基于深度学习理论的山地城市水土保持卫星影像变化图斑提取实践

舒文强，蒋光毅，郭宏忠，张志兰，文 力

(1.重庆市地理信息和遥感应用中心，重庆 401147； 2.重庆市水土保持监测总站，重庆 401147；3.重庆市水利局，重庆 401147)

生产建设项目在施工中会造成地表扰动、植被损毁和土壤侵蚀。目前，我国的生产建设项目具有数量多、分布广、跨度大等特点，传统的监管方式和手段已难以适应加强事中事后监管的要求，成为水土保持改革发展的重要短板和面临的突出问题。2021年3月29日水利部办公厅印发了《2021年水土保持工作要点》，明确指出实施人为水土流失卫星遥感监管，各省级水行政主管部门要按照生产建设项目水土保持监管信息化应用的有关要求，开展覆盖全省的卫星遥感监管。采用遥感监测和现场复核相结合的方法，通过信息共享、分工协作和上下协同，可以实现对区域内所有生产建设项目扰动状况的整体性、全局性监管。

随着航空航天技术的高速发展，卫星遥感技术获取空间数据的能力和质量不断提高，高分辨率遥感影像变化检测在环境监测、地理信息测绘、水土保持等领域有着广泛应用。近年来，深度学习理论凭借其优异的回归性能被广泛地应用到各个领域，它突破了传统算法的约束，具有很强的泛化能力。将深度学习理论应用到高分辨率遥感影像变化检测，对水土保持卫星影像变化图斑提取具有重要意义。

1 研究区概况

重庆位于我国西部中纬度地带，介于东经105°11′～110°11′、北纬28°10′～32°13′之间，土地总面积8.24万km2；气候温和，属亚热带季风气候区，年均气温16～18 ℃，重庆多雾，素有“雾都”之称；地处青藏高原与长江中下游平原的过渡地带，北部、东部及南部分别有大巴山、巫山、武陵山、大娄山环绕；地貌以山地、丘陵为主，坡地面积较大，有“山城”之称。重庆市属典型的山地城市，地表覆盖图斑破碎、复杂多样，加之经济社会快速发展，地表空间信息变化频繁，变化图斑辨识难度较大，且由于常年多云、多雾，影像采集十分困难。

2 数据来源和预处理

本研究主要选取高分一号、高分二号、高分六号、TH-1、ZY-102C、ZY-3等卫星数据进行处理，前时相为2020年10—12月，后时相为2021年1—3月。本研究中数据预处理过程主要包括辐射增强、光谱融合、正射校正、影像配准等，如图1所示。

图1 影像预处理

3 技术路线与研究方法

3.1 技术路线

本研究基于人工智能的两期遥感影像变化智能检测，主要采用基于语义信息卷积神经网络先分类后检测和基于端到端孪生深度神经网络变化图斑提取相结合的方式，技术路线见图2。前者利用卷积神经网络分类模型对已有的遥感解译样本库进行遥感分类训练，再对前后时相遥感影像分别进行处理，得到前后时相成果，然后对比分析获取变化图斑。后者直接标定变化样本，通过孪生网络训练变化检测模型，直接对前后时相两期影像进行变化检测，得到变化图斑。本研究对两种方法获得的变化图斑进行融合分析，再进行人工复核，最终获得变化图斑。

图2 技术路线

3.2 研究方法

深度卷积神经网络结构近年来得到快速发展，在自然影像分类、检测、分割等计算机视觉任务上的精度不断提升[4]。越来越多的研究工作将深度学习理论引入遥感影像处理，相较于传统的手工特征提取方法，基于深度学习理论的遥感影像处理方法准确率明显提升。但受时相、季节及传感器的影响，不同来源的遥感影像相同区域颜色与纹理特征分布不均、投影差大，使得现有的自动解译和变化检测等遥感识别算法的精度低、虚警高，导致基于计算机自动处理的遥感影像处理方法难以在实际工作中得到应用。因此，本研究采用基于语义信息的变化图斑提取方法和基于端到端深度神经网络的变化图斑提取方法，并将两种方法提取到的变化图斑进行融合分析，得到最终的变化图斑，解决变化检测虚警多、鲁棒性差的问题，以提高变化图斑的精准度和检出率。

3.2.1 基于语义信息的变化图斑提取

基于语义信息的变化图斑提取方法利用共享参数的卷积神经网络对前后期影像进行解译，得到前后两期影像语义信息，通过比较两期影像的语义信息输出变化图斑。流程示意如图3所示。

图3 基于语义信息的变化图斑提取方法流程

基于语义信息的变化图斑提取方法的性能依赖于解译结果的精度，但遥感影像中地物目标尺度变化大的问题一直阻碍着遥感影像解译精度的提高，因此本研究设计了一种多尺度优化网络，用于处理遥感影像像素级语义分割任务。该网络充分利用卷积神经网络池化操作所隐含的尺度信息，对影像尺度进行编码，同时通过卷积层抑制感受视野尺度变化带来的问题，使网络的感受视野保持在合适范围，并在网络中嵌入多标签流形排序优化方法，用于融合影像特征编码所需的先验知识。

对卷积层和池化层的改进通过调整网络结构得以实现，多标签流形排序方法融合先验知识的方法具体步骤：给定一张遥感影像，是由像素点所构成的集合；语义分割的过程，目的是将每一个像素点pi归类为K种可能类别之一，每一个像素点pi将会被分配至具有最大流形排序值所对应的标签索引上。令fk(pi)表示像素点pi的第k种类别所对应的流形排序值，那么像素点pi被分配的最优标签，即最大流形排序值的类别索引可以用公式表示为

(1)

多标签流形排序优化能量式可写为如下形式

(2)

式中：第一项为拟合约束；第二项为平滑约束；θ为待学习的参数，对θ进行连续域内前向传播和反向传播求解，即可得能量式到端对端的表达。

3.2.2 基于端到端深度网络的变化图斑提取

基于端到端深度网络的变化图斑提取方法的流程示意见图4。将前后期影像分别输入到网络中，其中：在编码部分，采用权值共享的孪生神经网络，对前后期影像进行逐层的特征提取；在解码部分，从高维特征逐层的运用上采样进行解码，在每一层上采样前将对应的编码特征拼接到当前的特征中，再进行下一层的上采样。通过这种编码与解码的对偶特征结合，得到最后的变化图斑。

图4 基于端到端深度网络的变化图斑提取方法流程

模型参数通过变化图斑与真实变化图斑之间的误差训练得到，假设gt表示变化检测真值，pred表示输出的预测特征值，则误差的计算过程为

Lθ(gt,pred)=-pw×gt×log2[sigmoid(pred)]-(1-gt)×log2[1-sigmoid(pred)]

(3)

式中：Lθ(gt,pred)为变化检测预测结果与真值之间的误差；pw为变化区域与未变化区域的均衡因子。

遥感影像中，未变化的区域像素数量远多于变化区域的像素数量，导致计算得到的梯度优化方向被未变化区域主导，从而极大降低了模型的训练速度，而通过均衡因子pw抑制未变化区域的损失，提高变化区域损失的比例，可加快模型的收敛速度。

计算得到模型推理的误差后，采用随机梯度下降法(SGD)计算模型中参数的梯度，并对参数进行优化。此外，对输入的训练样本进行随机的裁剪、翻转、旋转等数据增强操作，以增加样本的多样性及复杂性，从而提高模型的泛化能力。

4 结果分析

本研究采用的变化检测方法能够通过计算机算法快速高效地从遥感影像中自动提取得到水土保持典型要素变化的区域和变化行为初步判定结果，如丰水期到枯水期岸线变化、水系填埋、耕地变为建筑物等变化信息。图5给出了部分遥感影像变化检测的结果，其中红色矢量为变化区域边界。从图5中可以发现，本研究采用的变化检测方法能够较为准确地定位地物类型发生变化的区域，提取得到的变化图斑边界与实际的变化区域较为贴合。为了保证算法能够将遥感影像中的变化区域尽可能地提取出来，本研究采用调节阈值的方式提高了算法对于变化图斑的敏感度，因此结果中出现了因季节性变化导致的部分耕地、林地被误检，但这些变化图斑在后期只需少量的人工检查校正便可修改完成。

此外，本研究采用的方法不仅能够较为准确地定位影像中变化区域的位置，而且能够自动提取变化图斑前后期具体的地物类型，为后续的分析工作、具体业务的开展提供数据支持。图6—9为河流、水塘、耕地、林地变化检测的部分结果。

图5 前后影像变化检测结果

图6 河流丰水期到枯水期岸线变化

图7 疑似水塘被填埋搞建设区域

图8 疑似耕地破坏建设区域

图9 疑似毁林开垦区域

综合上述结果可以发现，本研究采用的方法不仅能够自动发现疑似水土保持扰动变化图斑，为水土保持监督执法提供线索，还能够发现河流、湖泊等岸线变化，为水土保持监测提供技术支撑。

5 结 语

本研究基于重庆市高分辨率国产卫星影像数据，基于深度学习理论对生产建设项目变化图斑进行提取，大大提高了水土保持监测监管的工作效率。文中使用的基于语义信息卷积神经网络先分类后检测和基于端到端孪生深度神经网络变化图斑提取相结合方式，充分利用前者漏检较少、误检较多，后者误检较少、但存在漏检的特点，两者相互补充，相辅相成，减少了虚警，增加了鲁棒性。针对生产建设扰动图斑扩充解译样本库，进一步提升变化图斑提取效率和精度，是下一步重点研究的目标。