陆地卫星遥感监测体系及应用前景

王 权，尤淑撑

自然资源部国土卫星遥感应用中心，北京 100048

按观测对象不同，遥感卫星可划分为陆地、气象、海洋和环境等卫星系列。目前，我国陆地卫星主要观测要素包括地形地貌、土地利用、土地覆盖、温度和重力场及其变化状况，通过综合利用各种尺度可见光、高光谱、激光测高、热红外、雷达和重力测量等载荷组成不同型谱的卫星星座，形成年、季、月、日、小时等不同时间分辨率的数据获取能力，满足全球、全要素、全尺度、全天候、全天时的对地观测需求，为自然资源保护、国土空间规划实施监督和全球变化研究等提供数据、信息、技术等业务支撑。

从1999年我国发射第一颗陆地卫星中巴资源卫星01星(CBERS-01)以来，陆地卫星遥感得到快速发展，应用能力和水平逐步提升，已经成为资源环境调查、监测、评价和管理等不可或缺的技术手段[1]。2011年发射的资源一号02C星实现民用陆地遥感应用从科研试验型向业务应用型的转变；2012年发射的资源三号01星开创了卫星测绘新阶段；2018年发射的3颗2 m/8 m卫星星座实现了我国陆地遥感监测能力跃升，实现了自然资源领域卫星遥感监测常态化业务应用。近年来，陆地卫星观测体现不断健全完善，涵盖光学、高光谱、激光等多种载荷类型，其中2 m级卫星具备全国陆域范围季度有效覆盖能力，为全天候、全要素、全流程监测提供了重要数据基础。

本文针对我国自然资源管理及全球变化研究对快速掌握各类资源动态变化信息的迫切需求，基于当前我国陆地卫星遥感能力，充分运用大数据、人工智能、云计算等高新技术开展了卫星遥感监测体系研究，在突破监测关键技术的基础上，建立了业务化运行流程，在自然资源领域实现了全国季度、重点区域月度和特定目标即时监测能力，较好地满足了自然资源管理等对大区域、高频次、多元遥感信息的需求[2]，为揭示自然资源相互关系和演替规律，以及支撑山水林田湖草的整体保护、系统修复和综合治理[3]等新需求提供了重要的遥感信息产品。

1 监测体系设计

1.1 总体监测框架

陆地卫星遥感监测是对土地利用、土地覆盖与人类活动及其相互作用结果按一定时间周期和空间尺度进行动态观测，从数量、质量和生态3个维度表征各类监测对象及其变化状况。

针对我国自然资源保护、国土空间规划实施监督、生态修复及全球变化研究等对土地利用、土地覆盖及其相关地表参数指标动态变化信息的需求，根据当前我国陆地卫星数据覆盖及监测能力，陆地卫星遥感监测体系包括全球宏观尺度监测和我国陆域范围季度监测、重点区域月度监测及重大事件的即时应急监测，总体框架[3-5]包括全区域监测、全尺度监测、全要素解译、全流程控制和全生命周期管理等核心内容，如图1所示。

图1 陆地卫星遥感监测体系总体框架

(1)全区域监测。针对全球范围，利用我国陆地卫星全球覆盖及高分一号16 m等中分辨率卫星可年度覆盖全球主要陆域的能力，开展建设用地、农业用地、林地、草地、水体、湿地等土地利用、土地覆盖类型宏观变化监测。针对我国陆域范围，按区域分类型按需开展自然资源保护、国土空间规划实施监督、生态修复等专题监测。

(2)全尺度监测。针对不同监测频次要求，综合应用亚米，2、10、16 m等多尺度卫星数据开展多尺度监测，形成月度、季度、年度序列化监测产品。利用2 m级国产卫星全国季度覆盖能力，开展全国陆域范围内400 m2以上土地利用、土地覆盖等要素变化监测；利用亚米级卫星数据开展重点区域精细化监测，并采用多尺度卫星协同开展月度或更高频次变化监测和自然资源典型要素参数的定量反演；发挥陆地卫星虚拟星座和敏捷卫星灵活机动等优势开展即时监测，对重大违法事件和重大自然灾害等开展应急监测，实现7×24即时响应[6]；通过光学和雷达的协同应用，有效保证多云多雨多雾地区的数据覆盖，实现全天候观测；通过热红外、夜光等数据高频次覆盖和兼具白天、夜间成像能力，实现对森林火灾等全天时观测。

(3)全要素解译。充分利用可见光、高光谱、激光测高、热红外、雷达和重力等多型谱卫星数据，开展全要素变化监测，核心要素指标见表1。其中，数量指标包括土地利用/土地覆盖等要素类型的空间分布、边界、范围和面积，质量指标包括耕地种植状况、植被长势、水质、土壤状况等信息，生态指标包括生态系统服务功能相关的各类地表参数[7-10]。

表1 陆地监测核心指标一览表

(4)全流程控制。建立监测图斑全流程处理模式，实现信息提取、内业核实、外业验证和在线核查等应用处理环节有效衔接，采用区块链等技术实现监测图斑处理过程的安全可控，确保监测信息产品流转过程可追踪、可回溯和责任可追究，保证监测成果质量可靠。

(5)全生命周期管理。采用面向对象方法和统一建模语言(UML)，对各类监测信息产品进行自动化质量检查、对象化处理、数据入库及关联关系建立等处理，构建统一存储管理的监测成果数据库，包括月度、季度、半年、年度等序列影像产品数据、多源多载荷数据协同定量反演参数指标集、全要素地类样本数据和知识图谱，以及自然资源全要素、全尺度和即时监测信息产品。在此基础上，针对自然资源业务应用需求建立监测信息管理模型，对监测图斑的发生和演变情况进行全生命周期管理，支撑事前预警、事中跟踪和事后评估等监测预警及监管等应用。

1.2 技术流程设计

基于大数据、人工智能、云计算等新技术建立遥感监测业务化流程，总体技术思路包括：采用虚拟卫星星座技术对同类型卫星资源进行整合，通过成像任务统筹和成像任务智能规划，保障监测所需影像数据；集成多源多载荷卫星数据处理模型算法，建立遥感影像数据自动化生产体系，实现在轨陆地卫星数据的当天数据、当天处理和当天质检；通过深度学习等人工智能技术和专家知识的融合，实现变化信息的主动发现和快速提取；采用云服务技术和大数据用户画像构建技术，实现各类监测信息的主动推送和精准服务，为自然资源管理和全社会提供在线共享服务。

具体技术流程包括影像获取、数据处理、信息提取、图斑编辑与分析、质量检查和成果入库等环节，如图2所示。首先，根据需求编制卫星任务规划，统筹获取多源卫星数据；每日对接收的原始影像进行正射处理、有效数据筛选、色彩增强、缓存处理、数据服务发布及增量式更新等处理，制作符合监测要求的监测底图。然后，应用深度学习技术构建变化图斑及特定目标信息自动提取技术，开展信息自动提取，通过人机交互方式逐图斑核实，对自动提取的监测图斑进行复核编辑，剔除伪图斑、补充遗漏图斑、标记图斑属性和修正图斑边界；通过集中式自动质检和分布式人机交互质量检查相结合方式，完成监测成果质检、汇交、归档与建库。最后，将监测图斑与永久基本农田、城市开发边界、生态保护红线等数据进行套合分析，形成专题统计分析成果[11-13]。

图2 陆地卫星遥感监测技术流程

2 关键技术研究

陆地卫星遥感监测技术体系构建的关键是实现卫星数据自动处理、信息智能提取和在线应用服务。针对自然资源卫星遥感监测，重点突破基于工作流的监测生产线智能流转与可插拔模块调度控制、遥感影像样本知识库构建、复杂场景自然资源变化自动提取、自然资源特定目标自动提取和自然资源变化图斑全生命周期管理等技术。

2.1 基于工作流的监测生产线智能流转与可插拔模块调度控制技术

要实现在轨陆地卫星当天数据当天处理，每日数据处理量大，如仅2 m级影像每日数据处理量近600景，约200万km2，需要建立高度集成化的影像处理生产线。为实现监测信息产品批量化、自动化和定制化生产，采用基于工作流的监测生产线构建技术，即根据陆地卫星遥感监测技术流程将数据处理过程划分为5个大流程、25个小环节，针对每个环节进行模型算法封装，形成相对独立的处理单元，通过可插拔模块调度控制技术实现灵活可控的调度机制，建立集卫星数据预处理、自动信息提取、人机协同编辑、成果建库及应用服务于一体的卫星遥感监测全链条生产线(图3)，达到整个生产线的自动化运行、积木式组装、多点并行和多终端调度，满足各类陆地遥感监测的定制化应用需求。

图3 可插拔式模块调度控制技术流程

该项技术实现了影像自动优选、监测底图增量式更新、监测任务自动流转、数据模板化统计分析和信息自动入库。将全国每季度2 m级有效影像从约300 TB处理成0.5 TB影像底图服务，影像数据流转时间从15 d以上缩减到30 h以内；构建了自动提取和人机交互方式相结合的变化信息协同提取方法，实现了监测全流程监控和成果自动化流转，形成了每日30万km2以上遥感监测作业生产能力，较以往作业方式效率提高了3～5倍。

2.2 遥感影像样本知识库构建技术

我国幅员辽阔，自然资源种类多样，不同自然资源类型影像特征存在时空差异，为保证自动信息提取结果的高精度和高可靠性，需要采用深度学习等高稳健性智能解译技术，构建高质量遥感影像样本知识库。为了保证样本质量，①按全国自然地理分区、遥感卫星载荷类型和各种自然资源类型影像时空变化特征，按遥感卫星载荷类型进行分区域、分类型样本采集；②采用深度对抗网络(GAN)、迁移学习等技术，对遥感影像进行云、雾消除和辐射一致性处理，减少不同来源卫星影像数据差异；③按照统一技术标准进行样本采集，要求样本图斑影像纹理清晰、特征明显，采集的图斑边界与对应影像套合精度小于2个像素，要求不同样本图斑无重叠；④采用已有国土调查数据及众源语义知识等数据进行补充；⑤在样本数量不足情况下，为提高模型的可推广性，以高质量样本为基础进行适度样本增广。同时，应用地物知识库进行辅助推理，解决极个别地区的样本缺乏问题。

(1)样本采集。在分析典型自然资源地类目标在不同时相、尺度、类型遥感图像上的光谱、纹理、形状、几何拓扑、空间上下文关系等特征信息基础上，建立样本采集标准。变化检测样本包括前时相、后时相影像数据和对应变化类型数据，2 m级变化检测样本影像行列数采用512×512，要素分割样本行列数采用1024×1024。

(2)样本增广。针对采集样本，也可通过平移、旋转、翻转、缩放、增加噪音、亮度拉伸、色彩变换、拼接、填充、叠置等处理，以及训练具有自组织、自生成能力的模拟样本生成模型，获得多样化学习样本，为提升模型泛化能力奠定基础。增广比例一般不大于50%。

(3)地物知识库构建。通过对已有土地利用、土地覆盖产品、地学知识文档的知识抽取、知识表示、知识融合等处理形成知识库，实现对深度学习网络地物智能解译的辅助推理。

2.3 复杂场景自然资源变化自动提取技术

自然资源变化信息提取主要针对新增建构筑物、新增推填土、新增线性地物、新增高尔夫球场、新增光伏用地等建设用地变化，以及耕地、园地、林地、草地、水域、湿地等变化状况，应用场景相对复杂，大区域范围提取结果存在大量伪变化。主要技术解决方案为：①针对复杂应用场景中变化目标尺度多变，部分变化目标较小且表现为数据稀疏问题，采用深度学习卷积神经网络按照不同地物特征分别构建变化提取模型；②以任务需求和应用目标为导向，建立业务化应用技术流程，充分利用业务数据和先验知识去除伪变化，包括任务规划、影像配对、变化图斑提取、面向对象去伪、矢量化、成果质检与归档等环节，如图4所示。

图4 变化自动提取业务化技术流程

(1)任务规划。综合运用遥感技术、地理信息技术、计算机技术等，构建任务规划功能，实现对多任务区、多类型文件的任务数据批量优选。

任务规划主要将后期影像范围文件与前期影像范围进行比对分析，实现对任务所需影像数据的快速筛选和管理。

(2)影像自动配对。依据任务规划文件确定两期影像的关联关系、多幅影像间的重叠关系，根据后时相影像范围对前时相对应影像进行镶嵌处理，保证两期影像空间范围一致。

(3)变化信息提取。以PyTorch等主流框架为基础，采用Efficientnet、ResNet[14]等特征提取骨干网，组建编码器-解码器结构的语义分割模型，如U-Net[15]、PSPNet[16]、DeeplabV3+[17]等，并结合Siamese孪生网络[18]思想，构建了深度神经网络遥感变化信息提取框架，如图5所示。通过特征提取、决策模型、模型训练、配置文件、模型处理等，开展自然资源变化信息自动提取。

图5 深度神经网络遥感变化信息提取框架

(4)面向对象去伪。针对前后时相影像在数据源、辐射差异、色彩差异等问题导致的伪变化，引进时序影像对比统计策略，利用关键特征因子进行相似性判断，基于面积、狭长度、紧致度、亮度、植被覆盖度等形态学特征限制及相似性指标进行小图斑/伪图斑去除。

(5)成果矢量化。针对深度学习提取变化图斑的概率栅格图进行矢量化处理，包括二值化、最大最小分析、去小面和矢量的抽稀平滑处理等。

(6)成果质检与归档。包括图形检查、属性更新、属性检查、月度合成、季度合成及按需求定制合成等。

该项技术针对2 m级卫星影像，变化信息自动提取正确率达到80%左右，具备每天处理500景对以上卫星影像变化信息提取，实现了当天数据当天处理。

2.4 自然资源特定目标自动提取技术

自然资源特定目标主要是专题性监测中关注的别墅、高尔夫球场、光伏用地、大棚房等特定地物。特定目标监测通常在大区域范围下进行提取，目标样本数量相对较少，主要通过多维样本增强、自动提取模型选取和小样本条件下深度学习模型迭代等方式提高检测精度。

(1)多维样本增强。数据样本的多样性对于提高算法模型的精度和泛化能力非常关键。多维样本增强主要包括常规增强、辐射增强和样本泛化等方面。常规数据增强包括随机几何变换和随机颜色抖动两种，辐射增强包括直方图均衡化增强、基于拉普拉斯算子的图像增强、基于对象Log变换的图像增强以及基于伽马变换的图像增强等方式，样本泛化的主要实现方式是通过增加负样本的数量，降低误检测率、误识别率。

(2)自动提取模型构建。面向不同自然资源要素监测任务需求，根据要素分布特点、地表覆盖类型和形状结构特征等确定深度学习模型，光伏用地检测采用Efficientnet网络，大棚和别墅识别采用DeepLabV3+模型。

(3)小样本条件下深度学习模型优化迭代。针对自动提取中的小样本问题，为提高深度学习样本构建效率和效果，采取边标记样本边训练网络的方式，即首先标记少量样本，其次快速训练验证模型精度，然后根据验证结果进行针对性的样本补充，最后以上步骤直到样本数据达到应用所需质量要求，如图6所示。

图6 智能迭代训练流程

采用自动提取正确图斑个数占所有自动提取图斑个数的比例，计算提取正确率，自动提取变化图斑和实际变化图斑的交集面积占两者并集面积的百分比计算面积精度对自动提取效果进行评价。该项技术针对2 m级卫星影像，高尔夫球场、湖泊、大棚等典型自然资源要素自动提取正确率达到80%以上，采用7台GPU机器(每台3张V100或6张P40显卡)，8 d时间可完成全国一版单要素信息自动提取；水体自动提取面积精度优于90%，采用3台GPU机器单景影像自动提取时间小于2 min，10 d可完成全图一版河流、湖泊水面范围提取。

2.5 自然资源变化图斑全生命周期管理技术

自然资源变化图斑全生命周期管理主要实现对图斑在任意时点和任一时段时空特征、属性状态及处置状况进行追溯分析。①通过图斑唯一编码，精准记录图斑时空属性，支撑图斑数据的身份唯一认证。②通过变化信息数据区块映射机制，全面记录图斑在不同时点上扩大、缩小、合并、分拆等几何和属性变化情况。③针对所有图斑数据自动绑定生成唯一对应的不可逆加密标识，防止图斑数据篡改及随意复制等。④针对图斑在不同时点上几何或属性变化情况构建时空相关模型，支撑变化图斑源头可追溯、流向可跟踪、信息可查询、责任可追溯。

3 自然资源领域典型应用

自然资源领域典型应用包括全国自然资源执法督查监测、全国地表水动态变化监测、全国冰川和永久积雪遥感监测和应急监测等方面。

3.1 全国自然资源执法督查监测

采用2 m级卫星数据，基于DeeplabV3+等深度学习模型的自动提取技术，每个季度对我国陆域范围内400 m2以上新增线状地物、建(构)筑物、推填土、光伏用地和高尔夫用地5类要素信息开展变化信息提取，通过人机交互去伪、补漏和修正，监测精度优于95%。图7为新增建设用地季度监测结果图，图7(a)、(b)分别为变化前、变化后影像，红色矢量界线为季度变化图斑。

图7 新增建设用地监测

3.2 全国地表水动态变化监测

采用2 m级卫星数据，基于种子面扩张和深度学习结合的自动信息提取方法，针对全国1265条三级以上河流及其关联水库和2953个1 km2以上湖泊的水面变化开展月度信息提取，按季度形成全国四期地表水监测产品，自动提取面积精度优于90%。图8为1970—2021年期间新疆阿克苏库勒湖水面面积变化监测结果图。

图8 1970—2021年新疆阿克苏库勒湖水面面积变化监测图

3.3 全国冰川和永久积雪遥感监测

综合利用2、10、30 m多源遥感数据，基于多源时序遥感协同的冰川水资源监测技术和多尺度时序影像冰川综合可解译性评价方法，采用自动分类和人机交互相结合的方式，开展了全国冰川卫星遥感监测，形成了2000年以来全国冰川分布与变化信息产品，建立了全国冰川时序遥感监测数据库。图9为念青唐古拉山东段冰川2000—2015年时间段内的缩减情况，黄色矢量界线为2000年冰川范围，绿色矢量界线为2015年冰川范围。

图9 冰川面积缩减案例(念青唐古拉山东段)

3.4 应急监测

应用亚米级等多源卫星数据先后开展了安徽扬子鳄保护区监测、辽宁自然保护区监测、京津冀地区大棚监测、全国“大棚房”问题专项清理整治遥感监测、全国违建别墅专项整治遥感监测、全国农村乱占耕地建房专项整治遥感监测和“曹园”重大违法用地整治遥感监测工作，实现了全国性应急监测1个月内完成和重点目标应急监测当天提交监测成果的能力。图10为全国违建别墅整治遥感监测成果图，红色矢量边界为整治范围界线，图10(a)为整治前别墅空间分布，图10(b)为整治后别墅拆除情况，通过前后时相对比确定实际拆除别墅的类型、数量和面积。

图10 全国违建别墅整治遥感监测成果

4 结 语

本文设计了陆地卫星遥感监测体系，针对自然资源卫星遥感监测需求，提出了基于深度学习自然资源变化信息自动检测等关键技术解决方案，形成了全国季度、重点区域月度及重大违法用地等特定目标即时监测的业务保障能力。未来针对陆地资源精准监管、可持续利用评价和全球变化应对等需求，仍需要进一步拓展卫星遥感监测深度、广度和进一步提升遥感监测能力水平，持续健全完善陆地卫星监测体系。具体包括如下内容。

(1)持续加强陆地卫星遥感监测能力建设。进一步提升自动变化发现和信息提取的业务化支撑能力，拓展样本知识库，提高建设用地、耕地、园地、林地、草地、湿地等自然资源全要素信息智能化提取精度、效率和能力，全面提升监测自动化和智能化水平，不断适应国产卫星数据的爆炸式增长，并逐步满足自然资源管理等对高质量卫星遥感信息产品的需求。

(2)开展多源多载荷数据协同监测应用研究。随着我国陆地卫星观测体系的健全完善，多平台、多载荷、多尺度影像数据不断丰富，深入研究异构影像域转换[19-20]、迁移学习等技术，通过多源数据时-空-谱融合和多尺度数据集成，增强样本、特征、模型的泛化能力，提高自然资源遥感定量反演、要素识别和协同监测能力，充分挖掘各类自然资源卫星数据应用潜能，实现面向全社会、各行业的卫星遥感产品持续稳定供给[21-22]。

(3)加强新型载荷数据应用研究。通过对高光谱卫星遥感载荷和数据特点的分析，优化高光谱自然资源质量、生态要素定量反演技术，面向陆地水储量、湖库水量变化、河川径流及冰川物质平衡监测、地球科学研究等需要开展自然资源三维监测等技术方法研究等，不断丰富发展陆地卫星遥感监测理论和方法[23-25]。