遥感技术在卫片执法工作中的应用研究

霍太莹 张俊华

（1.山东省物化探勘查院，山东 济南 250013；2.山东国科地理信息工程有限公司，山东 济南 250101）

1 引言

卫片执法是利用卫星遥感技术对某一区域某一时段的土地利用情况进行实时监测，再对变化图斑进行核实，确定土地合法性的一种土地执法监管手段[1]，可以评估一个地区的自然资源管理秩序，对保护耕地数量不减少、质量不降低起到积极作用。开展卫片执法检查，是对传统执法监管模式的颠覆，有利于形成全国国土资源“一张图”管理，建立土地审批、供应、使用、执法监察等业务的网络监管平台，建立“天上看、地上查、网上核”的立体土地监管体系[2]。

近年来，有越来越多的识别算法应用于卫片执法，如利用非监督分类与监督分类开展多时期影像地物提取，并进行对比分析，获取变化信息[3]。目前应用较多的卫片执法检查方法多为人工目视解译。随着遥感算法的研究，在监督分类基础上提出面向对象算法，该算法基于地物分割进行对象计算，从而丰富样本集，提升分类精度[4-6]。吴聪等人在监督分类基础上采用面向对象分类方法，研究提升卫片执法图斑信息的提取精度，结果显示基于高分辨率卫星影像，采用更高精度的识别模型可以获取较理想的提取效果[7]。叶琴等人综合利用遥感技术、GIS 空间分析技术，对土地利用变化进行监测分析，从而全面掌握违法用地状况，进一步推动土地执法监察工作，有效遏制违法违规用地行为[8]。

目前，应用较多的高分辨率卫星影像多为两米级与亚米级分辨率，两米级卫星影像重访周期较快，但是分辨率较低、提取精度较差；亚米级卫星影像重访周期慢，但分辨率较高、提取精度高。本研究综合利用两米级与亚米级国产高分辨率卫星影像，开展变化图斑综合提取，以此探讨多源卫星影像在卫片执法工作中的适用性。

2 原理与方法

2.1 技术路线

首先基于GF1 卫星影像的重访周期优势，开展多时期地物分类，对分类成果进行矢量化处理，然后进行分类矢量成果对比，提取变化区域；选择覆盖变化区域的最新时相GF2 影像进行地物分割与图斑优化，最终得到具有较高边界精度的变化图斑。

2.2 原理介绍

（1）TabNet 网络

与深度学习方法相比，传统机器学习方法中的随机森林（RF）方法更适用于小样本训练，拥有更好的抗过拟合能力。但随机森林方法和深度网络模型在训练和预测等多个步骤存在较大差异，很难将随机森林与反向传播的深度学习方法相结合。为此，研究使用TabNet 作为一条单独的分支对滑动窗口中心点的光谱特征进行单独建模，以增强模型的抗过拟合和泛化能力，并引入辅助损失来提升中心点光谱特征的权重。TabNet 的基本结构亦为模拟随机森林决策的基本单元，TabNet 整体由多个这样的结构堆叠而成，具体如图1 所示。

图1 TebNet网络结构

为了模拟随机森林的分类过程，首先，使用Mask分别对输入特征的x1和x2处进行屏蔽，实现决策树分裂时分别对每一个特征进行单独的分裂增益计算过程。然后，将屏蔽后的特征分别通过一个全连接层，并将两个全连接层的输出通过ReLU 激活函数后相加，其中这两个全连接层的权重W 和偏置bias 互为相反数，目的是单独对特征进行分裂计算，以模拟决策树的特征选择过程，从而进行一种软性的特征选择。最后，经过一个Softmax 激活函数作为最终输出。

总的来说，TabNet 每一层都对应着决策树的相应步骤：Mask 层对应决策树的特征选择；全连接层+ReLU激活函数对应阈值判断，以x1为例，通过一个特定的全连接层+ReLU 激活函数之后，可保证输出的向量只有一个为正值，其余全为0，以对应决策树的条件判断；最后将所有条件判断的结果加起来，再通过一个Softmax 层得到最终的输出。

（2）地块优化

边缘检测是图像处理和计算机视觉的基本问题，旨在标识数字图像中亮度变化明显的点。近年来，随着深度学习的不断发展，边缘检测领域也出现了许多深度方法，和传统方法相比，深度学习方法的精度更好，提取出的边缘更准确。DexiNed 是由Poma X.S.等人提出的一种边缘检测网络，最大优势是可以提取出更细的边缘。在耕地地块提取的场景下存在许多细小且密集的耕地地块，这些地块在影像上可能只有几十个像素大小。如果提取的边缘过粗，有可能导致整个耕地地块被边缘掩盖，导致细小地块漏检，因此，研究使用DexiNed 网络来进行边缘提取。

DexiNed 网络由一个编码器组成，该编码器有6个受Xception 网络启发的输出块。网络在每个主要块上输出特征图，为获取更细的边缘，每一个输出的特征图还会通过上采样模块进行上采样。上采样模块由条件堆叠子块组成，每个子块有两层，一层是卷积层，一层是反卷积层，分别进行特征融合和上采样。最后，由上采样块产生的所有边缘图都被连接起来，送到网络最末端的学习滤波器堆栈，并产生融合边缘图。

为了获得更细的边缘图，DexiNed 使用了多个上采样模块，具体结构如图2 所示。与插值采样和反卷积采样不同，对不同尺度特征图进行了不同的操作。对于浅层特征图，尺寸和真值大小相差不多，直接使用反卷积进行上采样；而对于深层特征图，由于尺寸和真值相差过大，迭代使用多个2 倍上采样的反卷积操作进行采样。与直接采样相比，这样可以更好地保留深层特征图的特征，从而获得更准确的边缘结果。模型多次使用了跳层链接操作，可在加深网络的同时方便网络进行优化，提升了边界提取精度。最后，将不同层获得的边缘图进行融合，充分使用不同尺度的影像特征，有利于提取不同尺度的地块对象。

2.3 数据介绍

国产高分辨率卫星高分一号（GF1）搭载了两台2m 分辨率全色/8m 分辨率多光谱相机，以及四台16m分辨率多光谱相机，突破了高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术，以及多载荷图像拼接融合技术、高精度高稳定度姿态控制技术，单星上同时实现高分辨率与大幅宽的结合，2m 高分辨率实现大于60km 成像幅宽，16m 分辨率实现大于800km 成像幅宽，适应多种空间分辨率、多种光谱分辨率、多源遥感数据综合需求。

国产高分辨率卫星高分二号（GF2）是我国首颗自主研发的亚米级民用卫星，由自然资源部牵头建设，专门服务自然资源调查与监测。GF2 卫星搭载两台高分辨率1 米全色、4 米多光谱相机，实现拼幅成像，通过纠正、正射、融合等处理，得到优于1 米的正射影像成果。

3 结果与分析

3.1 多时期GF1 变化提取

采用深度学习分类方法对两时期GF1 卫星影像进行分类与变化提取。相较于其他分类算法，TabNet 网络可以较完整地提取地物边界，并且地物混淆程度较低，各地物的提取效果如图3 所示。由图可知，通过面向对象分类，各地物均完整识别出来，如山地地区的河流冲击地带、建筑、道路、厂房等。

图3 深度学习多时期分类

对提取的前后时相分类成果进行矢量对比，以提取变化区域。其中，耕地由于作物种植的物候期，分别提取了夏季作物与秋季作物，通过叠加分析，剔除农作物对变化提取的影响。通过矢量化对比，发现变化范围多为研究区的新增高速公路、硬化水泥路、新增厂房、河道淤积等，通过GF1 可获取较准确的变化位置，结果如图4 所示，整体变化呈现沿河沿路分布，且与居民地串联。然而GF1 卫星影像的变化提取效果不太理想，同物异谱、异物同谱现象较多，琐碎零星图斑分布较广。

图4 变化图斑提取成果

3.2 GF2 精度优化

相对于GF1 的两米级分辨率，GF2 具有更高的分辨率，对地物特征的表达更清晰。采用GF2 影像，结合地物分割与边界后处理，得到如图5 所示的分割效果。由图可知，居民地与硬化道路的分割效果与实际情况完全符合，且边界严格按照实际走向。通过分割，将农作物与其他地类较好地区分开来。

通过GF2 的分割优化，对变化图斑的识别与提取有了很大提升，局部图斑提取效果如图6 所示。由图可知，前后时期影像新增了道路、厂房图斑，通过分割优化，得到的图斑边界整体与实际情况吻合。新增道路图斑在边界处有零星锯齿状，是因为在道路相交处存在误识别现象，但新增的道路图斑整体提取较为完整；新增厂房的识别效果也较好，厂房周边的裸露土地通过剔除农作物，避免了裸地误识别提取问题。

图6 局部图斑提取效果

4 结论与展望

本研究综合利用两米级与亚米级的国产高分辨率卫星影像优势，开展变化图斑综合提取，以此探讨多源卫星影像在卫片执法工作中的适用性。通过研究得到以下结论：

（1）采用深度学习分类方法对两时期GF1 卫星影像进行分类与变化提取。相较于其他分类算法，TabNet 网络算法可以较完整地提取地物边界，并且地物混淆程度较低。

（2）采用GF2 影像进行地物分割优化，居民地与硬化道路的分割效果与实际情况完全符合，且边界严格按照实际走向。通过分割，将农作物与其他地类也较好区分开来。结合GF1 与GF2 影像的变化图斑提取精度整体较高，新增道路与厂房均完整识别出来，并且通过剔除农作物等影响因素，避免了裸露土地对变化图斑提取的影响。