基于遥感影像智能识别的京雄城际铁路生态环境监控技术

葛辉凯，郝 爽，葛开国

（1. 武汉铁四院工程咨询有限公司 桥梁室，湖北 武汉 430063；2. 雄安高速铁路有限公司雄安指挥部，河北 石家庄 050000；3. 中国铁道科学研究院集团有限公司 节能环保劳卫研究所，北京 100081）

0 引言

铁路建设在极大带动区域经济发展的同时，给生态环境造成了一定影响。虽然采取的多种污染防治措施和生态恢复措施在项目验收阶段效果显著，但铁路施工期环境问题仍需进一步控制[1]。因此，应不断加强铁路建设的环境管理，全面落实各项污染防治措施和生态环境保护措施，最大限度减缓建设项目对周围环境的影响。

人工智能、大数据、云计算、物联网等新技术的应用，加速了社会的智能化发展，推动了中国智能高铁的进程。2017 年，我国铁路正式启动“智能京雄”等重大工程建设，提出了“智能高铁”的战略目标和总体要求[2]。京雄城际铁路在建设实践中，积极探索运用信息化、自动化、智能化技术，对项目施工生态环境影响开展全方位、全过程监控。其中，基于遥感影像智能识别的生态环境监控技术取得了良好应用效果。

1 京雄城际铁路生态环境影响分析

1.1 铁路沿线环境

京雄城际铁路大兴机场至雄安新区段工程，起自北京市大兴机场站，途经北京市大兴区、河北省廊坊市固安县、永清县、霸州市，终于雄安新区雄安站，正线全长约59 km。其中，工程新建桥梁46 km，明挖隧道1座7 km，路基工程6 km。工程于2018年2月开工建设，2020年底通车运营。

线路所属地区位于华北平原北缘，地形平坦开阔。沿线经过永定河、东干渠、牤牛河、虹江河等河流及其支流，河流水量均不大，水流缓慢。沿线地区属于暖温带半湿润大陆性季风气候，四季变化明显。大兴区土地利用程度高，区域产业布局及与城市、村镇和道路距离等区位因素使其土地综合利用水平呈现北高南低的格局；设施农用地、园地和设施耕地等集约利用程度较高的农用地比例大，集中分布在村镇和道路附近；各类土地破碎化严重[3]。河北廊坊、固安段的环境情况类似。

1.2 施工生态影响

1.2.1 植被破坏和水土流失

根据项目沿线环境特点，京雄城际铁路的施工生态影响主要集中在植被破坏和水土流失方面。项目主体工程和临时工程占地均需要清除地表植被，区域内植被覆盖度明显减少，从而增加了地表裸露面积；隧道、桥梁、路基等工程建设也会破坏原始地貌，土壤抵抗水土侵蚀能力减弱，易导致水土流失，使生态环境的稳定性下降并恶化，甚至可能影响植物群落的演替。同时，乱堆乱弃、随意扩大施工占地等不文明施工行为均会打破原有的地表平衡，改变区域地貌类型进而加剧水土流失。

建设过程中一般会采取临时绿化、苫盖等措施减少裸露面积，并且施工完成后对路基边坡、取弃土场、临时工程等采取生态恢复措施，尽可能恢复原有的生态功能，但若植被恢复措施落实不及时、不到位会加剧生态系统的恶化。

1.2.2 对沿线敏感目标影响

线路经过区域城镇、村庄分布较为密集，施工过程对周围居民区、学校、医院等敏感目标的影响主要为施工噪声、扬尘、振动等。铁路项目拌和站、制梁场等临时工程布设会远离环境敏感区，施工车辆对村庄、学校等也会采取避绕、禁鸣、限速等措施，并且除特殊情况外夜间一般不进行施工作业[4]。但是，由于受到地形条件、工程需要等多重因素的限制，部分敏感点相对施工生产生活区的距离较近，项目施工可能会对其产生一定的影响。

2 遥感识别生态监控技术

在京雄城际铁路工程环境管理过程中，针对沿线环境特点采用了高分辨率遥感影像技术，对铁路建设项目制梁场、拌和站等大临工程和居民区、学校、医院等敏感区进行分类识别及生态监控分析。

目前，识别分析方法依据特征选取方式的不同可分为2 类，一是利用人工设计特征，二是采用深度神经网络自主学习特征[5]。前者需要花费大量精力选择合适的建筑物特征。本项目选择采用卷积神经网络(Convolutional Neural Network，CNN)进行动土识别和图像分类。

2.1 卷积神经网络

卷积神经网络是一种深度神经网络的代表算法，为多层神经网络，在图像识别领域应用广泛，其省略了对特征提取和数据重建的过程，可以直接接收输入的图像[6-7]。卷积神经网络结构主要由输入层(Input)、卷积层(C)、池化层(P)、全连接层(FC)和输出层(Out‐put)组成，其中卷积层和池化层为卷积神经网络特有。卷积层主要是通过卷积操作来提取图像特征，一般包括线性操作和激活函数输出2步[8]。池化层主要是对特征图进行降维，使用Sigmoid 函数作为卷积网络的激活函数，特征映射后的图像拥有位移不变性。卷积层与池化层交替出现的神经网络结构可以实现特征图降维处理，同时可以减小网络过拟合程度，提高网络性能，容忍输入图像畸变[9]。

2.2 技术路线

根据铁路建设项目的特点及高分辨率遥感影像对建筑物识别分析方法[10-11]，选用深度卷积神经网络建立模型进行识别分析研究。

首先，基于高分辨率遥感影像构建铁路施工期地物样本库，使用软件工具绘样本多边形并赋予每块图斑属相。对样本库进行数据预处理生成样本的标签图像，再将原始图像和标签图像输入深度卷积神经网络模型中进行训练，直至模型收敛。

其次，将待识别的遥感图像输入训练好的深度卷积神经网络模型进行模型识别，生成带有地理坐标的地物分类识别结果文件。通过相关工具对分类结果进行编辑处理以便尽可能减少机器学习算法带来的误判和漏判，编辑结果保存之后执行分类结果入库程序。

最后，以HTTP 服务的形式对外提供地物分类识别结果数据库查询检索服务。

该研究技术路线如图1所示。

图1 技术路线流程

2.3 分类识别模型建立

根据铁路建设项目环境影响分析，制梁场、拌和站等大临工程的建设，以及项目取土、弃渣等施工行为对生态环境及周围敏感建筑均有一定的影响。考虑不同工程建设的差异性，按照拌和站、制梁场、施工营地、取土场、弃土场、居民区等建立分类识别模型。

建立分类模型方法包括训练阶段和识别阶段。在训练阶段，首先将高分辨率遥感影像数据及其样本通过选择性搜索算法进行似物性采样，生成包含潜在地物的图像块作为训练数据的增强；随后将原始训练数据和增强训练数据块作为训练样本数据输入空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling，ASPP)卷积网络中；之后深度学习框架会通过一系列的卷积和池化运算提取特征并自动计算图像数据和样本数据的误差，在网络反向传播过程中使用随机梯度下降法不断计算梯度并更新网络参数，直至计算得到的误差小于给定阈值时终止训练迭代。在识别阶段，首先将需要识别的图像数据进行切片处理，生成适合网络结构大小的识别数据集；之后将识别数据集输入已经训练好的ASPP网络模型中生成粗略的分类结果；随后将粗略的分类结果与输入图像一起输入全连接条件随机场进行后处理，最终生成精细化的分类结果。

2.4 基于WEB的模型建立

进行基于B/S模式的WEB应用服务端开发，可实现预测数据对外服务功能，其他子系统及PC 客户端可使用HTTP服务进行查询检索，流程如图2所示。

图2 WEB端模型流程

WEB应用服务端主要包括以下5个功能。

（1）建立铁路施工期临时工程地物(包括拌和站、制梁场、施工营地、取土场、弃土场、居民区)高分辨率遥感图像样本库。

（2）建立基于卷积神经网络的地物分类模型，将样本库输入模型进行训练，对于样本的增量样本数据实现半自动化训练并更新网络模型。

（3）新增遥感图像数据模型预测命令行脚本。

（4）将关键地物分类预测结果保存成带有地理坐标的地物分类识别结果文件，元数据保存成xml文件，再写入数据库地物分类结果表中。

（5）系统通过HTTP 服务的形式对外部系统提供地物识别结果。

2.5 模型精度评价

常用的模型精度评价指标包括准确率(Accuracy)、精确率(Precision)、召回率(Recall)、权衡指标F 分数(F-Score)等。对于二分类问题，可将样本总数分类结果划分为真正例(TP)、假正例(FP)、真反例(TN)和假反例(FN)。分类结果的混淆矩阵(Confusion Matrix)如表1所示。

表1 分类结果混淆矩阵

准确率、精确率和召回率分别定义如下。

通过评价指标的计算结果，可对模型精度进行不断调整，以提高识别准确度。

3 应用分析

3.1 分类识别应用

采用京雄城际铁路2018-03-22 期的影像数据开展应用实验。以GF2 卫星0.8 m 全色多光谱遥感影像为基础数据源，数据范围为94 km2。识别分析以京雄城际铁路线路2 km范围影像作为识别对象，将原始影像进行切割处理后导入训练好的模型中进行分类识别处理，识别结果如图3所示。

图3 京雄城际铁路分类识别结果

运用深度神经网络对京雄城际铁路线路两侧2 km范围拌和站、制梁场、施工营地、取土场、弃土场、居民区等进行识别分析，识别结果为：制梁场4 个、拌和站5个、取弃土场7个(含临时取弃土场)、施工营地13个、居民区98个，共计127个。现场实际设置制梁场5 个、拌和站4 个、弃土场5 个(含临时弃土场)、施工营地12 个，现场实际仅对线路外轨中心线两侧200 m范围内居民区进行统计，共41个。

通过对模型的训练，京雄城际铁路分类识别的平均准确率为86.4%，平均精确率为81.6%，平均召回率为83.6%。

3.2 识别结果分析

将识别结果与现场实际情况进行比对分析，因制梁场与拌和站的外观特征具有一定的相似性，识别时将其中一个制梁场识别成了拌和站；因京雄城际铁路未设置取土场，取弃土场无法单独识别，弃土主要为隧道明挖弃土和桥梁桩基施工弃土，项目训练的样本数据以隧道弃渣居多，故而存在一定的差异性；施工营地识别相对准确；因比对范围不同居民区无法直接进行比较，经人工查看居民区的范围识别较为准确，数量的差异主要是因为划分方法不同，现场调查主要以行政区划为主，而识别模型中未加入行政区划的区分，主要将距离相近的合并，但这对管理辅助决策的影响较小。

4 结束语

京雄城际铁路的施工生态影响主要集中在植被破坏、水土流失及对敏感点的影响。通过采用卷积神经网络构建分类识别模型，对铁路建设项目大临工程和敏感点进行分类识别，识别结果平均准确率可达85%以上，形成了基于遥感影像智能识别的生态环境监控技术。

铁路建设项目涉及的生态环境监控工作点多面广，利用遥感识别生态监控技术可以及时掌握施工单位未上报的大临工程位置和数量，核实大临工程与敏感点位置关系及距离，核查生态敏感区内设置的临时工程，分析临时工程动土情况、生态环境受影响变化趋势及变化原因等。该项技术有助于提升生态监控工作效率和能力，为生态环境保护管理提供科学依据，在辅助人工管理方面具有应用前景，对落实生态文明建设和绿色铁路建设具有积极意义。