數(shù)據(jù)的誤差，在網(wǎng)絡反向傳播過程中使用隨機梯度下降法不斷計算梯度并更新網(wǎng)絡參數(shù)，直至計算得到的誤差小于給定閾值時終止訓練迭代。在識別階段，首先將需要識別的圖像數(shù)據(jù)進行切片處理，生成適合網(wǎng)絡結(jié)構(gòu)大小的識別數(shù)據(jù)集；之后將識別數(shù)據(jù)集輸入已經(jīng)訓練好的ASPP網(wǎng)絡模型中生成粗略的分類結(jié)果；隨后將粗略的分類結(jié)果與輸入圖像一起輸入全連接條件隨機場進行后處理，最終生成精細化的分類結(jié)果。

2.4 基于WEB的模型建立

進行基于B/S模式的WEB應用服務端開發(fā)，可實現(xiàn)預測數(shù)據(jù)對外服務功能，其他子系統(tǒng)及PC 客戶端可使用HTTP服務進行查詢檢索，流程如圖2所示。

圖2 WEB端模型流程

WEB應用服務端主要包括以下5個功能。

（1）建立鐵路施工期臨時工程地物(包括拌和站、制梁場、施工營地、取土場、棄土場、居民區(qū))高分辨率遙感圖像樣本庫。

（2）建立基于卷積神經(jīng)網(wǎng)絡的地物分類模型，將樣本庫輸入模型進行訓練，對于樣本的增量樣本數(shù)據(jù)實現(xiàn)半自動化訓練并更新網(wǎng)絡模型。

（3）新增遙感圖像數(shù)據(jù)模型預測命令行腳本。

（4）將關(guān)鍵地物分類預測結(jié)果保存成帶有地理坐標的地物分類識別結(jié)果文件，元數(shù)據(jù)保存成xml文件，再寫入數(shù)據(jù)庫地物分類結(jié)果表中。

（5）系統(tǒng)通過HTTP 服務的形式對外部系統(tǒng)提供地物識別結(jié)果。

2.5 模型精度評價

常用的模型精度評價指標包括準確率(Accuracy)、精確率(Precision)、召回率(Recall)、權(quán)衡指標F 分數(shù)(F-Score)等。對于二分類問題，可將樣本總數(shù)分類結(jié)果劃分為真正例(TP)、假正例(FP)、真反例(TN)和假反例(FN)。分類結(jié)果的混淆矩陣(Confusion Matrix)如表1所示。

表1 分類結(jié)果混淆矩陣

準確率、精確率和召回率分別定義如下。

通過評價指標的計算結(jié)果，可對模型精度進行不斷調(diào)整，以提高識別準確度。

3 應用分析

3.1 分類識別應用

采用京雄城際鐵路2018-03-22 期的影像數(shù)據(jù)開展應用實驗。以GF2 衛(wèi)星0.8 m 全色多光譜遙感影像為基礎(chǔ)數(shù)據(jù)源，數(shù)據(jù)范圍為94 km2。識別分析以京雄城際鐵路線路2 km范圍影像作為識別對象，將原始影像進行切割處理后導入訓練好的模型中進行分類識別處理，識別結(jié)果如圖3所示。

圖3 京雄城際鐵路分類識別結(jié)果

運用深度神經(jīng)網(wǎng)絡對京雄城際鐵路線路兩側(cè)2 km范圍拌和站、制梁場、施工營地、取土場、棄土場、居民區(qū)等進行識別分析，識別結(jié)果為：制梁場4 個、拌和站5個、取棄土場7個(含臨時取棄土場)、施工營地13個、居民區(qū)98個，共計127個?，F(xiàn)場實際設(shè)置制梁場5 個、拌和站4 個、棄土場5 個(含臨時棄土場)、施工營地12 個，現(xiàn)場實際僅對線路外軌中心線兩側(cè)200 m范圍內(nèi)居民區(qū)進行統(tǒng)計，共41個。

通過對模型的訓練，京雄城際鐵路分類識別的平均準確率為86.4%，平均精確率為81.6%，平均召回率為83.6%。

3.2 識別結(jié)果分析

將識別結(jié)果與現(xiàn)場實際情況進行比對分析，因制梁場與拌和站的外觀特征具有一定的相似性，識別時將其中一個制梁場識別成了拌和站；因京雄城際鐵路未設(shè)置取土場，取棄土場無法單獨識別，棄土主要為隧道明挖棄土和橋梁樁基施工棄土，項目訓練的樣本數(shù)據(jù)以隧道棄渣居多，故而存在一定的差異性；施工營地識別相對準確；因比對范圍不同居民區(qū)無法直接進行比較，經(jīng)人工查看居民區(qū)的范圍識別較為準確，數(shù)量的差異主要是因為劃分方法不同，現(xiàn)場調(diào)查主要以行政區(qū)劃為主，而識別模型中未加入行政區(qū)劃的區(qū)分，主要將距離相近的合并，但這對管理輔助決策的影響較小。

4 結(jié)束語

京雄城際鐵路的施工生態(tài)影響主要集中在植被破壞、水土流失及對敏感點的影響。通過采用卷積神經(jīng)網(wǎng)絡構(gòu)建分類識別模型，對鐵路建設(shè)項目大臨工程和敏感點進行分類識別，識別結(jié)果平均準確率可達85%以上，形成了基于遙感影像智能識別的生態(tài)環(huán)境監(jiān)控技術(shù)。

鐵路建設(shè)項目涉及的生態(tài)環(huán)境監(jiān)控工作點多面廣，利用遙感識別生態(tài)監(jiān)控技術(shù)可以及時掌握施工單位未上報的大臨工程位置和數(shù)量，核實大臨工程與敏感點位置關(guān)系及距離，核查生態(tài)敏感區(qū)內(nèi)設(shè)置的臨時工程，分析臨時工程動土情況、生態(tài)環(huán)境受影響變化趨勢及變化原因等。該項技術(shù)有助于提升生態(tài)監(jiān)控工作效率和能力，為生態(tài)環(huán)境保護管理提供科學依據(jù)，在輔助人工管理方面具有應用前景，對落實生態(tài)文明建設(shè)和綠色鐵路建設(shè)具有積極意義。