基于深度學習的中國邊境地區城市發展與安防研究

馬曉宇， 張新， 劉吉磊， 周楠， 劉克儉， 魏春山， 楊鵬

(1.河北工程大學地球科學與工程學院，邯鄲 056000； 2.中國科學院空天信息創新研究院遙感科學國家重點研究室，北京 100101； 3.中國科學院大學，北京 100101； 4.中國人民公安大學公安遙感應用工程技術研究中心，北京 100101； 5.蘇州喆鑫信息科技有限公司，蘇州 215000)

0 引言

我國陸地邊境線總長逾2.28萬km，同印度、蒙古、巴基斯坦等15個國家接壤，西藏與緬甸、印度、不丹、尼泊爾、克什米爾等5國相鄰，陸地邊境縣市多達21個[1]。受邊境效應、邊境地區發展條件以及邊境兩端競爭性政治和經濟策略的共同作用，沿著國家邊境線分布的地區出現大規模人口遷移現象，導致陸地邊境地區“空心化”問題的產生[2-3]。這不再僅僅是人口外流和城市發展的問題，而是典型的邊界安全問題。新時期以來，中國邊境的戰略地位日益重要，但邊境安全問題日益突出，提高邊境城鎮化水平是保障邊境安全的重要途徑[4]。

目前，國內針對“京津冀協同發展”、“長三角一體化發展”、“粵港澳大灣區建設”等重大戰略， 將城市擴張研究中心多放于內陸中心城市[5-9]，對邊境地區關注甚少[10]。國外將關注點聚焦在經濟、人口發展較快的城市[11-15]，對發展遲緩、人煙稀少的邊境交界地帶鮮有研究。邊境地區因其地理位置和政治地位的特殊性，精準獲取鄰邊城市的發展情況對我國邊境安防部署尤為重要。已有研究顯示，內陸中心城市有效區域占比大于無效區域，研究大多采用的影像為Landsat系列數據[16-20]、DMSP/OLS夜光數據[21-23]、MODIS產品數據[24-25]等中低空間分辨率數據，可通過傳統機器學習方法以及人機交互的方式對研究區建成區進行統計，而對于邊境地區，無效區域占比遠大于有效區域，繼續使用傳統方案不但無法提升分析效率，分析結果的精度也會受到影響。其次，城市擴張一般被視為影響城市經濟和生態的驅動力因子[26-31]，少有將其與城市安全性聯系起來，分析城市的自保能力。針對上述研究不足，要對城市發展及安防進行更準確的評估，需要從土地分類方法、分類尺度以及跨領域結合3方面進行優化。

本次研究主要探究邊境城市發展態勢及安防問題，主要包括3部分： ①利用D-LinkNet深度學習網絡對研究區建筑物及道路進行提取； ②在Fragstats平臺中通過12種景觀指數完成對研究區發展態勢分析； ③通過研究城市建筑面積的變化情況估算戍邊人口，探究城市發展特點及其戍邊能力。

1 研究區概況

本文研究區位于我國西藏阿里地區札達縣托林鎮、噶爾縣獅泉河鎮和普蘭縣普蘭鎮。西藏邊境地區地廣人稀，為聚焦研究問題，選取各鎮政府所在地周邊為研究區域。托林鎮隸屬于阿里地區札達縣，為札達縣人民政府駐地，是全縣經濟政治文化中心。獅泉河鎮是阿里地區行政公署和噶爾縣人民政府駐地鎮，是西藏西部的交通樞紐、經濟文化和邊境貿易中心。普蘭鎮隸屬普蘭縣，是普蘭縣黨政機關駐地，是西藏西北部對外貿易的主要口岸之一。

2 數據與方法

2.1 數據信息及預處理

通過Google Earth平臺，獲取了札達縣托林鎮部分區域(2002年、2013年、2015年、2018年)、噶爾縣獅泉河鎮部分區域(2004年、2013年、2016年、2020年)和普蘭縣普蘭鎮部分區域(2005年、2011年、2016年、2018年)4期衛星遙感影像。

本文選擇與研究區相鄰的日土縣和革吉縣作為樣本區制作建筑物和道路的樣本集，其中建筑物樣本50個，道路樣本52個，按照7∶2∶1的比例劃分訓練集、測試集和驗證集。為了提升模型的學習效果，對訓練樣本集影像及對應標簽進行隨機裁剪、翻轉和鏡像，將訓練數據集擴充至原來的16倍。

2.2 研究方法

研究采用D-LinkNet網絡模型實現對研究區內建筑物和道路自動化提取，并對提取的建筑物和道路進行計算和分析，分析結果用以評估城市發展和安保情況。評估城市發展和安保情況主要從鄉鎮建筑發展速率(development of township buildings rate，DTBR)、鄉鎮道路發展速率(development of township roads rate，DTRR)、景觀格局指數和戍邊能力4個方面出發。技術流程如圖1所示。

圖1 技術流程

2.2.1 鄉鎮建筑發展速率

DTBR表示鄉鎮在一段時間內建筑面積的變化情況。若DTBR>0，則表示在該時間段內建筑面積在增加； 反之，建筑面積在減少。公式為：

DTBR=(STB2-STB1)/d(1-2)

，

(1)

式中：STB1和STB2分別為T1和T2時間鄉鎮建筑總面積；d(1-2)為T1時間與T2時間的時間間隔。默認T2時間在T1時間之后，例如T2為2020年，T1為2010年。

2.2.2 鄉鎮道路發展速率

DTRR表示鄉鎮在一段時間內道路面積的變化情況。若DTRR>0，則表示在該時間段內道路面積在增加； 反之，道路面積在減少。公式為：

DTRR=(STR2-STR1)/d(1-2)

，

(2)

式中STR1和STR2分別為T1和T2時間鄉鎮道路總面積。

2.2.3 D-LinkNet網絡

D-LinkNet網絡繼承了LinkNet網絡編碼-解碼結構，并在其網絡框架基礎上引入膨脹卷積層作為中心部分來擴大感受野，網絡結構如圖2所示，圖中m表示特征圖長度；n表示特征圖寬度。

圖2 D-LinkNet34網絡結構

針對高分辨率衛星影像地物識別，D-LinkNet算法相比UNet，LinkNet和PSPNet等算法有明顯優勢。由于輸入的數據源為高分辨率圖像，要求網絡需要有較大的接受范圍得以覆蓋整個圖像，又考慮提取目標自身天然的連通性和復雜細長的特點，前景背景占比懸殊，在提取過程中需要保存詳細的空間信息，傳統的方法是通過pooling層增大感受野后通過上采樣的方式恢復之前的分辨率，但在恢復過程中難免會將一些特征信息損失掉，而D-LinkNet自身在LinkNet的框架基礎上，在中心部分引入了膨脹卷積層[32]，不需要通過pooling層以降低特征圖分辨率為代價來擴大視野域，這樣由外界因素帶來的分割難題迎刃而解。

訓練提取流程如圖3所示。建筑物和道路的提

圖3 訓練提取流程

取其實是像素級的二值語義分割任務。在高分辨率衛星圖像中的道路細長且復雜，并且僅覆蓋整幅圖像的一小部分，保留詳細的空間信息對提取完整道路格外重要。同時，道路自身跨度大，可能會貫穿整個樣本，需要較大的視野域對道路的連通性以及跨度特征進行學習，D-LinkNet模型中附加的膨脹卷積層可以較好地擴充視野域，解決道路提取問題。另外從D-LinkNet框架結構出發，其主干是在Unet的結構基礎上進行優化得來，Unet模型最初用于生物細胞圖像分割，近年來與遙感結合實現了對影像地物的分類，且取得了不錯的效果[33]。本文基于D-LinkNet模型對研究區建筑物進行提取，經過多次實驗驗證，效果滿足研究需求。

2.2.4 景觀指數

景觀指數，通過簡單的定量指標濃縮景觀格局信息[34]，反映地物類型空間配置和景觀組成特征，通過分析景觀指數變化來間接描述景觀及組成景觀各斑塊的演變過程。本次研究分別從景觀水平和斑塊類型2個層面分析邊境城市發展特征。通過分析城市房屋建筑物和道路的形狀及分布特征，參考相關文獻，從4個景觀指標類中初步選取了12個景觀指數。在斑塊類型(Class)層面，選取了斑塊類型面積(CA)、斑塊所占景觀面積比(PLAND)、邊緣密度(ED)、斑塊密度(PD)、聚合度(AI)和凝聚度(COHESION)。景觀水平(Land)層面，選取了景觀面積(TA)、蔓延度(CONTAG)、景觀分裂指數(DIVISION)、分離度(SPLIT)、香濃多樣性指標(SHDI)和香濃均勻指標(SHEI)。具體的景觀指數類型劃分見表1。

表1 城市景觀指數類型

2.2.5 戍邊能力

人是戍邊行為主體，也是整個戍邊活動最能動、起到決定性的因素。人的多少，直接反映當地戍邊能力的強弱，本文通過D-LinkNet深度學習網絡提取3個鎮的建筑物，并計算建筑總面積，依據計算公式(3)對邊境鄉鎮人口總數進行預估，透露出邊境安防現狀，為祖國邊防事業獻計獻策[35]，即

G=TS/S

，

(3)

式中：G為區域戍邊能力；TS為研究區建筑總面積；S為全國人均居住面積，數據來源于國家統計局歷年統計年鑒。

3 結果與分析

3.1 精度評定

對比本文用到的深度學習方法在地物提取方面的準確性和有效性，同時選用傳統的支持向量機(support vector machine，SVM)分類方法對研究區進行同步分類。3個鄉鎮4期影像SVM分類結果總體精度在70%～90%，D-LinkNet網絡分類精度在80%～90%。如圖4所示，獅泉河鎮2020年SVM分類總體精度85.18%，Kappa系數為0.868，但研究區內大量硬化路面被誤劃分為建筑物，建筑面積被嚴重高估，無法用建筑面積變化推測居住人口變化情況。而基于D-LinkNet網絡分類結果顯示，提取的建筑物以獨立單元呈現，減少了硬化路面對建筑面積的影響，精度和交集占并集的比重(intersection over union，IOU)分別為85.2%和79.3%。托林鎮和普蘭鎮2018年分類結果對比如圖5所示。3個鎮部分年齡分類精度評價如表2所示。驗證結果說明，利用D-LinkNet深度學習網絡可實現城市建設用地長時間序列、精細化分類。

(a) D-LinkNet分類結果(b) SVM分類結果

(c) D-LinkNet結果局部放大(d) SVM結果局部放大

(a) 托林鎮D-LinkNet結果(b) 托林鎮SVM結果

(c) 普蘭鎮D-LinkNet結果(d) 普蘭鎮SVM結果

表2 分類精度評價

3.2 斑塊類型指數分析

3個鄉鎮不同時期斑塊類型指數如圖6所示。①CA。由于獅泉河鎮CA值與其他2鎮相差較大、數值對應右側坐標軸。從圖6(a)和圖7中可以看出，2002—2018年托林鎮建筑物CA總體呈現上升趨勢，具體表現為2013—2015年建筑物CA增長速率最快，DTBR值為143.12 hm2/a，2002—2013年期間的CA增長速率較慢，DTBR值僅為43.93 hm2/a。對比道路CA變化情況，如圖7(b)， 2013—2015年道路CA增長速率最慢，DTRR值僅為24.54 hm2/a，道路增長速率最快的時期出現在2015—2018年，DTRR值高達117.29 hm2/a。普蘭鎮的發展態勢和托林鎮相似， 2005—2011年DTBR值可達到102.54 hm2/a，但DTRR值僅為31.05 hm2/a(最低值)，2011—2016年DTBR值和DTRR值分別為34.06 hm2/a(最低值)和76.63 hm2/a。與托林鎮不同的是，普蘭鎮DTBR值和DTRR值的峰值均出現在2016—2018年期間，分別為240.47 hm2/a和162.26 hm2/a，域內房建和交通同步高速發展。獅泉河鎮整體發展態勢呈上升趨勢，但DTBR值和DTRR值峰值出現在2013—2016年，分別為1 217.08 hm2/a和737.64 hm2/a，結合2016—2020年鄉鎮發展速率值，發現獅泉河鎮發展有用力過猛、動力不足的態勢，需要尋找新的發展動力源。②PLAND。圖6(c)和(d)呈現了3個鄉鎮PLAND的變化情況，直觀反映了托林鎮、普蘭鎮和獅泉河鎮的發展狀況，即托林鎮和普蘭鎮前期側重發展現象較嚴重，后期發展逐漸趨于均衡； 獅泉河鎮建筑物和道路發展速率趨于一致，在其PLAND值上反應不明顯。③PD。圖6(e)顯示，3個鄉鎮PD值的變化規律大致相仿，表現為先降低后回升。2013年后建筑物PD值直線下降，分析由于邊境地區大力開荒拓土，致使建筑物PD值逐年降低。2016年開始，隨著邊境地區常駐人口的增多，區域內建筑物逐漸增多，PD值逐漸回升。④ED。ED指的是景觀范圍內單位面積上異質景觀斑塊間的邊緣長度，值越大分布越分散。從圖6(f)數據分析可以發現，3個地區ED值呈現上升態勢，建筑物和道路呈現分散均勻分布。獅泉河鎮和普蘭鎮的ED值中期出現下降的情況，對比表3—4地物提取結果和AI值變化情況(圖6(g))發現，受期間域內新增建筑物和道路所致。⑤COHESION。3個鄉鎮的道路COHESION指數如圖6(h)所示，托林鎮和普蘭鎮COHESION值呈現先降后升趨勢，反映當地道路連通性在中期一度惡化，后期逐漸得以改善。相反，獅泉河鎮COHESION值呈現先升后降趨勢，反映城市道路趨于飽和，隨著建筑單元的持續增加，打破了道路飽和的現狀，連通性有下降態勢。

(a) 建筑物CA(b) 道路CA(c) 建筑物PLAND(d) 道路PLAND

(e) 建筑物PD(f) 道路ED(g) 建筑物AI(h) 道路COHESION

圖6 3個鄉鎮不同時期斑塊類型指數變化

(a) DTBR (b) DTRR

表3 3個鄉鎮不同時期建筑變化可視化

表4 3個鄉鎮不同時期道路變化可視化

3.3 景觀水平指數分析

3個鄉鎮不同時期景觀水平指數如圖8所示。①TA。如圖8(a)所示，3個地區TA值均呈不同程度的上升，結合各地區CA和PLAND值的變化情況，景觀TA的變化趨勢和建筑物斑塊CA的變化趨勢相仿，符合實際情況。②CONTAG。CONTAG反應景觀里斑塊類型的離散或聚合程度。如圖8(b)所示，獅泉河鎮和普蘭鎮CONTAG值有較小的上升，托林鎮CONTAG值在下降。表明獅泉河鎮和普蘭鎮建筑物和道路聚合程度逐年提升，鄉鎮沒有明顯向外擴張跡象。反觀托林鎮，受城市擴張的影響，景觀內斑塊分散分布。③SPLIT和DIVISION。如圖8(c)和(d)所示，托林鎮和普蘭鎮SPLIT和DIVISION值先升后降，反映出2個地區在中期景觀內斑塊空間位置分散。隨著后期城鎮均衡化發展程度的提高，SPLIT和DIVISION回降，景觀內斑塊分布呈均勻分布。④多樣性指標。SHDI和SHEI反映了景觀內斑塊的分布情況，值越大表明景觀內優勢斑塊數量越少，各斑塊分布越分散。8(e)和(f)所示，獅泉河鎮和普蘭鎮2個數值都呈現減小趨勢，托林鎮呈現增大趨勢。結合影像和圖8(e)發現，獅泉河鎮和普蘭鎮建成區中建筑物斑塊逐漸成為當地景觀中優勢斑塊，趨于集中化。而托林鎮受城市擴張作用影響，沒有形成較為明顯的優勢斑塊，斑塊空間位置分散，這與CONTAG指數反映出的實際情況一致。

(a) TA (b) CONTAG (c) SPLIT

(d) DIVISION (e) SHDI (f) SHEI

圖8 3個鄉鎮不同時期景觀水平指數變化

圖9—11分別將托林鎮、獅泉河鎮以及普蘭鎮不同時期建筑物和道路的變化情況進行可視化表達。托林鎮向北延伸道路以形成規模，建筑物圍繞南部道路兩側密集分布； 獅泉河鎮道路發展向東北方向延伸，沿路兩側建筑物分布趨于密集； 普蘭鎮整體向東南方向發展，建筑物和道路呈狹長分布。綜上，托林鎮向西北方向擴張，獅泉河鎮向東北方向擴張，普蘭鎮向東南方向擴張。

圖10 獅泉河鎮不同時期景觀變化可視化

圖11 普蘭鎮不同時期景觀變化可視化

3.4 戍邊能力評估

戍邊能力如表5數據所示，普蘭鎮和獅泉河鎮戍邊能力逐年提升，托林鎮在2015年后，戍邊能力有所下降。截止到2018年底，托林鎮是3個鎮中戍邊能力最弱的一個，在未來的邊防建設中應加大對托林鎮的關注，著重提升當地邊防實力，彌補邊防漏洞。

表5 3個鎮戍邊能力變化情況

4 結論和展望

基于D-LinkNet深度學習網絡，對邊境地區托林鎮、獅泉河鎮以及普蘭鎮區域內建筑物和道路進行提取，并通過計算12項景觀格局指數分析鄉鎮發展特征，得出以下結論：

1)D-LinkNet深度學習網絡提取建成區建筑物、道路時較傳統的SVM方法有更高的精度和適用性，分類精度均在80%以上，IOU值保持在70%以上。傳統的機器學習分類方法適用于大范圍土地的粗分類，類似D-LinkNet深度學習分類方法在面對城市土地精細化分類時優勢更大。

2)分析景觀指數發現，研究區建筑物和道路空間分布各有特點。托林鎮城市擴張趨勢依舊繼續，域內建筑物和道路斑塊的分布較為分散。獅泉河鎮和普蘭鎮城市擴張勢頭相比減弱，域內斑塊分布趨于集中，斑塊間的連通性得到改善，居住環境更加聚集，安全性更高。另外，值得關注的是后期獅泉河鎮道路凝聚度有下降的趨勢，注意提防建筑物日漸聚集的同時，疏忽對交通可達性的改良，道路的連接性會直接影響城市發展。

3)經過近20 a的發展，托林鎮、獅泉河鎮和普蘭鎮的建筑物、道路交通面積和常駐人口增長迅猛，其中建筑物分別同比增長68.75%,70.75%和68.36%，道路分別同比增長75.27%，65.39%和67.76%，人口凈增長分別為39.00%，68.44%和25.04%(數據來源于第五次和第六次人口普查數據)。顯然，建筑面積和常住人口呈線性關系，利用建筑面積變化情況評估城市戍邊能力成為一種新思路。

研究采用了Google Earth平臺0.5 m遙感影像，通過D-LinkNet深度學習方法進行建筑物和道路信息的提取，受地方環境影響，研究區內存在與道路顏色相近的建筑物，在提取時存在一定的誤差。另外，邊境鄉鎮人口統計數據較難獲取，在分析人口變化時會存在些許誤差，但不會影響整體趨勢。本次研究只是一個初步探索，后續的研究應多結合建筑物和道路的顏色、紋理等特征，提升地物信息的提取精度，在更多邊境城市進行更深入的研究。