基于“樣本字典”的城市違法用地快速監測模式研究

李 奇，楊友生，周光建*

（1.廣州市城市規劃勘測設計研究院，廣東 廣州 510060）

隨著我國城市化推進，城市建設用地需求大幅度增加，土地違法違規利用現象十分突出，土地違法監測大量僅依靠人工巡查，難以保障土地執法效率及準確率。傳統城市“兩違”管理中，采用外業人工巡查和內業人工判別的模式難以保障違法建設、違法用地的提取效率和結果[1]。針對南沙新區缺乏長效、可視化的動態監測機制，基于無人機低空遙感技術手段，分析、歸納不同區域下最優航飛參數、掃描方式，引入實景三維模型可彌補土地執法證據留存的空白，并獲取城市地理要素的輪廓線、骨架線、邊界線等三維信息、紋理特征，以及建筑物的高度變化信息，提升“兩違”變化監測的違法信息發現敏感度[2-4]。融合多源數據，構建統一、完善的“兩違”聯動監測體系，服務于各級行政職能部門，支撐南沙新區全域精細化管理，梳理總結出適宜南沙新區獨特地理條件及發展環境的“兩違”動態監測機制技術路線，提出以專題“樣本字典”和自注意力機制變化感知為核心的快速監測服務技術體系。

1 專題“樣本字典”的構建

鑒于多源數據協同融合、管理的問題，采用標準地形圖分幅的方式進行數據裁剪，進而將影像分幅與地形圖分幅保持一致，可實現在違法區域疊加現狀地形圖、正射影像圖以及土規、控規法定數據等多源數據。結合DOM正射影像的數據標注類型，通過labelme進行同一監控區不同時期的變化地物區域的標注，生成訓練模塊所需要的學習標簽。將裁剪后的兩期無人機數字正射影像圖和二值化后的變化信息進行梳理組織，構成智能感知土地執法專題訓練樣本字典。基于地類特征可區分出建筑物及非建筑物兩大地類，非建筑物地類包含花基植被、河流道路及其他地表附屬物等地形要素，綜合考量季節、天氣等非地類變化因素，結合多期影像數據及對應的土規、現場照片、地形圖等多源數據，定義分類初始庫，將非建筑物通過適配的紋理信息及灰度特征進行分類，依托多尺度、多梯度的分割方式，對于孤點噪聲及碎片化圖斑進行面積比例閾值剔除，獲取具有高分辨、紋理清晰的非建筑物地類。

利用高程信息進行閾值劃定，考慮建筑物的平滑特性導致平面擬合殘差較小，可進一步區分出植被等非建筑物地類。通過點云的形態特征，結合高程信息，可將建筑物區分出桿狀建筑，墻狀建筑及塔樓建筑等，對應為一維、二維及三維建筑結構，形成非建筑物及一、二、三維建筑物的地類要素樣本，并通過年度更新結合日常業務案的事件驅動機制，進行樣本庫更新迭代。形成具有南沙新區獨特建筑風貌及地理環境的“地類要素樣本字典”。圍繞植被及其他非植被的地形存在植被指數及亮度的差異，基于歸一化差分植被指數-NDVI根據目標地類要素進行紅、綠、藍波段的自由組合，以及目標要素的亮度閾值選取，可快速區分出植被及目標要素。結合多期影像及更新數據，形成“光譜知識樣本字典”。專題訓練樣本字典分類如表1所示。

表1 專題訓練樣本字典分類示意表

2 違法用地快速監測模式建立

2.1 引入自注意力機制對抗神經網絡模型

在不同時間拍攝的兩幅共配準圖像中，光照變化和光照角度變化引起的配準誤差壓倒了真實物體的變化，對遙感影像變化檢測（CD）算法提出了挑戰。根據樣本庫中各類型要素的光譜特征及形態結構等多源信息，為聚焦違法用地的敏感高頻區的變化發現，提出專注于興趣區塊聚焦檢測的時空自注意力（self-attention）神經網絡。基于度量的特性，利用個體像素在不同位置和時間的時空相關性更新這些特征圖，有效解決卷積神經網絡（CNN）和循環神經網絡（RNN）應對大距離時空像素關聯性的問題。在此基礎上，優化自注意機制的學習模型，設計了基礎時空注意力模塊、金字塔時空注意力模塊兩種自注意力學習模塊。基礎的時空注意力模塊學習捕捉任意兩個位置之間的時空相關性（注意力權重），通過時空中所有位置特征的加權和計算每個位置的響應。金字塔時空注意力模塊將基礎時空注意力模塊嵌入到金字塔結構中，去生成多尺度注意力表示。

2.2 基于時空注意力學習模塊的變化感知

通過對不同大小區域的特征進行組合，可以得到多尺度的特征。在此動機的驅動下，將圖像空間平均劃分為一定尺度下的子區域，并在每個子區域引入自注意機制，利用該尺度下對象的時空關系。通過將圖像劃分為多尺度的子區域，可以獲得多尺度的特征表示，以便更好地適應目標的尺度變化。將自注意模塊被整合到多尺度子區域的金字塔結構中形成金字塔注意模塊（pyramid attention module）。通過這種方式，捕獲不同尺度下的時空依賴關系，從而生成更好的表示來適應不同大小的對象。然后利用個體像素在不同位置和時間的時空相關性更新特征圖，形成基礎時空注意模塊（self-attention）。

地物的實際分布在樣本庫中遙感影像上的光譜-空間特征存在明顯差異化[7-8]。在多時相影像上表現為建筑物拆建、植被區域減少等特征的違法建設與違法用地，采用多時相分割方法保證同一地物在多時相影像中邊界相同，針對不同特征層采用多元特征，利于反映不同區域、不同地物類型的變化信息。面向對象特征的光譜變化信息提取違法建設與違法用地變化區域；基于數學形態學、穗帽變換與差分形態學譜，調整閾值、置信度、最小圖斑面積等參數，提取建筑物的亮度、尺寸、對比度；結合形態學開、閉運算將不同特征下的變化監測結果進行融合處理，實現基于地物分布特征的違法用地識別[9]。對多時相遙感影像數據進行幾何分析、空間基準統一處理后，形成違法建設與違法用地動態監測機制（如圖1）。

圖1 方案設計圖

3 應用效果

通過疊加土地利用現狀矢量圖和遙感圖，利用矢量數據的圖斑邊界信息將遙感影像分割成影像像斑，然后對影像像斑進行提取標記點，漫水填充，分類提取，基于不同地類對應的遙感影像識別深度神經網絡訓練所需的大量訓練樣本庫。優選遙感影像地類識別對應深度學習樣本庫的自動獲取方法，包括如下步驟：①邊緣映射，在同一坐標系下疊加土地利用現狀矢量圖和遙感圖，然后將土地利用現狀矢量圖的邊界映射為由遙感圖中連續像元組成的閉合邊緣；②標記點提取，在閉合邊緣內部選取標記點；漫水填充，通過標記點進行漫水填充，并給對應于每個填充區域的掩膜賦值和保存地類信息；③圖像分類提取，根據掩膜提取分割后圖像，并根據掩膜保存的土地利用現狀的地類信息進行分類保存，形成樣本庫。經過大量的樣本庫訓練之后，對自動提取的變化圖斑進行圖斑分類識別，辨別正樣本與負樣本，綜合參考圖斑位置信息、范圍信息等因素自動剔除偽變化，實現圖斑分類（如圖2）。

圖2 變化圖斑自動檢測分割

采用相同的數據圖斑，與ArcGIS和Envi這兩個非常流行的地理信息系統軟件和遙感圖像處理軟件的變化檢測方法進行對比（如圖3、4）。

圖3 同一區域的測試圖斑

基于自注意力機制的土地執法智能感知體系，其區域變化識別正確率達到95%，變化地物分割完整性達85%，標志性建筑檢索正確性達95%。相比于傳統的EV比值法與ArcGIS CCDC法,其區域變化識別正確率提高34%及40%，變化地物分割完整性提高50%和58%，具有良好的感知提取效率，可提高現有土地執法行業的效率。實驗結果如表2所示。

表2 檢索結果表

圖4 應用效果

4 結 語

本文針對常規的“外業人工巡查+內業人工判別”模式存在的識別效率難以滿足快速發展城區的需求問題，圍繞違法用地監管高效、精準、精細的管控要求，利用新興的無人機低空遙感技術手段，結合地類要素及光譜知識的樣本庫的構建、引入自注意力機制的深度學習模塊進行的地類變化智能感知、融合多源數據進行違法用地分析等先進技術，形成以專題“樣本字典”和自注意力機制變化感知為核心的快速監測服務技術體系，解決國家重要戰略發展地區的精細管理。