基于无人机影像的疑似违法用地精准监测

徐海滨， 邢汉发,2， 王召海， 张焕雪

(1.山东师范大学 地理与环境学院， 山东 济南 250358； 2.华南师范大学 地理科学学院， 广东 广州 510631)

疑似违法用地是指对海域、山体、林地、耕地等用地的疑似违法侵占行为，是一种特殊的土地利用类型，对其进行精准监测是地理国情监测的一项重要内容[1]，也是查实查清土地资源的重要手段[2]，对提高土地资源利用效率、监控和管理城市用地建设、提升城市管理决策的科学化水平[3]均具有重要的现实意义。目前，疑似违法用地监测主要采取工作人员实地走访和调查的方式，需要耗费大量人力、物力，且工作效率低、精度差[4]。随着对地观测技术的快速发展，中低分辨率遥感卫星以其速度快、时效性高、范围广等特点，在疑似违法用地监测方面得到了广泛应用，但受影像空间分辨率的影响，其解译精度仍无法满足违法用地精准监测的精度要求[5]。

亚米级空间分辨率数据[6](如GF-2、QuickBird、WorldView等)的出现，为疑似违法用地的精准监测提供了可能。如王耀润等[7]基于两期优于1m分辨率的正射影像数据，对矿山开发状况变化信息进行了定量分析；叶琴[8]基于高分辨率卫片数据，探讨了土地执法检查的工作方法及流程；曹端广等[9]基于高精度无人机倾斜影像数据进行城镇违法用地监测研究；Prakash等[10]基于影像比值法进行煤炭矿区的用地类型监测。然而，上述研究多是在像元尺度上开展的，并没有充分考虑高分辨率影像像元属性和位置的相互关系，存在“椒盐现象”[11]。对此，面向对象的多尺度分割技术成功解决了这一问题[12,13]，李德仁等[14]利用国产高分辨率遥感卫星数据，在对象尺度上实现了每个季度对北京市违章建筑的监测；侯小艳[15]基于WV2影像和GF-2影像数据，采用图像分割算法，在对象尺度上生产出疑似违法新增建设用地信息产品；Niemeyer等[16]基于对象特征的语义变化模型确定了显著变化区域。在上述研究中，分割尺度的选择直接影响着土地利用的分类精度。目前，确定分割尺度最直接的方法是目视判断[17]，如杨杰等[18]利用目视判断的方法确定了最佳分割尺度，实现了对疑似违章建筑的提取；Duro等[19]通过目视判读，确定了SPOT-5影像的最佳分割尺度，进而实现了农业景观的分类研究；Huang等[20]通过目视判断方法，实现了城市高光谱影像的最佳尺度分割。但是，此类方法往往需要反复试验才能确定最佳分割尺度，工作量大、主观性强，亟需寻找一种针对最佳分割尺度的定量化评价方法。目前，常用的评价方法有：最大面积法[21]、灰度均值标准差[22]、GLCM均值标准差[23]等。这些方法均是通过定量分析确定最佳分割尺度，也确实提高了多尺度的分割精度，但是，最大面积法只能确定最优分割尺度的区间；灰度均值标准差和GLCM均值标准差则是基于分割后影像的光谱和纹理信息评价分割效果，而本研究所用的无人机数据只有三个波段，且地物纹理信息多样，故这两种方法均不适用。因此，本研究借鉴Zhang等[24]提出的分割尺度评价方法，通过分析分割对象与参考对象之间的拓扑和几何相似度，进行最佳分割尺度的优选。

时相特征是疑似违法用地精准监测的重要信息依据，吴田军等[25]利用多期的WorldView-2影像和ZY3影像数据，获取了高精度的疑似违法新增建设用地；胡新宇等[26]利用多时相高分辨率遥感卫星实现了违法监测的核查。目前，关于时相特征的研究多局限于变化检测，其对无人机影像时相特征的挖掘尚不够充分、利用率不高，因此还需进一步探索针对疑似违法用地的时空特征分析策略。

威海市经济技术开发区(经区)作为威海市对外开放的桥头堡，近年来经济社会发展迅速、人类活动剧烈、土地利用变化较大，出现了大量的疑似违法用地区域。本研究以经区作为研究区，首先探讨无人机影像最佳分割尺度优选方法，然后充分挖掘反映疑似违法用地客观规律的多时相特征，通过时空交互分析，最终获得了经区2017年和2019年的疑似违法用地精准监测结果。

1 研究区域

威海市经区位于北纬37°15′至37°27′，东经122°3′至122°42′，辖3个镇、3个街道(见图1)；地形以缓坡丘陵居多，山体多岩石裸露，土层覆盖较薄，山间谷地开阔，平原多为山前小平原、冲洪积小平原和滨海小平原。作为威海市打造的精致城市样板片区，经区近几年经济社会快速发展，城市扩张迅速，土地利用变化剧烈。

图1 研究区地理位置Fig.1 Geographical location of research area

2 研究数据与研究方法

2.1 研究数据

2.1.1无人机影像

本研究基于无人机系统开展数据采集和获取工作，采集时间为所在年份的5月，并针对拍摄影像进行了基于地面控制并以外方位元素为约束的影像匹配。

无人机数据采集过程中，飞行航高平均为187.5 m，航向与旁向重叠度约为75%、55%，获取影像对应地面空间分辨率约为0.5 m。最终生成了2015年、2017年、2019年三期0.5 m分辨率的无人机影像(见图2)，为开展疑似违法用地监测提供了数据基础。

图2 无人机影像Fig.2 UAV images

无人机影像的预处理主要为地理配准，误差要求小于0.2个像元，影像与地图间配准精度在0.5～0.75 mm，从而确保产生较少的伪变化信息，减小对违法用地监测结果的影响。

2.1.2辅助数据

为了保证疑似违法用地的分类精度，将2015年、2017年、2019年三年的实地调查数据作为辅助数据。每个年份共有300个辅助样本点：建成区、植被、水体、耕地、裸地和道路6种土地利用类型的样本点各50个。每个辅助样本点的实地位置由具有±5 m定位精度的差分GPS来确定。其中，在辅助数据调查过程中，本研究的定位点尽可能选在地块的几何重心，以减少精度差分造成的误差。

2.2 研究方法

本研究实现了经区疑似违法用地的精准监测，总体思路如图3所示。

图3 研究思路Fig.3 Research framework

首先，提出了无人机影像最佳分割尺度定量化评价指标，采用面向对象的方法对多时相无人机影像数据进行土地利用类型划分；然后，充分挖掘反映疑似违法用地客观规律的多时相特征；最后，通过时空交互分析，实现了威海市经区2017年和2019年的疑似违法用地监测，并完成了精度验证。

2.2.1最佳分割尺度优选

为了评价不同时相无人机影像分类的最佳分割尺度，本研究提出了三个定量化评价指标。首先选择250、200、150、100、50、10共6个尺度等级，从辅助数据中随机抽取50个样本作为参考对象，测量分割对象与参考对象之间的拓扑和几何相似度；然后定义与引用对象相交超过10%的对象作为感兴趣的分割对象，提取参考对象和分割对象之间的重叠区域；最后计算出三个指标：重叠区域与参考对象的相对面积(RAor)；重叠区域与分割对象的相对面积(RAos)；分割对象与参考对象的位置差(Dsr)，即计算分割对象的质心与参考对象质心的平均距离。具体公式为：

(1)

(2)

(3)

式中：n表示多尺度分割的对象数量；Ar为参考对象的面积；Ao(i)表示与参考对象关联的第i个重叠区域的面积；As(i)为分割后的第i个对象的面积；Xs(i)和Ys(i)为第i个分割对象的质心坐标；Xr和Yr为参考对象的质心坐标。利用RAor和RAos对分割对象与参考对象之间的拓扑相似性进行评价，其值越接近100，表示分割效果越好。综合考虑RAor、RAos和Dsr这三个指标，可以从整体上判断对象的分割质量[27]。

2.2.2土地利用类型识别

根据研究区实际的土地利用类型以及辅助样本点数据，选择建成区、植被、水体、耕地、裸地和道路为最终的土地利用分类类型。采用了基于C5.0算法的决策树分类方法，该算法能够利用属性的信息增益率来完成有效分类属性特征的自动选择，并生成分类模型。

2.2.3多时相变化特征提取

考虑到疑似违法侵占大多会改变原有的土地利用类型，即将耕地、水体、植被等用地类型人为侵占为裸地，并在裸地的基础上进行开发建设，而建设用地的开发建设存在一定的时间周期，本研究的时间间隔又仅为2年，因此，本研究暂不对耕地、水体、植被、裸地变为建设用地的变化特征进行提取。本研究采用分类后比较法进行多时相无人机影像的变化监测，在此基础上，对耕地、植被、水体、建成区变为裸地的变化类型进行判断验证，剔除明显合法、合理的用地变化，保留疑似违法用地。基于威海市自然资源和规划局已公示的研究区和研究时间段内的规划核实批后公布信息，判断用地变化是否合法、合理，若发生变化的地块没有规划核实批后公布信息，则判定为疑似违法用地。精度评价以影像分割对象为基本单元，基于辅助样点数据，统计正确监测、漏检、图斑个数作为评价指标。

3 结果与分析

3.1 最佳分割尺度评价结果

基于最佳分割尺度，可以得到与土地利用地物单元实际边界吻合的影像对象边界，否则会造成对象单元的破碎或者对象边界超出实际的地物单元边界。基于本研究提出的定量化评价指标，得到最佳分割尺度，如图4所示。2015年，当分割尺度为10时，RAor值较低，约为20%，而RAos值较高，约为90%。这说明影像分割尺度较小，无人机影像分割过度，分割对象数量较多，整体分割情况比较破碎，大部分地物被分割成多个对象，分割质量不高。当分割尺度为250时，RAor值较高，约为85%，而RAos值较低，约为50%。这说明影像分割尺度较大，无人机影像分割不足，有些地物与其周围地物被分割到了一起。当分割尺度为150时，RAor和RAos取值比较接近，影像分割结果相对比较完整，且大部分分割对象没有产生破碎现象。因此，2015年影像的最佳分割尺度为150。同理，2017年、2019年的影像最佳分割尺度分别为150、175。

图4 最佳分割尺度评价结果Fig.4 Optimal segmentation scale evaluation results

分割对象的位置精度如图4(d)所示。对于给定的参考对象，当分割尺度较小时，会产生破碎化的分割结果，进而导致Dsr值较大；当分割尺度较大时，分割结果会比参考对象更大，也会导致Dsr值变大；当分割尺度为最佳分割尺度时，三个年份的Dsr值均较小。综合拓扑精度(RAor和RAos)和位置精度(Dsr)的评价结果，2015年、2017年、2019年三个年份无人机影像的最佳分割尺度分别为150、150、175。

本研究采用最大面积法来验证所选最佳分割尺度的准确性。最大面积法是指按照一定的步长进行尺度的递增设置，利用多次重复分割实验，对不同分割尺度参数下影像对象的最大面积进行统计，进而确定最优分割尺度[28]。本研究定义分割尺度的步长为20，分割尺度与最大面积的变化关系如图5所示(X轴为分割尺度；Y轴为最大面积，单位为km2)。由图5(a)可知，随着分割尺度的增加，地块的最大面积不断增加；在[140,160]区间内，地块最大面积增长较缓；在[160,220]区间内，地块最大面积增长速度加快。这说明2015年影像的最佳分割尺度位于[140,160]这一区间，而本研究所求的2015年的分割尺度为150，正好位于这一区间范围内。同理，2017年、2019年的最佳分割尺度也位于最大面积法求得的最佳分割区间范围内。这说明，本研究的最佳分割尺度优选方法是可行的，且具有一定的优势。

图5 最大面积法尺度分割结果Fig.5 Results by maximum area method

3.2 土地利用分类结果

基于无人机影像2015年的土地利用分类结果(图6(a))，耕地主要分布在经区的东部和南部，面积约150 km2，占比为50.14%；其次是建成区主要分布在经区的西部，面积约为61 km2，占比为20.33%；植被面积约为58 km2，占比为19.25%；裸地面积约为16 km2，占比为5.34%；水体面积约为8 km2，占比为2.66%；道路面积约为7 km2，占比为2.28%。

基于无人机影像2017年的土地利用分类结果(图6(b))，耕地面积最大，约为147 km2，占比为47.61%；其次是建成区，面积约为61 km2，占比为19.8%；植被面积约为60 km2，占比为19.5%；裸地面积约为23 km2，占比为7.33%；水体的面积约为11 km2，占比为3.41%；道路面积约为7 km2，占比为2.35%。

基于无人机影像2019年的土地利用分类结果(图6(c))，耕地面积最大，约为144 km2，占比为46.63%；其次是建成区，面积约为62 km2，占比为20.11%；植被面积约为60 km2，占比为19.51%；裸地面积约为24 km2，占比为7.74%；水体面积约为11 km2，占比为3.48%；道路面积约为8 km2，占比为2.52%。

图6 基于无人机影像的土地利用分类结果Fig.6 Land use classification results based on UAV images

3.3 多时相变化特征提取结果

图7(a)为2015年—2017年间土地利用变化。从空间分布来看，2015—2017年间的变化主要集中在滨海新城。从变化统计来看，其总体变化面积为12.63 km2，其中变化最大的是耕地变为裸地，约占整体变化的46.46%；其次为裸地变为建成区，约占整体变化的15.46%。

图7(b)为2017—2019年间土地利用变化。从空间分布来看，2017年—2019年间的变化主要集中在滨海新城。从变化统计来看，其总体变化面积为9.2 km2，其中变化最大的是耕地变为裸地，约占整体变化的42.75%；其次为裸地变为建成区，约占整体变化的28.58%；再次为水体变为裸地，约占6.53%。

图7 多时相变化特征提取结果Fig.7 Multi-temporal feature extraction results

3.4 疑似违法用地监测及精度评价结果

通过分析疑似违法用地的多时相变化特征，并基于人机交互删除了合法的用地变化，得到了2017年、2019年的疑似违法用地监测结果，如图8所示。

图8 疑似违法用地监测结果Fig.8 Monitoring results of suspected illegal land use

由图可知，2017年疑似违法用地监测对象图斑为112个，2019年疑似违法用地监测对象图斑为107个。通过辅助样本点对比可以发现，威海市经区疑似违法用地多分布于矿山、湖岸线等地。

利用辅助数据，对2017年、2019年的疑似违法用地监测结果进行了精度评价。2017年，疑似违法用地精度评价参考样本点为50个，其中正确监测数42个、错误监测数5个、遗漏数3个，精度为84%；2019年，疑似违法用地精度评价参考样本点为50个，其中正确监测数44个、错误监测数2个、遗漏数4个，精度为88%；2017年和2019年，疑似违法用地总体监测精度达到了86%。其中，错误监测样本点的出现是因为在分类过程中误将其分成了裸地，从而造成监测结果错误；而遗漏监测样本点的出现则是因为在人机交互删除用地变化的过程中判断错误，造成了遗漏监测。

4 结论与展望

本研究以威海市经济技术开发区为研究区，提出了无人机影像最佳分割尺度的定量化评价指标，挖掘了反映疑似违法用地客观规律的多时相特征，获得了经区2017年和2019年的疑似违法用地监测结果，发现经区的疑似违法用地多分布于矿山、湖岸线等地，经验证，精度达到86%。研究结果不仅为特殊土地利用类型的精准监测提供了技术方案和理论支撑，而且对推动威海市经区精致城市建设、提高土地资源利用效率等具有重要意义。

但是，本研究时相跨度为两个年份，且没有考虑已有建设用地中存在的疑似违法用地情况，在未来的研究中，应在更加精细的时相尺度上开展疑似违法用地的精准监测研究，并对已有建设用地中的疑似违法用地进行监测。另外，本研究在进行多时相变化特征提取时，只是定性的判断了明显合法、合理的用地变化，容易产生遗漏监测，在今后的研究中，拟结合多源数据建立评价指标体系，以定量分析多时相的特征变化是否合理、合法，进而提高监测结果的准确性。同时，在进行面向对象土地利用分类时，拟加入隶属度函数来提高分类结果的准确度，进而减少错误监测的发生。