基于深度學(xué)習(xí)理論的山地城市水土保持衛(wèi)星影像變化圖斑提取實(shí)踐

舒文強(qiáng)，蔣光毅，郭宏忠，張志蘭，文 力

(1.重慶市地理信息和遙感應(yīng)用中心，重慶 401147； 2.重慶市水土保持監(jiān)測(cè)總站，重慶 401147；3.重慶市水利局，重慶 401147)

生產(chǎn)建設(shè)項(xiàng)目在施工中會(huì)造成地表擾動(dòng)、植被損毀和土壤侵蝕。目前，我國(guó)的生產(chǎn)建設(shè)項(xiàng)目具有數(shù)量多、分布廣、跨度大等特點(diǎn)，傳統(tǒng)的監(jiān)管方式和手段已難以適應(yīng)加強(qiáng)事中事后監(jiān)管的要求，成為水土保持改革發(fā)展的重要短板和面臨的突出問(wèn)題。2021年3月29日水利部辦公廳印發(fā)了《2021年水土保持工作要點(diǎn)》，明確指出實(shí)施人為水土流失衛(wèi)星遙感監(jiān)管，各省級(jí)水行政主管部門要按照生產(chǎn)建設(shè)項(xiàng)目水土保持監(jiān)管信息化應(yīng)用的有關(guān)要求，開(kāi)展覆蓋全省的衛(wèi)星遙感監(jiān)管。采用遙感監(jiān)測(cè)和現(xiàn)場(chǎng)復(fù)核相結(jié)合的方法，通過(guò)信息共享、分工協(xié)作和上下協(xié)同，可以實(shí)現(xiàn)對(duì)區(qū)域內(nèi)所有生產(chǎn)建設(shè)項(xiàng)目擾動(dòng)狀況的整體性、全局性監(jiān)管。

隨著航空航天技術(shù)的高速發(fā)展，衛(wèi)星遙感技術(shù)獲取空間數(shù)據(jù)的能力和質(zhì)量不斷提高，高分辨率遙感影像變化檢測(cè)在環(huán)境監(jiān)測(cè)、地理信息測(cè)繪、水土保持等領(lǐng)域有著廣泛應(yīng)用。近年來(lái)，深度學(xué)習(xí)理論憑借其優(yōu)異的回歸性能被廣泛地應(yīng)用到各個(gè)領(lǐng)域，它突破了傳統(tǒng)算法的約束，具有很強(qiáng)的泛化能力。將深度學(xué)習(xí)理論應(yīng)用到高分辨率遙感影像變化檢測(cè)，對(duì)水土保持衛(wèi)星影像變化圖斑提取具有重要意義。

1 研究區(qū)概況

重慶位于我國(guó)西部中緯度地帶，介于東經(jīng)105°11′～110°11′、北緯28°10′～32°13′之間，土地總面積8.24萬(wàn)km2；氣候溫和，屬亞熱帶季風(fēng)氣候區(qū)，年均氣溫16～18 ℃，重慶多霧，素有“霧都”之稱；地處青藏高原與長(zhǎng)江中下游平原的過(guò)渡地帶，北部、東部及南部分別有大巴山、巫山、武陵山、大婁山環(huán)繞；地貌以山地、丘陵為主，坡地面積較大，有“山城”之稱。重慶市屬典型的山地城市，地表覆蓋圖斑破碎、復(fù)雜多樣，加之經(jīng)濟(jì)社會(huì)快速發(fā)展，地表空間信息變化頻繁，變化圖斑辨識(shí)難度較大，且由于常年多云、多霧，影像采集十分困難。

2 數(shù)據(jù)來(lái)源和預(yù)處理

本研究主要選取高分一號(hào)、高分二號(hào)、高分六號(hào)、TH-1、ZY-102C、ZY-3等衛(wèi)星數(shù)據(jù)進(jìn)行處理，前時(shí)相為2020年10—12月，后時(shí)相為2021年1—3月。本研究中數(shù)據(jù)預(yù)處理過(guò)程主要包括輻射增強(qiáng)、光譜融合、正射校正、影像配準(zhǔn)等，如圖1所示。

圖1 影像預(yù)處理

3 技術(shù)路線與研究方法

3.1 技術(shù)路線

本研究基于人工智能的兩期遙感影像變化智能檢測(cè)，主要采用基于語(yǔ)義信息卷積神經(jīng)網(wǎng)絡(luò)先分類后檢測(cè)和基于端到端孿生深度神經(jīng)網(wǎng)絡(luò)變化圖斑提取相結(jié)合的方式，技術(shù)路線見(jiàn)圖2。前者利用卷積神經(jīng)網(wǎng)絡(luò)分類模型對(duì)已有的遙感解譯樣本庫(kù)進(jìn)行遙感分類訓(xùn)練，再對(duì)前后時(shí)相遙感影像分別進(jìn)行處理，得到前后時(shí)相成果，然后對(duì)比分析獲取變化圖斑。后者直接標(biāo)定變化樣本，通過(guò)孿生網(wǎng)絡(luò)訓(xùn)練變化檢測(cè)模型，直接對(duì)前后時(shí)相兩期影像進(jìn)行變化檢測(cè)，得到變化圖斑。本研究對(duì)兩種方法獲得的變化圖斑進(jìn)行融合分析，再進(jìn)行人工復(fù)核，最終獲得變化圖斑。

圖2 技術(shù)路線

3.2 研究方法

深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)近年來(lái)得到快速發(fā)展，在自然影像分類、檢測(cè)、分割等計(jì)算機(jī)視覺(jué)任務(wù)上的精度不斷提升[4]。越來(lái)越多的研究工作將深度學(xué)習(xí)理論引入遙感影像處理，相較于傳統(tǒng)的手工特征提取方法，基于深度學(xué)習(xí)理論的遙感影像處理方法準(zhǔn)確率明顯提升。但受時(shí)相、季節(jié)及傳感器的影響，不同來(lái)源的遙感影像相同區(qū)域顏色與紋理特征分布不均、投影差大，使得現(xiàn)有的自動(dòng)解譯和變化檢測(cè)等遙感識(shí)別算法的精度低、虛警高，導(dǎo)致基于計(jì)算機(jī)自動(dòng)處理的遙感影像處理方法難以在實(shí)際工作中得到應(yīng)用。因此，本研究采用基于語(yǔ)義信息的變化圖斑提取方法和基于端到端深度神經(jīng)網(wǎng)絡(luò)的變化圖斑提取方法，并將兩種方法提取到的變化圖斑進(jìn)行融合分析，得到最終的變化圖斑，解決變化檢測(cè)虛警多、魯棒性差的問(wèn)題，以提高變化圖斑的精準(zhǔn)度和檢出率。

3.2.1 基于語(yǔ)義信息的變化圖斑提取

基于語(yǔ)義信息的變化圖斑提取方法利用共享參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)前后期影像進(jìn)行解譯，得到前后兩期影像語(yǔ)義信息，通過(guò)比較兩期影像的語(yǔ)義信息輸出變化圖斑。流程示意如圖3所示。

圖3 基于語(yǔ)義信息的變化圖斑提取方法流程

基于語(yǔ)義信息的變化圖斑提取方法的性能依賴于解譯結(jié)果的精度，但遙感影像中地物目標(biāo)尺度變化大的問(wèn)題一直阻礙著遙感影像解譯精度的提高，因此本研究設(shè)計(jì)了一種多尺度優(yōu)化網(wǎng)絡(luò)，用于處理遙感影像像素級(jí)語(yǔ)義分割任務(wù)。該網(wǎng)絡(luò)充分利用卷積神經(jīng)網(wǎng)絡(luò)池化操作所隱含的尺度信息，對(duì)影像尺度進(jìn)行編碼，同時(shí)通過(guò)卷積層抑制感受視野尺度變化帶來(lái)的問(wèn)題，使網(wǎng)絡(luò)的感受視野保持在合適范圍，并在網(wǎng)絡(luò)中嵌入多標(biāo)簽流形排序優(yōu)化方法，用于融合影像特征編碼所需的先驗(yàn)知識(shí)。

對(duì)卷積層和池化層的改進(jìn)通過(guò)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)得以實(shí)現(xiàn)，多標(biāo)簽流形排序方法融合先驗(yàn)知識(shí)的方法具體步驟：給定一張遙感影像，是由像素點(diǎn)所構(gòu)成的集合；語(yǔ)義分割的過(guò)程，目的是將每一個(gè)像素點(diǎn)pi歸類為K種可能類別之一，每一個(gè)像素點(diǎn)pi將會(huì)被分配至具有最大流形排序值所對(duì)應(yīng)的標(biāo)簽索引上。令fk(pi)表示像素點(diǎn)pi的第k種類別所對(duì)應(yīng)的流形排序值，那么像素點(diǎn)pi被分配的最優(yōu)標(biāo)簽，即最大流形排序值的類別索引可以用公式表示為

(1)

多標(biāo)簽流形排序優(yōu)化能量式可寫為如下形式

(2)

式中：第一項(xiàng)為擬合約束；第二項(xiàng)為平滑約束；θ為待學(xué)習(xí)的參數(shù)，對(duì)θ進(jìn)行連續(xù)域內(nèi)前向傳播和反向傳播求解，即可得能量式到端對(duì)端的表達(dá)。

3.2.2 基于端到端深度網(wǎng)絡(luò)的變化圖斑提取

基于端到端深度網(wǎng)絡(luò)的變化圖斑提取方法的流程示意見(jiàn)圖4。將前后期影像分別輸入到網(wǎng)絡(luò)中，其中：在編碼部分，采用權(quán)值共享的孿生神經(jīng)網(wǎng)絡(luò)，對(duì)前后期影像進(jìn)行逐層的特征提取；在解碼部分，從高維特征逐層的運(yùn)用上采樣進(jìn)行解碼，在每一層上采樣前將對(duì)應(yīng)的編碼特征拼接到當(dāng)前的特征中，再進(jìn)行下一層的上采樣。通過(guò)這種編碼與解碼的對(duì)偶特征結(jié)合，得到最后的變化圖斑。

圖4 基于端到端深度網(wǎng)絡(luò)的變化圖斑提取方法流程

模型參數(shù)通過(guò)變化圖斑與真實(shí)變化圖斑之間的誤差訓(xùn)練得到，假設(shè)gt表示變化檢測(cè)真值，pred表示輸出的預(yù)測(cè)特征值，則誤差的計(jì)算過(guò)程為

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

(3)

式中：Lθ(gt,pred)為變化檢測(cè)預(yù)測(cè)結(jié)果與真值之間的誤差；pw為變化區(qū)域與未變化區(qū)域的均衡因子。

遙感影像中，未變化的區(qū)域像素?cái)?shù)量遠(yuǎn)多于變化區(qū)域的像素?cái)?shù)量，導(dǎo)致計(jì)算得到的梯度優(yōu)化方向被未變化區(qū)域主導(dǎo)，從而極大降低了模型的訓(xùn)練速度，而通過(guò)均衡因子pw抑制未變化區(qū)域的損失，提高變化區(qū)域損失的比例，可加快模型的收斂速度。

計(jì)算得到模型推理的誤差后，采用隨機(jī)梯度下降法(SGD)計(jì)算模型中參數(shù)的梯度，并對(duì)參數(shù)進(jìn)行優(yōu)化。此外，對(duì)輸入的訓(xùn)練樣本進(jìn)行隨機(jī)的裁剪、翻轉(zhuǎn)、旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)操作，以增加樣本的多樣性及復(fù)雜性，從而提高模型的泛化能力。

4 結(jié)果分析

本研究采用的變化檢測(cè)方法能夠通過(guò)計(jì)算機(jī)算法快速高效地從遙感影像中自動(dòng)提取得到水土保持典型要素變化的區(qū)域和變化行為初步判定結(jié)果，如豐水期到枯水期岸線變化、水系填埋、耕地變?yōu)榻ㄖ锏茸兓畔ⅰD5給出了部分遙感影像變化檢測(cè)的結(jié)果，其中紅色矢量為變化區(qū)域邊界。從圖5中可以發(fā)現(xiàn)，本研究采用的變化檢測(cè)方法能夠較為準(zhǔn)確地定位地物類型發(fā)生變化的區(qū)域，提取得到的變化圖斑邊界與實(shí)際的變化區(qū)域較為貼合。為了保證算法能夠?qū)⑦b感影像中的變化區(qū)域盡可能地提取出來(lái)，本研究采用調(diào)節(jié)閾值的方式提高了算法對(duì)于變化圖斑的敏感度，因此結(jié)果中出現(xiàn)了因季節(jié)性變化導(dǎo)致的部分耕地、林地被誤檢，但這些變化圖斑在后期只需少量的人工檢查校正便可修改完成。

此外，本研究采用的方法不僅能夠較為準(zhǔn)確地定位影像中變化區(qū)域的位置，而且能夠自動(dòng)提取變化圖斑前后期具體的地物類型，為后續(xù)的分析工作、具體業(yè)務(wù)的開(kāi)展提供數(shù)據(jù)支持。圖6—9為河流、水塘、耕地、林地變化檢測(cè)的部分結(jié)果。

圖5 前后影像變化檢測(cè)結(jié)果

圖6 河流豐水期到枯水期岸線變化

圖7 疑似水塘被填埋搞建設(shè)區(qū)域

圖8 疑似耕地破壞建設(shè)區(qū)域

圖9 疑似毀林開(kāi)墾區(qū)域

綜合上述結(jié)果可以發(fā)現(xiàn)，本研究采用的方法不僅能夠自動(dòng)發(fā)現(xiàn)疑似水土保持?jǐn)_動(dòng)變化圖斑，為水土保持監(jiān)督執(zhí)法提供線索，還能夠發(fā)現(xiàn)河流、湖泊等岸線變化，為水土保持監(jiān)測(cè)提供技術(shù)支撐。

5 結(jié) 語(yǔ)

本研究基于重慶市高分辨率國(guó)產(chǎn)衛(wèi)星影像數(shù)據(jù)，基于深度學(xué)習(xí)理論對(duì)生產(chǎn)建設(shè)項(xiàng)目變化圖斑進(jìn)行提取，大大提高了水土保持監(jiān)測(cè)監(jiān)管的工作效率。文中使用的基于語(yǔ)義信息卷積神經(jīng)網(wǎng)絡(luò)先分類后檢測(cè)和基于端到端孿生深度神經(jīng)網(wǎng)絡(luò)變化圖斑提取相結(jié)合方式，充分利用前者漏檢較少、誤檢較多，后者誤檢較少、但存在漏檢的特點(diǎn)，兩者相互補(bǔ)充，相輔相成，減少了虛警，增加了魯棒性。針對(duì)生產(chǎn)建設(shè)擾動(dòng)圖斑擴(kuò)充解譯樣本庫(kù)，進(jìn)一步提升變化圖斑提取效率和精度，是下一步重點(diǎn)研究的目標(biāo)。