基于無人機影像的疑似違法用地精準監測

徐海濱， 邢漢發,2， 王召海， 張煥雪

(1.山東師范大學 地理與環境學院， 山東 濟南 250358； 2.華南師范大學 地理科學學院， 廣東 廣州 510631)

疑似違法用地是指對海域、山體、林地、耕地等用地的疑似違法侵占行為，是一種特殊的土地利用類型，對其進行精準監測是地理國情監測的一項重要內容[1]，也是查實查清土地資源的重要手段[2]，對提高土地資源利用效率、監控和管理城市用地建設、提升城市管理決策的科學化水平[3]均具有重要的現實意義。目前，疑似違法用地監測主要采取工作人員實地走訪和調查的方式，需要耗費大量人力、物力，且工作效率低、精度差[4]。隨著對地觀測技術的快速發展，中低分辨率遙感衛星以其速度快、時效性高、范圍廣等特點，在疑似違法用地監測方面得到了廣泛應用，但受影像空間分辨率的影響，其解譯精度仍無法滿足違法用地精準監測的精度要求[5]。

亞米級空間分辨率數據[6](如GF-2、QuickBird、WorldView等)的出現，為疑似違法用地的精準監測提供了可能。如王耀潤等[7]基于兩期優于1m分辨率的正射影像數據，對礦山開發狀況變化信息進行了定量分析；葉琴[8]基于高分辨率衛片數據，探討了土地執法檢查的工作方法及流程；曹端廣等[9]基于高精度無人機傾斜影像數據進行城鎮違法用地監測研究；Prakash等[10]基于影像比值法進行煤炭礦區的用地類型監測。然而，上述研究多是在像元尺度上開展的，并沒有充分考慮高分辨率影像像元屬性和位置的相互關系，存在“椒鹽現象”[11]。對此，面向對象的多尺度分割技術成功解決了這一問題[12,13]，李德仁等[14]利用國產高分辨率遙感衛星數據，在對象尺度上實現了每個季度對北京市違章建筑的監測；侯小艷[15]基于WV2影像和GF-2影像數據，采用圖像分割算法，在對象尺度上生產出疑似違法新增建設用地信息產品；Niemeyer等[16]基于對象特征的語義變化模型確定了顯著變化區域。在上述研究中，分割尺度的選擇直接影響著土地利用的分類精度。目前，確定分割尺度最直接的方法是目視判斷[17]，如楊杰等[18]利用目視判斷的方法確定了最佳分割尺度，實現了對疑似違章建筑的提取；Duro等[19]通過目視判讀，確定了SPOT-5影像的最佳分割尺度，進而實現了農業景觀的分類研究；Huang等[20]通過目視判斷方法，實現了城市高光譜影像的最佳尺度分割。但是，此類方法往往需要反復試驗才能確定最佳分割尺度，工作量大、主觀性強，亟需尋找一種針對最佳分割尺度的定量化評價方法。目前，常用的評價方法有：最大面積法[21]、灰度均值標準差[22]、GLCM均值標準差[23]等。這些方法均是通過定量分析確定最佳分割尺度，也確實提高了多尺度的分割精度，但是，最大面積法只能確定最優分割尺度的區間；灰度均值標準差和GLCM均值標準差則是基于分割后影像的光譜和紋理信息評價分割效果，而本研究所用的無人機數據只有三個波段，且地物紋理信息多樣，故這兩種方法均不適用。因此，本研究借鑒Zhang等[24]提出的分割尺度評價方法，通過分析分割對象與參考對象之間的拓撲和幾何相似度，進行最佳分割尺度的優選。

時相特征是疑似違法用地精準監測的重要信息依據，吳田軍等[25]利用多期的WorldView-2影像和ZY3影像數據，獲取了高精度的疑似違法新增建設用地；胡新宇等[26]利用多時相高分辨率遙感衛星實現了違法監測的核查。目前，關于時相特征的研究多局限于變化檢測，其對無人機影像時相特征的挖掘尚不夠充分、利用率不高，因此還需進一步探索針對疑似違法用地的時空特征分析策略。

威海市經濟技術開發區(經區)作為威海市對外開放的橋頭堡，近年來經濟社會發展迅速、人類活動劇烈、土地利用變化較大，出現了大量的疑似違法用地區域。本研究以經區作為研究區，首先探討無人機影像最佳分割尺度優選方法，然后充分挖掘反映疑似違法用地客觀規律的多時相特征，通過時空交互分析，最終獲得了經區2017年和2019年的疑似違法用地精準監測結果。

1 研究區域

威海市經區位于北緯37°15′至37°27′，東經122°3′至122°42′，轄3個鎮、3個街道(見圖1)；地形以緩坡丘陵居多，山體多巖石裸露，土層覆蓋較薄，山間谷地開闊，平原多為山前小平原、沖洪積小平原和濱海小平原。作為威海市打造的精致城市樣板片區，經區近幾年經濟社會快速發展，城市擴張迅速，土地利用變化劇烈。

圖1 研究區地理位置Fig.1 Geographical location of research area

2 研究數據與研究方法

2.1 研究數據

2.1.1無人機影像

本研究基于無人機系統開展數據采集和獲取工作，采集時間為所在年份的5月，并針對拍攝影像進行了基于地面控制并以外方位元素為約束的影像匹配。

無人機數據采集過程中，飛行航高平均為187.5 m，航向與旁向重疊度約為75%、55%，獲取影像對應地面空間分辨率約為0.5 m。最終生成了2015年、2017年、2019年三期0.5 m分辨率的無人機影像(見圖2)，為開展疑似違法用地監測提供了數據基礎。

圖2 無人機影像Fig.2 UAV images

無人機影像的預處理主要為地理配準，誤差要求小于0.2個像元，影像與地圖間配準精度在0.5～0.75 mm，從而確保產生較少的偽變化信息，減小對違法用地監測結果的影響。

2.1.2輔助數據

為了保證疑似違法用地的分類精度，將2015年、2017年、2019年三年的實地調查數據作為輔助數據。每個年份共有300個輔助樣本點：建成區、植被、水體、耕地、裸地和道路6種土地利用類型的樣本點各50個。每個輔助樣本點的實地位置由具有±5 m定位精度的差分GPS來確定。其中，在輔助數據調查過程中，本研究的定位點盡可能選在地塊的幾何重心，以減少精度差分造成的誤差。

2.2 研究方法

本研究實現了經區疑似違法用地的精準監測，總體思路如圖3所示。

圖3 研究思路Fig.3 Research framework

首先，提出了無人機影像最佳分割尺度定量化評價指標，采用面向對象的方法對多時相無人機影像數據進行土地利用類型劃分；然后，充分挖掘反映疑似違法用地客觀規律的多時相特征；最后，通過時空交互分析，實現了威海市經區2017年和2019年的疑似違法用地監測，并完成了精度驗證。

2.2.1最佳分割尺度優選

為了評價不同時相無人機影像分類的最佳分割尺度，本研究提出了三個定量化評價指標。首先選擇250、200、150、100、50、10共6個尺度等級，從輔助數據中隨機抽取50個樣本作為參考對象，測量分割對象與參考對象之間的拓撲和幾何相似度；然后定義與引用對象相交超過10%的對象作為感興趣的分割對象，提取參考對象和分割對象之間的重疊區域；最后計算出三個指標：重疊區域與參考對象的相對面積(RAor)；重疊區域與分割對象的相對面積(RAos)；分割對象與參考對象的位置差(Dsr)，即計算分割對象的質心與參考對象質心的平均距離。具體公式為：

(1)

(2)

(3)

式中：n表示多尺度分割的對象數量；Ar為參考對象的面積；Ao(i)表示與參考對象關聯的第i個重疊區域的面積；As(i)為分割后的第i個對象的面積；Xs(i)和Ys(i)為第i個分割對象的質心坐標；Xr和Yr為參考對象的質心坐標。利用RAor和RAos對分割對象與參考對象之間的拓撲相似性進行評價，其值越接近100，表示分割效果越好。綜合考慮RAor、RAos和Dsr這三個指標，可以從整體上判斷對象的分割質量[27]。

2.2.2土地利用類型識別

根據研究區實際的土地利用類型以及輔助樣本點數據，選擇建成區、植被、水體、耕地、裸地和道路為最終的土地利用分類類型。采用了基于C5.0算法的決策樹分類方法，該算法能夠利用屬性的信息增益率來完成有效分類屬性特征的自動選擇，并生成分類模型。

2.2.3多時相變化特征提取

考慮到疑似違法侵占大多會改變原有的土地利用類型，即將耕地、水體、植被等用地類型人為侵占為裸地，并在裸地的基礎上進行開發建設，而建設用地的開發建設存在一定的時間周期，本研究的時間間隔又僅為2年，因此，本研究暫不對耕地、水體、植被、裸地變為建設用地的變化特征進行提取。本研究采用分類后比較法進行多時相無人機影像的變化監測，在此基礎上，對耕地、植被、水體、建成區變為裸地的變化類型進行判斷驗證，剔除明顯合法、合理的用地變化，保留疑似違法用地。基于威海市自然資源和規劃局已公示的研究區和研究時間段內的規劃核實批后公布信息，判斷用地變化是否合法、合理，若發生變化的地塊沒有規劃核實批后公布信息，則判定為疑似違法用地。精度評價以影像分割對象為基本單元，基于輔助樣點數據，統計正確監測、漏檢、圖斑個數作為評價指標。

3 結果與分析

3.1 最佳分割尺度評價結果

基于最佳分割尺度，可以得到與土地利用地物單元實際邊界吻合的影像對象邊界，否則會造成對象單元的破碎或者對象邊界超出實際的地物單元邊界。基于本研究提出的定量化評價指標，得到最佳分割尺度，如圖4所示。2015年，當分割尺度為10時，RAor值較低，約為20%，而RAos值較高，約為90%。這說明影像分割尺度較小，無人機影像分割過度，分割對象數量較多，整體分割情況比較破碎，大部分地物被分割成多個對象，分割質量不高。當分割尺度為250時，RAor值較高，約為85%，而RAos值較低，約為50%。這說明影像分割尺度較大，無人機影像分割不足，有些地物與其周圍地物被分割到了一起。當分割尺度為150時，RAor和RAos取值比較接近，影像分割結果相對比較完整，且大部分分割對象沒有產生破碎現象。因此，2015年影像的最佳分割尺度為150。同理，2017年、2019年的影像最佳分割尺度分別為150、175。

圖4 最佳分割尺度評價結果Fig.4 Optimal segmentation scale evaluation results

分割對象的位置精度如圖4(d)所示。對于給定的參考對象，當分割尺度較小時，會產生破碎化的分割結果，進而導致Dsr值較大；當分割尺度較大時，分割結果會比參考對象更大，也會導致Dsr值變大；當分割尺度為最佳分割尺度時，三個年份的Dsr值均較小。綜合拓撲精度(RAor和RAos)和位置精度(Dsr)的評價結果，2015年、2017年、2019年三個年份無人機影像的最佳分割尺度分別為150、150、175。

本研究采用最大面積法來驗證所選最佳分割尺度的準確性。最大面積法是指按照一定的步長進行尺度的遞增設置，利用多次重復分割實驗，對不同分割尺度參數下影像對象的最大面積進行統計，進而確定最優分割尺度[28]。本研究定義分割尺度的步長為20，分割尺度與最大面積的變化關系如圖5所示(X軸為分割尺度；Y軸為最大面積，單位為km2)。由圖5(a)可知，隨著分割尺度的增加，地塊的最大面積不斷增加；在[140,160]區間內，地塊最大面積增長較緩；在[160,220]區間內，地塊最大面積增長速度加快。這說明2015年影像的最佳分割尺度位于[140,160]這一區間，而本研究所求的2015年的分割尺度為150，正好位于這一區間范圍內。同理，2017年、2019年的最佳分割尺度也位于最大面積法求得的最佳分割區間范圍內。這說明，本研究的最佳分割尺度優選方法是可行的，且具有一定的優勢。

圖5 最大面積法尺度分割結果Fig.5 Results by maximum area method

3.2 土地利用分類結果

基于無人機影像2015年的土地利用分類結果(圖6(a))，耕地主要分布在經區的東部和南部，面積約150 km2，占比為50.14%；其次是建成區主要分布在經區的西部，面積約為61 km2，占比為20.33%；植被面積約為58 km2，占比為19.25%；裸地面積約為16 km2，占比為5.34%；水體面積約為8 km2，占比為2.66%；道路面積約為7 km2，占比為2.28%。

基于無人機影像2017年的土地利用分類結果(圖6(b))，耕地面積最大，約為147 km2，占比為47.61%；其次是建成區，面積約為61 km2，占比為19.8%；植被面積約為60 km2，占比為19.5%；裸地面積約為23 km2，占比為7.33%；水體的面積約為11 km2，占比為3.41%；道路面積約為7 km2，占比為2.35%。

基于無人機影像2019年的土地利用分類結果(圖6(c))，耕地面積最大，約為144 km2，占比為46.63%；其次是建成區，面積約為62 km2，占比為20.11%；植被面積約為60 km2，占比為19.51%；裸地面積約為24 km2，占比為7.74%；水體面積約為11 km2，占比為3.48%；道路面積約為8 km2，占比為2.52%。

圖6 基于無人機影像的土地利用分類結果Fig.6 Land use classification results based on UAV images

3.3 多時相變化特征提取結果

圖7(a)為2015年—2017年間土地利用變化。從空間分布來看，2015—2017年間的變化主要集中在濱海新城。從變化統計來看，其總體變化面積為12.63 km2，其中變化最大的是耕地變為裸地，約占整體變化的46.46%；其次為裸地變為建成區，約占整體變化的15.46%。

圖7(b)為2017—2019年間土地利用變化。從空間分布來看，2017年—2019年間的變化主要集中在濱海新城。從變化統計來看，其總體變化面積為9.2 km2，其中變化最大的是耕地變為裸地，約占整體變化的42.75%；其次為裸地變為建成區，約占整體變化的28.58%；再次為水體變為裸地，約占6.53%。

圖7 多時相變化特征提取結果Fig.7 Multi-temporal feature extraction results

3.4 疑似違法用地監測及精度評價結果

通過分析疑似違法用地的多時相變化特征，并基于人機交互刪除了合法的用地變化，得到了2017年、2019年的疑似違法用地監測結果，如圖8所示。

圖8 疑似違法用地監測結果Fig.8 Monitoring results of suspected illegal land use

由圖可知，2017年疑似違法用地監測對象圖斑為112個，2019年疑似違法用地監測對象圖斑為107個。通過輔助樣本點對比可以發現，威海市經區疑似違法用地多分布于礦山、湖岸線等地。

利用輔助數據，對2017年、2019年的疑似違法用地監測結果進行了精度評價。2017年，疑似違法用地精度評價參考樣本點為50個，其中正確監測數42個、錯誤監測數5個、遺漏數3個，精度為84%；2019年，疑似違法用地精度評價參考樣本點為50個，其中正確監測數44個、錯誤監測數2個、遺漏數4個，精度為88%；2017年和2019年，疑似違法用地總體監測精度達到了86%。其中，錯誤監測樣本點的出現是因為在分類過程中誤將其分成了裸地，從而造成監測結果錯誤；而遺漏監測樣本點的出現則是因為在人機交互刪除用地變化的過程中判斷錯誤，造成了遺漏監測。

4 結論與展望

本研究以威海市經濟技術開發區為研究區，提出了無人機影像最佳分割尺度的定量化評價指標，挖掘了反映疑似違法用地客觀規律的多時相特征，獲得了經區2017年和2019年的疑似違法用地監測結果，發現經區的疑似違法用地多分布于礦山、湖岸線等地，經驗證，精度達到86%。研究結果不僅為特殊土地利用類型的精準監測提供了技術方案和理論支撐，而且對推動威海市經區精致城市建設、提高土地資源利用效率等具有重要意義。

但是，本研究時相跨度為兩個年份，且沒有考慮已有建設用地中存在的疑似違法用地情況，在未來的研究中，應在更加精細的時相尺度上開展疑似違法用地的精準監測研究，并對已有建設用地中的疑似違法用地進行監測。另外，本研究在進行多時相變化特征提取時，只是定性的判斷了明顯合法、合理的用地變化，容易產生遺漏監測，在今后的研究中，擬結合多源數據建立評價指標體系，以定量分析多時相的特征變化是否合理、合法，進而提高監測結果的準確性。同時，在進行面向對象土地利用分類時，擬加入隸屬度函數來提高分類結果的準確度，進而減少錯誤監測的發生。