基于“样本字典”的城市违法用地快速监测模式研究

李 奇，杨友生，周光建*

（1.广州市城市规划勘测设计研究院，广东 广州 510060）

随着我国城市化推进，城市建设用地需求大幅度增加，土地违法违规利用现象十分突出，土地违法监测大量仅依靠人工巡查，难以保障土地执法效率及准确率。传统城市“两违”管理中，采用外业人工巡查和内业人工判别的模式难以保障违法建设、违法用地的提取效率和结果[1]。针对南沙新区缺乏长效、可视化的动态监测机制，基于无人机低空遥感技术手段，分析、归纳不同区域下最优航飞参数、扫描方式，引入实景三维模型可弥补土地执法证据留存的空白，并获取城市地理要素的轮廓线、骨架线、边界线等三维信息、纹理特征，以及建筑物的高度变化信息，提升“两违”变化监测的违法信息发现敏感度[2-4]。融合多源数据，构建统一、完善的“两违”联动监测体系，服务于各级行政职能部门，支撑南沙新区全域精细化管理，梳理总结出适宜南沙新区独特地理条件及发展环境的“两违”动态监测机制技术路线，提出以专题“样本字典”和自注意力机制变化感知为核心的快速监测服务技术体系。

1 专题“样本字典”的构建

鉴于多源数据协同融合、管理的问题，采用标准地形图分幅的方式进行数据裁剪，进而将影像分幅与地形图分幅保持一致，可实现在违法区域叠加现状地形图、正射影像图以及土规、控规法定数据等多源数据。结合DOM正射影像的数据标注类型，通过labelme进行同一监控区不同时期的变化地物区域的标注，生成训练模块所需要的学习标签。将裁剪后的两期无人机数字正射影像图和二值化后的变化信息进行梳理组织，构成智能感知土地执法专题训练样本字典。基于地类特征可区分出建筑物及非建筑物两大地类，非建筑物地类包含花基植被、河流道路及其他地表附属物等地形要素，综合考量季节、天气等非地类变化因素，结合多期影像数据及对应的土规、现场照片、地形图等多源数据，定义分类初始库，将非建筑物通过适配的纹理信息及灰度特征进行分类，依托多尺度、多梯度的分割方式，对于孤点噪声及碎片化图斑进行面积比例阈值剔除，获取具有高分辨、纹理清晰的非建筑物地类。

利用高程信息进行阈值划定，考虑建筑物的平滑特性导致平面拟合残差较小，可进一步区分出植被等非建筑物地类。通过点云的形态特征，结合高程信息，可将建筑物区分出杆状建筑，墙状建筑及塔楼建筑等，对应为一维、二维及三维建筑结构，形成非建筑物及一、二、三维建筑物的地类要素样本，并通过年度更新结合日常业务案的事件驱动机制，进行样本库更新迭代。形成具有南沙新区独特建筑风貌及地理环境的“地类要素样本字典”。围绕植被及其他非植被的地形存在植被指数及亮度的差异，基于归一化差分植被指数-NDVI根据目标地类要素进行红、绿、蓝波段的自由组合，以及目标要素的亮度阈值选取，可快速区分出植被及目标要素。结合多期影像及更新数据，形成“光谱知识样本字典”。专题训练样本字典分类如表1所示。

表1 专题训练样本字典分类示意表

2 违法用地快速监测模式建立

2.1 引入自注意力机制对抗神经网络模型

在不同时间拍摄的两幅共配准图像中，光照变化和光照角度变化引起的配准误差压倒了真实物体的变化，对遥感影像变化检测（CD）算法提出了挑战。根据样本库中各类型要素的光谱特征及形态结构等多源信息，为聚焦违法用地的敏感高频区的变化发现，提出专注于兴趣区块聚焦检测的时空自注意力（self-attention）神经网络。基于度量的特性，利用个体像素在不同位置和时间的时空相关性更新这些特征图，有效解决卷积神经网络（CNN）和循环神经网络（RNN）应对大距离时空像素关联性的问题。在此基础上，优化自注意机制的学习模型，设计了基础时空注意力模块、金字塔时空注意力模块两种自注意力学习模块。基础的时空注意力模块学习捕捉任意两个位置之间的时空相关性（注意力权重），通过时空中所有位置特征的加权和计算每个位置的响应。金字塔时空注意力模块将基础时空注意力模块嵌入到金字塔结构中，去生成多尺度注意力表示。

2.2 基于时空注意力学习模块的变化感知

通过对不同大小区域的特征进行组合，可以得到多尺度的特征。在此动机的驱动下，将图像空间平均划分为一定尺度下的子区域，并在每个子区域引入自注意机制，利用该尺度下对象的时空关系。通过将图像划分为多尺度的子区域，可以获得多尺度的特征表示，以便更好地适应目标的尺度变化。将自注意模块被整合到多尺度子区域的金字塔结构中形成金字塔注意模块（pyramid attention module）。通过这种方式，捕获不同尺度下的时空依赖关系，从而生成更好的表示来适应不同大小的对象。然后利用个体像素在不同位置和时间的时空相关性更新特征图，形成基础时空注意模块（self-attention）。

地物的实际分布在样本库中遥感影像上的光谱-空间特征存在明显差异化[7-8]。在多时相影像上表现为建筑物拆建、植被区域减少等特征的违法建设与违法用地，采用多时相分割方法保证同一地物在多时相影像中边界相同，针对不同特征层采用多元特征，利于反映不同区域、不同地物类型的变化信息。面向对象特征的光谱变化信息提取违法建设与违法用地变化区域；基于数学形态学、穗帽变换与差分形态学谱，调整阈值、置信度、最小图斑面积等参数，提取建筑物的亮度、尺寸、对比度；结合形态学开、闭运算将不同特征下的变化监测结果进行融合处理，实现基于地物分布特征的违法用地识别[9]。对多时相遥感影像数据进行几何分析、空间基准统一处理后，形成违法建设与违法用地动态监测机制（如图1）。

图1 方案设计图

3 应用效果

通过叠加土地利用现状矢量图和遥感图，利用矢量数据的图斑边界信息将遥感影像分割成影像像斑，然后对影像像斑进行提取标记点，漫水填充，分类提取，基于不同地类对应的遥感影像识别深度神经网络训练所需的大量训练样本库。优选遥感影像地类识别对应深度学习样本库的自动获取方法，包括如下步骤：①边缘映射，在同一坐标系下叠加土地利用现状矢量图和遥感图，然后将土地利用现状矢量图的边界映射为由遥感图中连续像元组成的闭合边缘；②标记点提取，在闭合边缘内部选取标记点；漫水填充，通过标记点进行漫水填充，并给对应于每个填充区域的掩膜赋值和保存地类信息；③图像分类提取，根据掩膜提取分割后图像，并根据掩膜保存的土地利用现状的地类信息进行分类保存，形成样本库。经过大量的样本库训练之后，对自动提取的变化图斑进行图斑分类识别，辨别正样本与负样本，综合参考图斑位置信息、范围信息等因素自动剔除伪变化，实现图斑分类（如图2）。

图2 变化图斑自动检测分割

采用相同的数据图斑，与ArcGIS和Envi这两个非常流行的地理信息系统软件和遥感图像处理软件的变化检测方法进行对比（如图3、4）。

图3 同一区域的测试图斑

基于自注意力机制的土地执法智能感知体系，其区域变化识别正确率达到95%，变化地物分割完整性达85%，标志性建筑检索正确性达95%。相比于传统的EV比值法与ArcGIS CCDC法,其区域变化识别正确率提高34%及40%，变化地物分割完整性提高50%和58%，具有良好的感知提取效率，可提高现有土地执法行业的效率。实验结果如表2所示。

表2 检索结果表

图4 应用效果

4 结 语

本文针对常规的“外业人工巡查+内业人工判别”模式存在的识别效率难以满足快速发展城区的需求问题，围绕违法用地监管高效、精准、精细的管控要求，利用新兴的无人机低空遥感技术手段，结合地类要素及光谱知识的样本库的构建、引入自注意力机制的深度学习模块进行的地类变化智能感知、融合多源数据进行违法用地分析等先进技术，形成以专题“样本字典”和自注意力机制变化感知为核心的快速监测服务技术体系，解决国家重要战略发展地区的精细管理。