基于深度學(xué)習(xí)與多源遙感數(shù)據(jù)的新增建設(shè)用地自動(dòng)檢測*

張澤瑞，劉小平，張鴻輝，羅偉玲

1. 中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院，廣東 廣州 510275

2. 廣東國地規(guī)劃科技股份有限公司，廣東 廣州 510650

隨著我國經(jīng)濟(jì)發(fā)展和人民生活水平的提高，城鎮(zhèn)快速擴(kuò)張，常住人口城鎮(zhèn)化率從1949 年的10.6%增長到2018 年的59.58%［1］，建設(shè)用地從2001 年的3 641.2 萬hm2到2016 年末的3 906.82 萬hm2［2］。建設(shè)用地的快速擴(kuò)張下伴隨著大量的違法占地現(xiàn)象，如非法占用土地、破壞耕地和破壞森林資源，其中新增建設(shè)用地是違法用地中最常見的類型。僅2016 年間，全國各級國土資源主管部門查處了涉及2.69 萬hm2的共7 萬余違法用地案件［3］。2020年1月，自然資源部發(fā)布《自然資源調(diào)查監(jiān)測體系構(gòu)建總體方案》，方案中指出以遙感監(jiān)測為主要手段的技術(shù)體系為重點(diǎn)，查清我國各類自然資源狀況和變化情況。因此，自動(dòng)檢測新增建設(shè)用地將為違法用地的查處提供一種新的思路，可以成為保護(hù)我國自然資源的重要技術(shù)手段。

早期的違法用地查處與監(jiān)督主要依靠人工實(shí)地檢驗(yàn)，不僅費(fèi)時(shí)、費(fèi)力、效率低，而且難以做到全面的查驗(yàn)、及時(shí)的發(fā)現(xiàn)和準(zhǔn)確的劃定。隨著遙感技術(shù)的成熟與廣泛的應(yīng)用，已有學(xué)者利用遙感影像實(shí)現(xiàn)了違法用地的檢測［3-6］。例如，曹端廣等利用無人機(jī)傾斜攝影技術(shù)完成了對違法用地監(jiān)測系統(tǒng)的研究［7］，余永欣等基于地理國情數(shù)據(jù)進(jìn)行了違法用地檢測［8］，但依舊離不開大量的人工判別的方式。因此，陳鵬等基于高分辨率遙感影像提出了用于違法用地檢測的變化檢測方法［9］，有效地提高了土地監(jiān)察執(zhí)法的效率；孫笑古等在土地督查地理信息服務(wù)平臺中提出了圖像分割、信息提取算法以提高違法用地的檢查效率［10］。上述研究雖利用了遙感技術(shù)來獲取違法用地的信息，但未能發(fā)揮出多源遙感影像的優(yōu)勢，實(shí)現(xiàn)大范圍、快速地檢測。

人工智能中的深度學(xué)習(xí)技術(shù)是通過深層次的神經(jīng)網(wǎng)絡(luò)，從給定的目標(biāo)任務(wù)中獲得目標(biāo)數(shù)據(jù)源由低層到高層的特征，提升了語音識別、視覺對象識別、目標(biāo)檢測和其他眾多領(lǐng)域的技術(shù)水平［11］。在圖像應(yīng)用中，主要的應(yīng)用方向是目標(biāo)檢測、人臉識別、圖像分割、姿態(tài)估計(jì)、圖像分類［12-13］，其中深度學(xué)習(xí)與遙感影像相結(jié)合，已經(jīng)應(yīng)用于土地利用與土地覆蓋分類、目標(biāo)檢測、場景識別、影像分割、變化檢測、影像融合、影像配準(zhǔn)等各個(gè)方面。實(shí)現(xiàn)了對特定地物類別、場景類別的目標(biāo)識別、語義分割、分類等多項(xiàng)應(yīng)用［14］。例如，深度學(xué)習(xí)在建筑物提取中克服了傳統(tǒng)方法的其他地物的誤分類與誤提取問題，提取精度得到了提升［15］；在土地利用與土地覆蓋分類任務(wù)中，融合深度學(xué)習(xí)網(wǎng)絡(luò)提取的特征在識別農(nóng)田、灌木地、草地、不透水面、濕地等地類中比以往的機(jī)器學(xué)習(xí)模型得到了更優(yōu)分類精度［16］。但在違法用地查處與管理中，深度學(xué)習(xí)尚未得到很好的應(yīng)用。因此，發(fā)揮深度學(xué)習(xí)模型的優(yōu)勢將為新增建設(shè)用地自動(dòng)檢測提供一種新的方法。但至今仍缺少將多源遙感數(shù)據(jù)與深度學(xué)習(xí)技術(shù)相結(jié)合，應(yīng)用于新增建設(shè)用地自動(dòng)檢測中的研究。

針對以上問題，本文提出了在新增建設(shè)用地變化規(guī)則的基礎(chǔ)上對數(shù)據(jù)進(jìn)行標(biāo)記，對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練、調(diào)優(yōu)，并結(jié)合Sentinel-2A 遙感影像的變化區(qū)域?qū)π略鼋ㄔO(shè)用地進(jìn)行大范圍的快速檢測，及時(shí)發(fā)現(xiàn)用地違法現(xiàn)象，提高建設(shè)用地管理效率，以利于自然資源調(diào)查和國土資源維護(hù)。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

本文研究區(qū)位于廣西省貴港市，位于北緯22°39 ′～24°02′、東經(jīng)109°11′～110°40′之間?？偯娣e10 602 km2，市中心城區(qū)建成區(qū)面積73 km2，全市總?cè)丝诩s555 萬。在2018 年貴港市政府工作報(bào)告中，2017 年貴港市共獲得新增建設(shè)用地指標(biāo)約2 000 hm2，同比增長117%。同年，貴港市有關(guān)部門開展違法用地與整治違法建筑的行動(dòng)，查處違法占地面積42.69 hm2，違法建筑面積34.86 hm2。本文選擇廣西貴港市作為研究區(qū)域，并將研究區(qū)域劃分為訓(xùn)練區(qū)與測試區(qū)（圖1）。

圖1 貴港市研究區(qū)劃分Fig.1 The study area division of Guigang city

1.2 數(shù)據(jù)來源與預(yù)處理

本文使用的原始遙感影像數(shù)據(jù)包括：1）2018年1 月與2019 年1 月貴港市高分辨率可見光波段遙感影像，空間分辨率為2 m。高分辨率遙感影像的預(yù)處理以時(shí)相一影像為基礎(chǔ)對時(shí)相二期影像進(jìn)行處理，根據(jù)兩期影像中出現(xiàn)的問題，具體預(yù)處理內(nèi)容包括：地理配準(zhǔn)，直方圖匹配，拉普拉斯算子濾波操作，使得兩幅影像在紋理特征與光譜特征上一致（如圖2）；2） 2017 年12 月與2018 年底貴港市Sentinel-2A 星遙感影像，Sentinel-2A 星影像從可見光到短波紅外共有12 個(gè)，空間分辨率10～60 m 之間，此次研究選擇10 m 分辨率的可見光波段和近紅外波段。Sentinel-2A 星遙感影像下載來源于美國地質(zhì)調(diào)查局（https：//earthexplorer. usgs.gov/）。該網(wǎng)站上所提供的是經(jīng)過幾何精校正的大氣表觀反射率產(chǎn)品Sentinel-2A L1C，通過歐空局提供的Sen2Cor 插件可對L1C 產(chǎn)品進(jìn)行大氣校正，生成L2A地表反射率產(chǎn)品。

圖2 訓(xùn)練區(qū)高分辨率影像預(yù)處理Fig.2 High resolution image preprocessing in training area

2 研究方法

首先對訓(xùn)練區(qū)中出現(xiàn)的新增建設(shè)用地在高分辨率影像上進(jìn)行標(biāo)記，對標(biāo)記的訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣和差值計(jì)算操作，選擇深度學(xué)習(xí)中的Deep-Labv3+模型進(jìn)行訓(xùn)練并調(diào)優(yōu)；為達(dá)到快速、大范圍的新增建設(shè)用自動(dòng)檢測的目的，利用迭代加權(quán)多元變化檢測（IRMAD，iteratively reweighted multivariate alteration detection），對兩期Sentinel-2A 影像進(jìn)行變化檢測，再用高斯混合模型（GMM，Gaussian mixture model）對變化檢測結(jié)果進(jìn)行閾值劃分，得到變化區(qū)域結(jié)果；最后，在變化區(qū)域中選擇高分辨率遙感影像在訓(xùn)練后的模型上實(shí)現(xiàn)新增建設(shè)用地的自動(dòng)檢測并評定精度，技術(shù)路線如圖3。

圖3 技術(shù)路線Fig.3 Technical route

2.1 訓(xùn)練數(shù)據(jù)處理

2.1.1 訓(xùn)練樣本標(biāo)記新增建設(shè)用地在不同時(shí)刻的遙感影像上表現(xiàn)出來的圖斑變化可以分為3 種：①植被轉(zhuǎn)變?yōu)槁愕亍⒖盏?；②植被轉(zhuǎn)變?yōu)榻ㄔO(shè)用地；③空地、裸地轉(zhuǎn)變?yōu)榻ㄔO(shè)用地。基于上述3種新增建設(shè)用地的變化規(guī)則，對兩期高分辨率遙感影像利用人工目視判別進(jìn)行標(biāo)記。此外，為區(qū)分農(nóng)業(yè)生產(chǎn)活動(dòng)導(dǎo)致的周期性植被變化，需要重點(diǎn)考慮變化規(guī)則一，本文采取下述方法對變化規(guī)則一進(jìn)行篩選：①若裸地變化明顯且裸地周圍或內(nèi)部存在建設(shè)用地，則勾選該裸地圖斑；②若裸地變化不明顯，但裸地內(nèi)部存在建設(shè)用地，僅勾選內(nèi)部建設(shè)用地圖斑；③若裸地變化明顯，但周圍不存在建設(shè)用地，則不勾選該裸地圖斑。圖4展示了3種在訓(xùn)練區(qū)中圖斑變化規(guī)則的新增建設(shè)用地標(biāo)記。

圖4 訓(xùn)練區(qū)新增建設(shè)用地標(biāo)記（紅色標(biāo)記）Fig.4 Labels of newly increased construction land in training area(marked in red)

2.1.2 數(shù)據(jù)增廣與處理對兩期高分辨率影像以特定窗口大小和重疊率進(jìn)行裁剪得到原始訓(xùn)練數(shù)據(jù)集，考慮到數(shù)據(jù)大小有限，而深度學(xué)習(xí)中需要依靠大量的數(shù)據(jù)來訓(xùn)練以提高模型的擬合能力，需通過數(shù)據(jù)增廣操作對數(shù)據(jù)進(jìn)行擴(kuò)充，數(shù)據(jù)增廣操作的目的是提高模型的泛化能力減少過擬合［17］，傳統(tǒng)的數(shù)據(jù)增廣方法是利用現(xiàn)有數(shù)據(jù)對空間域或色彩域進(jìn)行變換等操作來生產(chǎn)新樣本，如旋轉(zhuǎn)、平移、變形、縮放、裁剪、色彩抖動(dòng)、對比變換、噪聲等一系列操作，其他的數(shù)據(jù)增廣方法還包括生成式對抗網(wǎng)絡(luò)GAN （generative adversarial networks）生成樣本、幻覺圖像生成樣本、基于特征空間的數(shù)據(jù)增廣等［18］。此次研究中，僅對裁剪后的影像進(jìn)行鏡像翻轉(zhuǎn)、旋轉(zhuǎn)、縮放3種數(shù)據(jù)增廣操作。

對于在兩期高分辨率遙感影像上的進(jìn)行新增建設(shè)用地的檢測，本質(zhì)上是變化檢測的一種，傳統(tǒng)變化檢測中對于雙時(shí)相數(shù)據(jù)的處理主要有：基于構(gòu)造差異的方法（差值法、比值法、差異主成分法、CVA）、基于變換特征間差異的方法（K-T變換法、主成分差異法、MAD）、基于分類后比較的方法［19-22］。本次研究僅利用雙時(shí)相影像進(jìn)行差值處理，通過以下方法對增廣操作后的數(shù)據(jù)進(jìn)行簡單的差值處理，

其中X，Y分別為時(shí)相一和時(shí)相二的可見光波段高分辨率影像，差值圖D是兩期影像各位置像元相減再利用根據(jù)像元可能的取值范圍歸一化至［0，1］。

2.2 DeepLabv3+模型

深度學(xué)習(xí)中圖像分割任務(wù)的目標(biāo)，是根據(jù)圖像的紋理、顏色、形狀、領(lǐng)域關(guān)系等特點(diǎn)將具有相同特征的像素點(diǎn)進(jìn)行聚類，達(dá)到像素級別的分類效果。經(jīng)典的圖像分割模型有：FCN［23］、UNet［24］、SegNet［25］、DeepLab 系列［26-30］、RefineNet［31］、PSPNet［32］。DeepLab 系列如今共有v1［26］、v2［27］、v3［28］、v3+［29］、auto［30］等5 種版本，其中v3+繼承了前3 種版本的空洞卷積、ASPP 模塊、批量正則化層的優(yōu)點(diǎn)，同時(shí)引入了SegNet 中的Decoder-Encoder 結(jié)構(gòu)，分割結(jié)果有了更好的表現(xiàn)。圖5 為本文使用的DeepLabv3+模型結(jié)構(gòu)。

圖5 DeepLabv3+模型結(jié)構(gòu)Fig.5 DeepLabv3+model structure

DeepLabv3+模型以公式（1）構(gòu)建的差值圖作為輸入，首先用主干特征提取網(wǎng)絡(luò)（以圖中的ResNet 為例）提取出下采樣4 倍的底層特征(64×64×2 048)與下采樣16 倍高層特征(16×16×2 048)，對高層特征分別進(jìn)行不同步長的ASPP（Atrous spatial pyramid pooling）和全局池化操作后進(jìn)行連接，并通過卷積上采樣4 倍到與底層特征相同的尺寸。將卷積上采樣后的特征與底層特征進(jìn)行拼接，再次經(jīng)過卷積與上采樣4倍恢復(fù)原始尺寸并得到預(yù)測結(jié)果。DeepLabv3+模型框架的優(yōu)點(diǎn)在于將模型劃分為Encoder-Decoder 結(jié)構(gòu)，Encoder 結(jié)構(gòu)中對高層特征進(jìn)行ASPP操作，ASPP通過不同大小空洞卷積與全局池化得到不同尺度下的語義信息；Decoder結(jié)構(gòu)中，結(jié)合高層特征提供的語義信息與底層特征逐步恢復(fù)空間信息得到預(yù)測結(jié)果。

2.3 變化區(qū)域提取算法

2.3.1 IRMAD變化檢測為實(shí)現(xiàn)快速、大范圍的新增建設(shè)用地檢測而忽略兩期影像間變化不明顯的區(qū)域，本文采用利用IRMAD 變化檢測算法提取Sentinel-2A 影像上變化區(qū)域。IRMAD［33］算法是在MAD［34］基礎(chǔ)上提出的。最初的MAD 算法是對影像波段進(jìn)行線性變換得到兩個(gè)特定變量，變量間相關(guān)性反映了原始影像波段之間的相關(guān)關(guān)系的方法，具體計(jì)算公式為

由公式（5）可知，U-V之間的方差越大，則它們的相關(guān)系數(shù)越小。但對原始影像進(jìn)行變化后所得的U-V的相關(guān)系數(shù)是遞減的，所以對所求結(jié)果按照相關(guān)系數(shù)從小到大排列，即按照方差從大到小排列得到MAD算法的各個(gè)分量

其中不同的MADi表示影像中不同特征間的關(guān)系。IRMAD 算法是在MAD 算法基礎(chǔ)上引入迭代加權(quán)思想，通過每次迭代計(jì)算像元的權(quán)重用于更新下一輪中平均值與方差的計(jì)算，提高變化檢測精度。每個(gè)像元的初始權(quán)重為1，假設(shè)對每個(gè)像元j的MADij進(jìn)行標(biāo)準(zhǔn)化到單位方差后的平方和是服從自由度為p的卡方分布χ2(p)，

公式（7）描述了通過像元j的各個(gè)MAD 分量與對應(yīng)的方差來計(jì)算像元j在卡方分布中的位置Tj。通過計(jì)算得到Tj后，再根據(jù)公式（8）確定像元j在卡方位置上百分位值，查表可得像元j在下一輪的計(jì)算中的權(quán)重

當(dāng)?shù)喆瓮瓿苫蛘弋?dāng)前輪次與上輪次相關(guān)系數(shù)的絕對差值中的最大值小于閾值后停止迭代，本文所用迭代閾值為10-6。

2.3.2 GMM閾值劃分變化檢測中需確定最后的變化閾值對結(jié)果進(jìn)行劃分，確定變化與非變化區(qū)域。本文利用GMM［35］對IRMAD 算法的變化檢測結(jié)果進(jìn)行自動(dòng)劃分閾值，減少人工選取閾值的干擾。GMM 模型是將數(shù)據(jù)假設(shè)由幾個(gè)不同的正態(tài)分布的隨機(jī)變量組合而成，考慮不同隨機(jī)變量之間的協(xié)方差以及潛在的正態(tài)分布信息，

其中w1+w2= 1，x表示的是變化檢測后的結(jié)果，w1和w2分別是變化類與非變化類的權(quán)重，g(x|u1，Σ1)和g(x|u2，Σ2)分別表示變化類與非變化類服從高斯分布的概率密度函數(shù)，通過最大似然函數(shù)對參數(shù)：λ={w1，w2，u1，u2，Σ1Σ2}進(jìn)行估計(jì)得到各參數(shù)值。

3 研究結(jié)果

3.1 模型訓(xùn)練

本文實(shí)驗(yàn)的硬件環(huán)境為Intel(R) Core(TM)i7-8700K 3.70GHz 的CPU 與NVIDIA GeForce GTX 1070 Ti 8GB 的GPU； 軟件環(huán)境為Python3.6、PyTorch 1.6.0。實(shí)驗(yàn)中采用256×256大小的窗口對兩期高分辨率影像進(jìn)行裁剪，對裁剪后的數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣操作和差值圖處理后訓(xùn)練模型。此外，本文中對不同的主干特征提取網(wǎng)絡(luò)進(jìn)行實(shí)驗(yàn)，分別選擇VGG16［36］、ResNet152［37］、DenseNet161［38］、GoogLeNet［39］、MobileNetV2［40］等5 種經(jīng)典圖像分類網(wǎng)絡(luò)，以上網(wǎng)絡(luò)均使用在ImageNet 上預(yù)訓(xùn)練的權(quán)重以加速模型收斂。精度評定選擇IoU、總體精度和F1 分?jǐn)?shù)等3 種指標(biāo)，訓(xùn)練參數(shù)均為0.000 1 的初始學(xué)習(xí)率、100 輪訓(xùn)練輪次、損失函數(shù)為Binary Cross Entropy、Adam 優(yōu)化器、學(xué)習(xí)率衰減策略為每10輪次下降0.5、采取早停法進(jìn)行訓(xùn)練。不同主干特征提取網(wǎng)絡(luò)下，在測試集上得到的精度結(jié)果見表1。

表1 不同主干特征提取網(wǎng)絡(luò)精度Table 1 The accuracy of different backbone feature extraction networks

從3種指標(biāo)精度上表現(xiàn)來看，各類主干特征網(wǎng)絡(luò)在總體精度上相差不大，都在97%左右；F1 分?jǐn)?shù)也較高，分布范圍在85.14%～90.57%之間；對于IoU 指標(biāo)，最高精度與最低精度則相差8.1%。相對于其他網(wǎng)絡(luò)，DenseNet161 作為特征提取網(wǎng)絡(luò)不僅模型參數(shù)量適中而且能在3種指標(biāo)上取得較好的結(jié)果，所以選擇DenseNet161 作為DeepLabv3+模型的主干特征提取網(wǎng)絡(luò)作為后續(xù)研究中新增建設(shè)用地自動(dòng)檢測的模型。

3.2 變化區(qū)域提取

變化區(qū)域提取結(jié)合了IRMAD 算法和GMM 算法，在兩期影像上可自動(dòng)得到變化與非變化區(qū)域，并用形態(tài)學(xué)操作與NDVI 掩模進(jìn)行后處理優(yōu)化提取結(jié)果。首先對兩期Sentinel-2A 影像經(jīng)過預(yù)處理后，利用IRMAD 算法對可見光波段與近紅外波段進(jìn)行變化檢測。由公式可知，IRMAD 算法能得到4 個(gè)MAD 分量的結(jié)果，圖6 展示了由IRMAD 算法得到4 個(gè)分量結(jié)果。其中每個(gè)分量分別對應(yīng)不同特征成分的變化，變化程度則代表了該特征下地類在兩時(shí)相內(nèi)發(fā)生變化的大小。通過各個(gè)分量與影像上變化的地類進(jìn)行對比，分量二與所期望提取的變化成分相似度最高。相對比其他分量，分量二中包含了較為全面的地類變化的信息，但所含的不僅是從植被變化到裸地、建筑用地等地類變化，也包含了裸地到植被的轉(zhuǎn)變，這種情況將為檢測帶來的非必要的計(jì)算量，本文還利用時(shí)相二影像的NDVI 進(jìn)行掩模操作，對分量二中結(jié)果NDVI 大于0.5的像元將它重新歸為未變化像元，最后使用形態(tài)學(xué)操作中的開操作消除細(xì)小的像元得到變化區(qū)域，得到最終的二值變化檢測結(jié)果區(qū)域。

圖6 變化檢測分量結(jié)果Fig.6 The results of change detection component

Sentinel-2A 影像提取的變化區(qū)域用于判斷該區(qū)域是否存在變化像元，即當(dāng)前待檢測區(qū)域中若變化區(qū)域的像元數(shù)量占比大于該區(qū)域總像素?cái)?shù)量的1%，則對該區(qū)域進(jìn)行檢測，否則不進(jìn)行檢測。因此本文以像素為單位，對不同大小的矩形結(jié)構(gòu)元素進(jìn)行實(shí)驗(yàn)，在測試區(qū)中對參考新增建設(shè)用地圖斑進(jìn)行漏檢率和模型計(jì)算量減少率進(jìn)行分析，結(jié)果如表2。

表2 不同結(jié)構(gòu)元素對計(jì)算量和漏檢率的影響Table 2 The influence of different structural elements on calculation amount and omission rate

結(jié)構(gòu)元素越大，消除更多的細(xì)小像元的同時(shí)能減少更多的計(jì)算量，但也會排除一些變化較小但仍有新增建設(shè)用地的區(qū)域。綜合考慮漏檢率與計(jì)算量減少率，選擇大小為3的矩形結(jié)構(gòu)元素對變化區(qū)域進(jìn)行開操作處理，圖7展示了對變化檢測結(jié)果進(jìn)行未處理的變化區(qū)域、NDVI 掩膜處理后的變化區(qū)域、開操作處理后的變化區(qū)域。

圖7 變化檢測結(jié)果處理Fig.7 The results of change detection before and after processing

3.3 新增建設(shè)用地檢測

本文結(jié)合變化區(qū)域與訓(xùn)練調(diào)優(yōu)后的模型，在測試區(qū)中實(shí)現(xiàn)新增建設(shè)用地自動(dòng)檢測，并對結(jié)果進(jìn)行精度評定。將測試區(qū)的影像按照模型訓(xùn)練窗口大?。?56×256）與一定的裁剪重疊率進(jìn)行劃分，若劃分的影像中變化區(qū)域的像素大于區(qū)域總像素的1%，則對該劃分區(qū)域的兩期影像計(jì)算按照公式（1）計(jì)算差值并進(jìn)行檢測。為了使得檢測結(jié)果與實(shí)際影像相符合，采用了條件隨機(jī)場與形態(tài)學(xué)閉操作對檢測結(jié)果進(jìn)行邊界優(yōu)化、連接相近圖斑和去除圖斑內(nèi)部空洞等后處理方法。

新增建設(shè)用地自動(dòng)檢測精度評定過程以建設(shè)用地圖斑為基本單位進(jìn)行精度評價(jià)。由于參考圖斑中最小面積為1 004 m2，所以僅將新增建設(shè)用地檢測結(jié)果中面積大于1 000 m2的圖斑與測試區(qū)中的參考圖斑進(jìn)行檢驗(yàn)，若檢測圖斑與參考圖斑相交則標(biāo)記為正確檢測。表3 統(tǒng)計(jì)了經(jīng)過后處理方法后，不同裁剪重疊率下新增建設(shè)用地檢測結(jié)果中劃分區(qū)域數(shù)量、圖斑正確檢測率、漏檢率等。

通過表3 可以看出，隨著重疊率的逐漸增加，新增建設(shè)用地檢測圖斑的正確率上升，但是劃分區(qū)域數(shù)量與錯(cuò)分率也隨之增加。在70%和80%與80%和90%重疊率之間，劃分區(qū)域數(shù)量有明顯的跳躍式增長，雖然80%與90%重疊率的檢測正確率上能達(dá)到很好的精度，但劃分區(qū)域數(shù)量和錯(cuò)分率明顯高于其他裁剪重疊率。相對于其他裁剪重疊率，70%的裁剪重疊率在計(jì)算量、檢測正確率和錯(cuò)分率上能得到很好的平衡，所以選擇70%裁剪重疊率的檢測結(jié)果用于后續(xù)實(shí)驗(yàn)。圖8中展示了測試區(qū)中新增建設(shè)用地的圖斑檢測結(jié)果。

表3 不同裁剪重疊率的新增建設(shè)用地檢測結(jié)果Table 3 The detection results of newly increased construction land with different cropping overlap rate

70%裁剪重疊率下的新增建設(shè)用地檢測結(jié)果中，圖斑檢測正確率為85.16%，圖斑漏檢率為16.73%。從圖8 中可以看出，變化明顯的新增建設(shè)用地檢測結(jié)果較好，面積較大的用地在城區(qū)周圍分布多，面積較小的用地有少數(shù)分布在郊區(qū)。圖斑誤判數(shù)量較高，錯(cuò)分率為36.57%，大部分錯(cuò)分圖斑分布在城市周圍或遠(yuǎn)離城市的區(qū)域，錯(cuò)分圖斑雖然能檢測出被破壞的植被，但此類植被被破壞并不是因?yàn)榻ㄔO(shè)用地的建造而是農(nóng)業(yè)生產(chǎn)活動(dòng)導(dǎo)致的。對圖8 的測試區(qū)中的檢驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)，90%的檢測圖斑IoU 精度大于0.2，其中有62.68%的檢測圖斑IoU大于50%。在檢測的圖斑中，IoU最大的為95.77%，最小的為1.57%，圖斑平均IoU為57.23%，參考圖斑總面積795.06 hm2，檢測圖斑相交面積592.53 hm2，檢測面積率74.52%。

圖8 測試區(qū)中的檢測結(jié)果Fig.8 The detection results in test area

4 結(jié) 論

本文對現(xiàn)有的違法用地檢測方法進(jìn)行了梳理，針對當(dāng)前對違法用地管理與研究不足的現(xiàn)狀，提出了一種基于深度學(xué)習(xí)和多源遙感影像的新增建設(shè)用地自動(dòng)檢測方法。以廣西貴港市為研究區(qū)，在高分辨率遙感影像上對新增建設(shè)用地圖斑進(jìn)行標(biāo)記、處理、訓(xùn)練深度學(xué)習(xí)模型，對模型的不同特征提取網(wǎng)絡(luò)進(jìn)行分析，選擇DenseNet161 作為DeepLabv3+的主干特征提取網(wǎng)絡(luò)；將高分辨率影像與Sentinel-2A 影像的變化區(qū)域相結(jié)合，實(shí)現(xiàn)快速定位變化區(qū)域、減少計(jì)算量的目的；此外，研究中還分析了開操作中不同參數(shù)量對圖斑漏檢率和模型計(jì)算量的影響，最后還針對不同的裁剪重疊率對圖斑檢測精度的影響進(jìn)行分析。結(jié)果表明，70%的裁剪重疊率能在計(jì)算量與圖斑檢測精度、錯(cuò)分率之間能取得較好的平衡，在測試區(qū)中圖斑檢測正確率85.16%，錯(cuò)分率36.57%，圖斑平均IoU 為57.23%，62.68%圖斑的IoU 在50%以上，總體面積檢測率為74.52%。本文的研究利用多源遙感影像的優(yōu)勢與深度學(xué)習(xí)的特點(diǎn)，在同類研究中能達(dá)到快速、大范圍對違法用地進(jìn)行自動(dòng)檢測的目的，在一定程度上減少了人工目視判斷與邊界劃定的工作量，為城市規(guī)劃、土地管理提供一種新的工作手段，在一定程度上提高違法用地的監(jiān)測準(zhǔn)確度及工作效率。

本文的研究內(nèi)容是輔助違章用地執(zhí)法監(jiān)察的一次成功實(shí)踐，雖然此類方法能檢測出大部分正確的圖斑，但仍有較高的錯(cuò)分率，整體IoU 過低。導(dǎo)致錯(cuò)分圖斑產(chǎn)生的主要原因是錯(cuò)分圖斑的變化屬于農(nóng)業(yè)生產(chǎn)活動(dòng)導(dǎo)致的植被周期性變化，雖然在樣本標(biāo)記環(huán)節(jié)中對符合此變化規(guī)則的圖斑進(jìn)一步篩選，但在測試區(qū)中仍未能很好地解決此問題。此外，在后續(xù)實(shí)驗(yàn)中可以增加對其他類型向建設(shè)用地變化的檢測，如水體變裸地或水體變建筑等。由于實(shí)驗(yàn)中時(shí)相二高分辨率影像由多幅影像拼接而成，在部分區(qū)域中與時(shí)相二影像在光譜、紋理方面差異較大，處理兩期影像的方式也是較為簡單的差值相減的方法。在后續(xù)研究中，使用質(zhì)量相似的兩期高分辨率影像能進(jìn)一步減少錯(cuò)分率、提高圖斑IoU，并可結(jié)合孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對新增建設(shè)用地自動(dòng)檢測進(jìn)行進(jìn)一步研究。