● 文 |中国交通通信信息中心 夏威 钟南 张雨泽 耿丹阳
高分卫星遥感技术在交通基础设施安全应急监测领域的应用
● 文 |中国交通通信信息中心 夏威 钟南 张雨泽 耿丹阳
本文以高分遥感在典型交通行业技术应用为例,介绍了基于光学与雷达遥感影像结合的道路设施状态监测技术,旨在促进遥感技术在交通安全应急领域的应用转化,促进交通运输行业的全面、快速、健康发展。
高分辨率遥感;交通运输应用;合成孔径雷达干涉技术;图像目标识别
交通基础设施的建设水平直接反映了一个国家的经济实力与发展水平,我国作为发展中国家,一直大力推进交通基础设施的建设工作。据2016年交通运输行业统计公报,至2016年末,我国铁路营业里程达到12.4万千米,公路总里程469.63万千米,内河航道通航里程12.71万千米,颁证民用航空机场218个[1]。交通基础设施建设是发展交通运输业、提升国民经济实力的基础环节,然而,随着基础设施数量的不断增加,交通安全事故数量也在逐年升高。在我国,交通安全事故可分为三类,第一类是由地震、泥石流、暴雨等自然灾害所引起的交通基础设施阻断或损害;第二类是由于人为造成的安全事故;第三类则是由于基础设施使用损耗造成的安全事故。基于以上三点,如何有效地进行交通基础设施的监测预警,以及如何在灾害发生时进行快速地应急处置便成了促进交通运输业健康发展的关键技术环节。
在过去,受限于技术发展水平,在交通应急安全领域,相关人员更多地是采用人工方式来进行基础设施的巡测以及灾害事故中应急方案规划。然而,传统的方法不仅需要投入大量的人力物力,而且一般只能针对小范围区域开展,且时效性较差,不能快速、有效地解决问题。近年来,随着遥感技术的日益发展,大范围、高时效地获取地表观测影像已成为可能,尤其是高分辨率遥感卫星的相继发射,为人们提供了更多的地表细节特征。基于遥感影像的信息提取与识别技术,近年来也得到了广泛的发展,如基于影像灰度的图像分割技术,基于支持向量机的影像分类技术以及基于深度学习网络的目标识别技术等[2-6]。此外,由于微波遥感影像不易受地面条件、天气状况的限制,基于微波技术的相关应用也得到了迅速发展,如洪水监测、冻土区监测、地基沉降及形变等[7-10]。
随着相关技术的不断发展,高分遥感技术与交通应急安全领域的技术融合在近年来已逐渐成为研究的热点问题之一。为更好地促进高分技术在未来交通领域中的应用以及成果转化,本文以道路基础设施为例,提出了一种融合高分辨率光学遥感与合成孔径雷达干涉测量(InSAR)技术的道路提取与监测技术。首先,利用光学遥感影像进行地表信息的识别与提取,进行地表分类、道路提取等;然后,基于雷达遥感影像,使用InSAR技术获取更深层的结构信息,如交通设施的沉降、变形等。通过光学遥感与雷达遥感的结合,可协同实现对道路路面状态的识别与交通设施所处地表形变情况的高精度监测,为提升道路通行安全提供有效支持。
自遥感技术出现以来,世界上主要的发达国家和部分发展中国家便一直致力于发展各自的高分辨率对地观测系统,如美国的Landsat-7、法国的SPOT-5、德国MOMOS计划、印度IRS系列等。对我国而言,虽然已具备气象卫星、海洋卫星、资源卫星等观测手段,但是受技术基础限制,很多高分辨率影像数据在过去仍是从国外购买。为掌握信息资源获取的主动性,提升国家科技实力,自2006年开始,我国启动并着手高分辨率对地观测系统重大工程的建设。如今,我国已经成功部署了多颗涵盖多波段的高分辨率遥感卫星,根据具体需要搭载了不同的传感器,如高分一号(GF-1)、高分二号(GF-2)搭载高分辨率光学传感器,高分三号(GF-3)搭载微波传感器等。
GF-1作为高分重大专项的首发星,具有重大的战略意义。GF-1设计寿命5—8年,同时搭载了2m分辨率全色/ 8m分辨率多光谱相机和一台16m分辨率宽幅多光谱相机。GF-1于2013年4月26日在酒泉卫星发射基地成功发射入轨[11]。
GF-2卫星在GF-1分辨率的基础上进行了突破,是我国首颗自主研发的分辨率优于1m的民用光学遥感卫星。GF-2搭载有一台1m分辨率全色相机和一台4m分辨率多光谱相机。2014年8月19日,GF-2成功发射,标志着我国光学遥感卫星正式步入亚米级时代[12]。
GF-3于2016年8月10日在太原卫星发射中心成功发射入轨,是我国首颗优于1m分辨率的C频段多极化合成孔径雷达(SAR)卫星。GF-3可实现不同应用模式下1—500m分辨率、10—650km幅宽的微波遥感数据获取,是目前世界上工作模式最多的在轨卫星,GF-3将为我国陆地资源监测和应急防灾减灾提供重要的技术支撑[13]。
在快速发展的城市和地区,路网信息要求精度准确,需要及时更新,未及时更新路网信息而导致的交通事故及二次事故频发是发达国家和发展中国家普遍面临的问题。及时更新路网信息对地区的宏观管理、交通运输、出行导航、应急事务处理等具有非常重要的意义。科学技术的快速发展,使得交通路网信息的提取技术和提取算法发展迅速。随着空间分辨率的不断提高,遥感信息为地理信息库的更新带来了便利,高分辨率遥感影像开始广泛应用于路网信息的提取。下面介绍典型的基于卷积神经网络的路网提取思路[14]。
基于卷积神经网络算法的路网提取技术,通常需要使用训练数据进行网络模型的建立。道路典型特征库的建立首先是利用其形态、结构、连通性等特征进行典型遥感样本的提取、分类与统计分析,然后根据统计结果尽可能多地涵盖全部典型的道路特征单元,道路特征库的数量将直接影响算法的识别与提取精度(见表1)。
表1 典型道路特征库样例
近年来,随着深度学习技术的出现与发展,自主学习特征已成为可能,网络层数的增加也使得神经网络的分类能力更强。通过卷积神经网络对图像区域进行分类,可得到像素的分类结果,然后将分类结果看作是二值图像,通过分析二值图像联通区域的大小对识别结果进行筛选便可得到最终的提取结果。图1为应用上述方法进行路网提取的结果示意图。
通过自动化算法,可以快速从大范围区域中提取路网,并从中寻找到因滑坡、泥石流等自然灾害导致的路网中断、路面损伤,快速判断路面状况,为应急响应提供有效支持。但是,在具体应用时,简单采用卷积神经网络算法得到的路网往往是不规则的点集,在实际的工程应用中,往往还需要对提取结果做进一步的处理,完成最终的道路提取,如常见的形态学方法、统计学方法等。
利用SAR影像获取地表特征信息的原理在于不同地物的后向散射差异,当地表内部结构发生变化时,其卫星传感器接收到的信息也会随之变化。基于这一原理,多时相的SAR影像可广泛用于交通基础设施的形变调查研究中。
合成孔径雷达干涉技术(InSAR)是主动微波成像传感器的一种干涉测量模式,通过对同一区域具有一定角度差和相关性的影像进行干涉处理,检测其相位差,并按照一定的几何关系进行转换,最终实现对观测区域地形高度数据的获取[15]。为保障数据精度,所基于的雷达影像通常要达到空间分辨率3m以上,多时相影像数量7景以上。在工程测量中,为保障数据精度一般还可采用永久散射(PSInSAR)技术。PSInSAR技术对数据质量要求较高,如果研究区域自然永久散射点较少,可人为架设角反射器作为补充。如图2所示,当雷达电磁波扫描到角反射器后,电磁波在金属角上形成很强的雷达反射回波信号。在PSInSAR中,角反射器可以起到骨干控制网的作用,并且在修正大气效应误差、提高干涉相位计算精度,以及关键算法研究和验证中发挥重要价值。图3为基于InSAR技术的地表形变结果图,其中,不同颜色代表地表的沉降速度,红色表示形变速度快的区域[16]。
区别于光学遥感影像的灰度信息,InSAR的分析结果能够提供直观的地表形变信息,但SAR遥感数据的可视化效果远不如光学影像,即虽然能获取某一空间坐标点的形变量,但是无法直观地看到这一点是什么地物。所以,通常需要将基于光学遥感影像所提取的道路影像和InSAR结果进行匹配融合,实现二者信息的叠加互补。然而,由于光学遥感影像和雷达影像在观测时间、成像模式上存在差异,在进行数据融合时,首先需要对两种影像进行空间匹配,而匹配的精度也将直接影响最终的数据分析以及数据挖掘的合理与准确性。针对这一问题,一种有效的融合方法是:1)以多尺度遥感影像作为参考,建立独立于影像的标准地理坐标格网;2)对两种不同空间尺度的遥感影像进行双线性插值,得到其位于标准格网位置的灰度信息,然后实现对不同空间尺度影像的配准工作。3)将InSAR结果中的低置信度观测点剔除,按照上一步的配准映射关系,完成InSAR结果到光学影像数据间的匹配融合。如图4所示。
完成影像间的信息融合后,利用归一化后的道路影像进行掩膜生成,并结合归一化形变数据提取出目标道路区域的地基形变信息,进行后续的数据分析与挖掘,从而实现对道路的提取与设施状态的监测,如道路使用损耗情况、灾后可通行能力以及区域内路网连通性的分析等方面。
随着遥感技术的不断发展,高分辨率遥感数据为大范围、高时效地获取地面信息提供了可能。相比传统人工手段,遥感数据不仅能够极大地缩减人力和物力成本,而且还可以进行大尺度下的数据分析与挖掘,极大地促进了相关研究的发展。对于交通行业来说,与遥感技术的融合研究也正在成为科研学者的研究热点,尤其是在交通应急领域内的技术应用。有效利用遥感技术服务交通安全应急,是遥感应用领域发展的一个重要方向。本文从技术应用的角度出发,提出了融合高分辨率光学遥感与雷达遥感技术的道路基础设施安全监测方法。本文虽然仅以道路设施为例,但其思路同样适用于其他基础设施的状态监测,如机场跑道、轨道交通、桥梁等。本文所提出的技术应用不仅能够对基础设施的状态进行有效监测,同时也可为日常维护管理提供有力的科学依据,为交通通行安全提供有效保障,促进交通行业的健康发展。
[1] 交通运输部. 2016年交通运输行业发展统计公报[J]. 交通财会, 2017(5):92-96.
[2] Zhu G, Dan G B. Classification using ASTER data and SVM algorithms; The case study of Beer Sheva, Israel[J].Remote Sensing of Environment, 2002, 80(2):233-240.
[3] J. Im, J. R. Jensen, J. A. Tullis. Object‐based change detection using correlation image analysis and image segmentation[J]. International Journal of Remote Sensing,2008, 29(2):399-423.
[4] Cheriyadat A M. Unsupervised Feature Learning for Aerial Scene Classification[J]. IEEE Transactions on Geoscienceamp; Remote Sensing, 2013, 52(1):439-451.
[5] Chaib S, Liu H, Gu Y, et al. Deep Feature Fusion for VHR Remote Sensing Scene Classification[J]. IEEE Transactions on Geoscience amp; Remote Sensing, 2017, PP(99):1-10.
[6] Cheng G, Zhou P, Han J. Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images[J]. IEEE Transactions on Geoscience amp; Remote Sensing, 2016, 54(12):7405-7415.
[7] 刘国祥. 应用实例及其局限性分析[J]. 四川测绘, 2005,28(3):139-143.
[8] 刘广, 郭华东, Ramon,等. InSAR技术在矿区沉降监测中的应用研究[J]. 国土资源遥感, 2008, 2008(2):51-55.
[9] 李珊珊, 李志伟, 胡俊,等. SBAS-InSAR技术监测青藏高原季节性冻土形变[J]. 地球物理学报, 2013, 56(5):1476-1486.
[10] 朱仁义. 宽幅InSAR技术在地质灾害的综合形变监测应用研究[D]. 长安大学, 2012.
[11] 白照广. 高分一号卫星的技术特点[J]. 中国航天,2013(8):5-9.
[12] 潘腾. 高分二号卫星的技术特点[J]. 中国航天, 2015(1):3-9.
[13] 张庆君. 高分三号卫星总体设计与关键技术[J]. 测绘学报,2017, 46(3):269-277.
[14] Xia W, Zhong N, Geng D, et al. A weakly supervised road extraction approach via deep convolutional nets based image segmentation[C]// International Workshop on Remote Sensing with Intelligent Processing. IEEE, 2017.
[15] Massonnet D, Feigl K L. Radar interferometry and its application to changes in the Earth's surface[J]. Reviews of Geophysics, 1998, 36(4):441–500.
[16] 夏威. 遥感干涉测量和北斗高精度定位技术在桥梁监测中的信息化应用研究[J]. 电子测试, 2015,(10):12-22.