人工智能高分遙感影像路網規模測算方法探討

作者簡介：鄧煉英（1972—），工程師，主要從事公路規劃、公路養護統計工作。

摘要：為準確測算出符合廣西當前發展形勢和客觀需要的農村公路里程總規模，明確未來廣西農村公路網發展的重點方向和發展路徑，文章應用人工智能高分遙感影像路網規模測算方法，通過人工智能技術識別與提取高分辨率遙感影像數據，利用深度神經網絡高分遙感影像路網識別提取與矢量化技術和GIS技術，對影像覆蓋區域的地形地貌進行分類，通過對不同地形地貌下影像識別路網與實際公路里程間存在的潛在關聯進行分析，提出了高分遙感影像路網規模測算模型，科學測算了廣西公路網總量規模。

關鍵詞：農村公路網；人工智能高分遙感影像路網規模測算；深度神經網絡

中圖分類號：U491.1⁺4A531813

0 引言

農村公路是廣西農村地區最主要、最基本的交通基礎設施，是鄉村經濟發展的命脈，對鄉村振興具有重要的先行引領和服務支持的作用。根據相關數據統計^［1］，廣西農村公路存在以下短板：（1）里程規模小，統計里程為10.5萬km，全國占比為2.4%，在全國排名第22位，西部排名第9位；（2）密度小，路網聯通程度低，公路密度為56.43 km/（100） km²，路網連通度為1.27，未形成互聯互通格局；（3）低等級公路比重高，四級和等外公路占總里程的91.7%。基于上述數據分析，目前廣西公路規模發展不足以支撐全區人口、國土面積分布現狀，落后于全國平均水平，與國內發達地區及周邊省份相比，還存在較大的差距；內部銜接不暢、運輸服務質量水平不高、互聯通道尚未形成等問題成為制約農村經濟發展的瓶頸。

因此，加快補齊短板，推動廣西農村公路高質量發展，對現有農村公路總體規模、路網分布進行總體性摸底，提出符合發展趨勢和客觀需要的農村公路網的規模和結構，提升公路網密度，加快公路網絡化建設勢在必行。因農村公路縱橫交錯、數據龐雜，使用人工普查工作量大、耗時長、準確度低，為快速高效、科學測算廣西農村公路網分布及規模，本文將利用人工智能高分遙感影像路網規模測算方法，對廣西農村公路進行摸底調查以及合理預測2035年廣西農村公路網建設規模。

1 人工智能高分遙感影像路網規模測算方法及其先進性

1.1 測算方法介紹

人工智能深度學習作為近年來比較熱門的研究方法，其應用范圍也正朝向多學科交叉領域不斷地延伸。高分辨率遙感影像技術能夠利用深度神經網絡的學習能力，更加智能化地識別并提取道路的特征信息。

為了能夠將提取的道路特征信息與公路路網分布建立聯系，借助地理信息系統分析技術處理地理信息的優勢，本文提出了人工智能高分遙感影像路網規模測算方法。這主要通過人工智能深度學習，識別和提取高分辨率遙感影像中的道路路網數據，并結合電子地圖數據清晰反映轄區內的公路路網分布情況，結合地形地貌、路線線形等多角度數據，在宏觀與微觀層面進行公路路網規模評估^［2］。

1.2 測算方法的先進性

目前，國內外常用的路網規模測算方法包括類比法、國土系數法^［3］及連通度法等，其綜合考慮了預測區域的經濟發展情況、人口增長情況及區域規模等因素。傳統方法雖然能夠達到對路網規模進行預測的效果，但從預測結果與路網規模實際增長情況的角度來看，傳統方法的預測精度仍達不到預期的效果，尤其是路網規模短期預測。鑒于傳統方法在路網規模預測中存在的局限，本文在傳統方法基礎上，以高分辨率遙感影像中的道路路網數據為基礎，采用深度學習對基礎數據進行高精度提取與識別，并能夠考慮地形等路網結構狀態信息，有效地彌補傳統方法的不足。

2 人工智能高分遙感影像路網規模RESEM測算模型架構

2.1 模型架構原理

根據預測區域的地形、區域功能、環境等因素，RESEM模型評估為：

式中：i——地形分類，按照數據獲取、計算復雜程度間的平衡關系，將地形分為農業用地、市區、山地、水系、其他地形等5類；

k_i——各地形識別里程，主要依靠地形分類事先獲取的面矢量要素標注數據，對遙感影像分割處理得出；

α_i——地形系數，系數取值見表1；

θ——遙感影像識別精度系數，由遙感影像路網識別算法的精度決定；

β——自然村修正系數，為比例系數，無單位；

S——評估區域的行政區劃面積；

V——行政區劃內自然村、村民組數量。

2.2 低質影像里程修正

人工智能高分遙感影像路網規模測算方法探討/鄧煉英

對于農村用地，如果影像質量無法達到最低識別要求，則需要對相應區域進行里程修正。

低質量影像區域應達到的識別里程為：

k_low=Δk₁·S_low（3）

所需修正的里程為：

l=k_low·α_i·θ·β（4）

里程修正后的測算里程為：

l₁=k₁·α₁·θ·β+l（5）

式中：Δk₁——理想條件下1 km農業用地的遙感影像識別里程；

S_low——理想條件下不滿足最低識別要求的面積；

l——修正里程；

k₁，α₁，θ，β——與前文定義相同。

該區域的最終實際里程為識別里程與修正里程之和。

2.3 RESEM測算模型應用方法

該模型的應用方法為：通過GIS軟件，對某地的地形進行手工標注分類，然后通過RESEM模型進行識別里程，經由深度神經網絡識別并經過矢量化形成該區域的路網矢量數據，由此可以計算得出某地的公路里程規模，且對其進行評價，以便進行下一步工作。

3 案例分析驗證

為了充分驗證模型可靠性，在應用RESEM模型測算廣西全區公路里程規模前，本文采用RESEM模型的地形分類，選取具有一定的代表性的廣西東興市進行實驗驗證。

3.1 地形分類和數據前期處理

以RESEM模型分類為基準，對東興市的地形進行手工標注分類，以每種地形為邊界對其內部要素進行分割，僅保留該區域內部的相關要素。RESEM模型主要關注每種地形分類內的識別里程，該數據經由深度神經網絡識別并經過矢量化形成該區域的路網矢量數據。

3.2 模型估算過程

經前期數據處理，東興市各類地形的面積、所包含的識別里程詳見表2。

（1）地形系數方面，湖泊水系α₄=0；農業用地α₁取值0.1、市區α₂取值0.1；山地區域α₃取值0.4、其他地形的地形系數α₅取值0.4。

（2）通過大量的影響數據驗證，遙感影像識別精度系數θ取0.8。

（3）經統計，東興市共有自然村540個，東興市行政區劃面積為498.99 km²，自然村修正系數取值β=0.94。

3.3 結果評價對比

RESEM模型的評估精度主要的驗證指標為相對精度ξ，即RESEM評估里程L與年報里程C差值的絕對值與年報里程C的比值并換算為百分比^［4］：

經查詢，東興市含自然村通硬化路年報里程為C=534.43 km。

根據式（6）求得：

基于RESEM模型，以高分遙感影像路網提取里程測算東興市公路總里程的相對精度為ξ=99.2%，表明RESEM模型測算的結果精度較高。

同理，對廣西的整體路網規模進行測算評估。由于廣西各地市地形地貌、經濟發展情況存在一定差異，分別在各個地市應用RESEM模型，經匯總后形成廣西遙感影像公路里程評估結果。數據前期處理步驟與有效性驗證環節預處理步驟保持嚴格一致，即依照RESEM模型的地形分類對影像進行手工標注分劃，在此基礎上以標注結果對遙感影像識別提取路網進行切分，獲取并計算每種地形分化內的識別路網道路里程，同時計算相應地市的自然村系數，最終通過RESEM模型對該地市的公路網總規模進行測算。可初步判定，到2035年廣西農村公路里程達到17萬km，仍有潛在的里程有待開發，需要繼續加大自然村（屯）道路硬化工程，確保符合統計年報標準的公路里程及其附屬設施納入統計年報。

4 結語

利用人工智能高分遙感影像路網規模測算方法，通過人工智能技術識別與提取高分辨率遙感影像數據，利用深度神經網絡高分遙感影像路網識別提取與矢量化技術和GIS技術，建立人工智能高分遙感影像路網規模RESEM測算模型架構，對影像覆蓋區域的地形地貌進行分類，可以科學測算公路網總量規模，進一步提高工作效率和測算的準確性。

參考文獻

［1］JTG 2111-2019，小交通量農村公路工程技術標準［S］.

［2］范文濤，馬 驍，崔應壽，等.基于高分遙感影像的農村地區公路網規模預測［J］.交通運輸研究，2022，8（1）：12-18.

［3］王富強，謝 艷，王敏軍.基于國土系數法的江西省普通國省道合理規模測算［J］.黑龍江交通科技，2020，43（3）：165-167.

［4］閆 馨.農村路網規模測算及規劃評價研究［J］.交通世界，2021（24）：4-6.