遥感影像分析在新增建设用地督察中的应用

方 芳， 向 浩， 张 亮

（1.湖北省航测遥感院，湖北 武汉 430074；2.湖北省测绘工程院，湖北 武汉 430074）

1 研究背景

受城市化扩张的影响，区域自然生态系统和农业生态系统不断向城市生态系统转化，自然资源违法占用问题越来越突出，特别是部分新增建设用地问题已严重触碰永久基本农田、生态保护红线、城镇开发边界3 条控制红线，同时自然资源用途管制已成为优化国土空间开发的主要手段[1]。自然资源部在《关于健全建设用地“增存挂钩”机制的通知》中专门提出，要求国家土地督察机构要将批而未供和闲置土地及其处置情况纳入督察工作重点。为了有效提高自然资源督察能力，实现自然资源督察工作“察”的范围更广、力度更大、时效更强、效率更高、距离更远的目标，迫切需要利用遥感影像提取与变化发现技术对自然资源的发展变化信息进行提取，实现对城市的建设用地、绿化用地、湖泊、山体等的持续监测，为自然资源督察工作提供科学准确的依据。

2 遥感影像智能化提取技术

遥感影像智能化提取技术主要是根据遥感影像的特征，制定适用于特征知识库的样本类别体系和样本采集方案；以面向对象分析的角度，整理归纳光谱特征、形状特征、纹理特征、指数特征等常见解译特征，并对这些特征进行量化表达和存储；根据信息自动提取分析的要求，构建以深度学习技术为核心的开放式地理要素训练平台，以多源遥感数据、标签数据为输入，内置样本采集、调度引擎和集成框架，适配多种深度学习训练框架，通过训练模型构建和深度学习训练来实现遥感影像的智能分析。

1）遥感解译知识库是支持智能遥感解译的重要基础，主要包括专题图斑样本库、外业采集信息库、地物光谱库、解译样本库和训练模型库等。其中，图斑样本库是由图像分割生成的，负责对分割图斑进行监督学习、深度学习分类，包括光谱、几何、纹理等特征；外业采集信息库是由外业采集获取的，包括支持解译的实地照片、视频等；地物光谱库包括实测地物光谱和高光谱数据像元光谱；解译样本库包括灰度直方图、边缘、形状因子、粗糙度、信息熵、纹理、目标均值和方差等。

2）自动提取深度学习训练平台的搭建。深度学习是近年来机器学习领域的一个研究热点，在语音识别、计算机视觉等方面均取得了良好效果。在遥感影像处理方面，深度学习能应对高空间分辨率的数据，对其进行有效的模式识别与分类，已成为处理遥感大数据分析与挖掘问题的有效手段。自动提取深度学习训练平台主要是根据遥感监测的具体要求，利用遥感解译知识库成果进行自动提取的深度学习训练平台。在自然资源新增建设用地督察中，一般需要采集新增商服用地、工矿仓储用地、住宅用地等面状地物，公路、铁路等线状地物，有水沟渠，推填土以及光伏用地等常见新增建设用地样本地类进行学习。平台搭建过程包括对数据进行筛选预处理、影像特征分析、提取算法融入、模型训练等步骤。深度学习在原来多层神经网络的基础上，加入了特征学习，利用训练集逐层贪婪学习，以初始化网络权值来接近全局最优点[2]。

3）智能分析和成果提供。在应用过程中，考虑到技术和效率的可行性，一般采用深度学习与传统机器学习相结合的方式进行提取。通过深度学习技术开展变化图斑的分割提取，通过传统机器学习技术开展变化图斑的优化处理；并结合已有的卫星影像本底数据库、自然资源调查监测业务基础数据库、全省遥感监测专题数据库、生态环境保护数据库、应急管理遥感监测业务数据库等开展变化分析，可以时间尺度为基础，形成最终用户所需的成果报告。

3 新增建设用地督察应用研究

新增建设用地的发生原因复杂，主要包括：①监测区内新增修建的商服用地、工矿仓储用地、住宅用地等面状地物；②监测区内新增公路、铁路等线状地物；③监测区内新增水沟渠；④监测区内新增推填土；⑤监测区内新增光伏用地等。新增建设用地类型多样，在不同遥感影像上提取的特征存在较大差异，且随着解译层次的提高，提取特征的要求也越来越高；而传统分析方法中的样本选取、分类设置以及后处理均需大量的人工参与，对于大范围、高频次的督察工作显然无法满足要求，因此利用遥感影像智能化提取技术实现变化图班的快速获取具有重要意义[3-4]。

以新增光伏用地为例，作为新增建设用地的重要组成部分，当前我国对现有不同性质的土地是否可以用作光伏电站场址采取了差别化的用地政策。快速、有效、高精度的提取光伏用地信息并进行动态监测，对光伏用地管理、光伏用地指标控制具有重要意义。在督察过程中需在大范围内快速准确地获取新增光伏用地的相关信息，采用遥感影像智能化提取技术可快速实现这一目标。

通过收集高分系列、资源系列等多种遥感影像，历史解译数据以及地理要素数据等构建遥感解译知识库。根据光伏用地的特点，通过建立光伏用地遥感监测分类体系，搭建自动提取深度学习训练平台。光伏板一般具有整齐排列、分布规则、纹理特征明显的特点[5]，根据高分辨率遥感影像上光伏用地所占地类的形状、大小、色调、纹理和位置等特征，通过样本采集、样本分析、可视化分析等方法，为要素识别、影像分类、变化检测等提供基础。通过深度学习的方式，进一步发现新增光伏用地的变化规律和特征，为准确获取所需信息提供了更全面的依据。针对需要进行数据处理的区域，综合利用遥感数据和历史地表覆盖数据，通过带约束分割、特征统计、分析决策模型、伪图斑去除等变化检测方法，实现影像的快速自动分析检测。

结合已有的建设用地本底库、行政界线数据、城市规划数据开展变化分析，能以月度、季度和年度为时间尺度，形成新增光伏用地遥感监测分布图和新增光伏用地遥感监测报告，从而实现对新增光伏用地的及时发现、准确评估和快速核查，有效解决人工巡逻等传统手段被动实施、区域有限等难题，提高了督察工作能力，提升了新增建设用地的督察与管理效率。新增光伏用地智能化提取技术路线如图1 所示。

图1 新增光伏用地智能化提取技术路线

4 结 语

以卫星影像大数据和时空数据分析挖掘技术为基础，采用深度学习框架支撑底层技术体系，构建了面向新增建设用地遥感监测应用需求的深度学习训练平台，可智能发现自然资源督察线索，全面提高自然资源督察能力。随着该技术效率的提升，可满足大范围、高频次的督察工作需要，为督察工作提供更及时、客观、全面的信息基础和信息保障。