基于深度学习的遥感影像城市建筑用地提取

朱祺夫 赵俊三 陈磊士

摘要：使用遥感影像对建筑用地进行精确和高效的提取，是土地利用的重要信息来源。使用卷积神经网络的深度学习方法对研究区Landsat8遥感影像图进行分类训练与提取，与作为对照组的支持向量机方法进行比对分析。结果表明，基于深度学习的遥感影像城市建筑用地提取方法提取精度更高，尤其在道路提取精度上有着明显优势，说明将深度学习融入遥感影像建筑用地提取有着广阔前景。

关键词：建筑用地；遥感影像；深度学习；神经网络； Landsat 8

DOIDOI：10.11907/rjdk.181278

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2018）010-0018-04

英文摘要Abstract：The use of remote sensing images for accurate and efficient extraction of construction land is an important source of information for many aspects of land use. At present， the extraction accuracy of building land using remote sensing images is affected by the extraction method， time and space， and it has broad prospects to integrate the rapid development of deep learning into the extraction of remote sensing imagery construction land. This paper uses the deep learning method of convolutional neural network model as an example to classify and train the Landsat8 remote sensing image in the study area， and compares it with the results of the support vector machine method as a control group. The research results show that the remote sensing image based on deep learning can extract urban construction land by using relative support vector machine （SVM） method with higher precision， especially on road extraction accuracy. Using the convolutional neural network model in deep learning to obtain Landsat8 imagery for building land has achieved relatively good results，which provides a reference for similar research work.

英文關键词Key Words：building land； remote sensing image； deep learning； neural network； landsat 8

0 引言

随着遥感技术的快速发展，土地利用工作对遥感影像的需求越来越大，传统模型如BP神经网络（Back Propagation）和SVM模型（Support Vector Machine， SVM）的遥感影像分类提取精度已无法满足需求。为提高遥感影像图精度，2010年Minh等[1]首次将深度学习技术应用于道路信息提取。此后，深度学习技术逐渐在信息提取、高分影像分类、变化监测等方面广泛应用，但在影像分类方面应用较少，仅Chen等[2]在高光谱分辨率数据分类上有所应用，另外，刘大伟等[3]在高空间分辨率影像的分类具有代表性。与支持向量机（SVM）的传统方法相比，深度学习技术在高分影像空间分布规律上的挖掘精度更高。高常鑫等[4]通过分层方法建立深度学习模型，完成对高分影像的高精度分类。鲍江峰[5]将深度置信网络应用于探测墨西哥湾溢油区域。

本文创新性地将深度学习中的卷积神经网络（Convolutional Neural Networks， CNN）模型用于城市建筑用地遥感影像图的分类提取，通过卷积神经网络模型进行分类提取，得到精度非常高的城市建筑用地遥感影像图，为土地利用的后续工作提供精确图像。

1 研究区概况

选择昆明市主城区为研究区域。昆明市面积为1 760.8km2，包含6个市辖区、4个县、3个自治县和1个代管县级市，市辖区包括官渡区、五华区、呈贡区、盘龙区、西山区等。县及自治县包括嵩明县、晋宁县、富民县、宜良县、寻甸回族彝族自治县、石林彝族自治县、禄劝彝族苗族自治县，代管县级市为安宁市。昆明市地处云贵高原中部，是金沙江、红河、南盘江的分界处，东邻曲靖市，西连楚雄彝族自治州，北接凉山彝族自治州，西南与玉溪市，东南与红河哈尼族彝族自治州毗邻，是滇中城市群的核心圈。昆明为山原地貌，地处东经102°10′-103°40′、北纬24°23′-26°33′，地势北高南低，自北向南逐渐变缓。大部分区域海拔在1 500～2 800m左右，均是山原地貌。其中禄劝县的轿子山马鬃岭海拔为4 247m，为海拔最高点；禄劝县普渡河与金沙江的汇流处海拔为746m，为海拔最低点。昆明主要河流为普渡河与南盘江，普渡河往北流入金沙江，南盘江自东向南川流市内。昆明市坝子和湖泊很多，以昆明坝子和滇池为最大。昆明市气候为亚热带高原季风气候，四季如春，夏季气温清爽宜人，无酷暑，冬季气温温暖无风，无严寒。昆明市年均温度为14～16 ℃，适宜居住，年降水量大约为790.9～1 094.2mm，少雨但市区降水丰富。昆明市在种植地上属于高原红壤地区，土质主要有水稻土、紫土和红壤土等。矿产资源种类丰富，主要有硅石、磷、粘土、铁、钛、煤、盐、铜等。

2 数据来源与处理流程

昆明市主城区遥感影像图来源于Landsat8卫星数据，以及2016年昆明市土地利用现状图和现场调绘数据，详细参数如下：数据标识为LC81290432016327LGN00，分辨率为30m，获取时间为2016-11-22 白天。传感器：OLI_TIRS，接收站：LGN，条带号：129，行编号：43，太阳高度角：41.34637099，太阳角方位：155.19641257。数据处理流程如图1所示。

在模型训练过程中，为了控制残差反向传播以及网络的稳定性，设置学习率的初始值为0.01，每一批训练样本的批大小（batch size）根据不同提取方法作对应调整[14]，对标准化方式处理后的区域多边形影像对象分别进行20次训练，并记录其预测精度。

4 实验结果分析

为评价卷积神经网络在遥感影像中城市建设用地信息上的提取能力，本文采用支持向量机对研究区域进行分类，与卷积神经网络做精度对比。在提取过程中，影像分割阶段采用和卷积神经网络相同的参数设置[15]，在分类器训练和预测阶段均采用默认参数。两种提取方法下建设用地信息提取精度比较结果如图3和表2所示。卷积神经网络城市建筑用地提取如图4所示。

由图3、表2、图4可知，在不同的精度评价方法下，卷积神经网络在道路信息提取和其它建筑用地提取精度上明显高于支持向量机模型。传统支持向量机在训练样本较少时能取得一定效果，但当训练样本较多、地类间特征差异较明显时，提取效果比卷积神经网络差。支持向量机在针对性分类提取应用中，会随着分类器的不同而导致特征判定有很大差别，这就使其针对性分类提取加上了人为的局限性。与之相反，卷积神经网络能够自动识别并学习到目标结构所包含的特征并进行存储，同时自主进行识别模式的改进，在遥感影像建设用地信息提取中具有明显优势。

5 结语

本文研究了深度学习技术中的卷积神经网络在遥感影像提取中的可行性，并通过与传统的支持向量机学习模型的提取效果进行对比分析，证明深度学习技术在城市建筑用地遥感影像提取中具有一定优势。但由于对深度学习领域的理论知识欠缺，会在理解上存在不足，同时深度学习技术理论研究和技术实现还在不断发展，系统的理论和技术也在逐步完善，因此本文存在以下不足：

（1）在遙感影像预处理时，对遥感影像的选择没有进行较全面的分析和评价，其适用性和预处理效果可能对后续处理的精度产生影响。

（2）本文所使用的参数均为软件默认参数，但由于建设用地结构复杂多变，最佳参数的组合还需进一步分析，最佳参数的选择还需进一步提升。

（3）本文在对影像对象进行标准化时，使用的是较为传统的标准化方法，而影像对象的特征信息会随着不同标准产生细微的变化，进而影响提取结果，因此需要进一步探索最优化影像对象标准化方法。

（4）本文将当下较成熟的深度学习模型直接应用于城市建筑用地影像信息提取，其它领域的对象信息提取仍值得深度研究。

鉴于上述原因，本文虽取得了一定的研究结果，但在深度学习技术应用于遥感影像信息提取上还存在很多不足，还需进一步学习和完善。

参考文献：

[1] MNIH V， HINTON G E. Learning to detect roads in high-resolution aerial images[C].Computer Vision-ECCV 2010， European Conference on Computer Vision， Heraklion， Crete， Greece， September 5-11， 2010， Proceedings. DBLP， 2010：210-223.

[2] CHEN Y， LIN Z， ZHAO X， et al. Deep learning-based classification of hyperspectral data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing， 2017， 7（6）：2094-2107.

[3] 刘大伟，韩玲，韩晓勇.基于深度学习的高分辨率遥感影像分类研究[J].光学学报，2016（4）：298-306.

[4] 高常鑫，桑农.基于深度学习的高分辨率遥感影像目标检测[J].测绘通报，2014（s1）：108-111.

[5] 鲍江峰.机器学习方法在遥感图像处理中的应用研究[D].上海：复旦大学，2014.

[6] 李彦冬，郝宗波，雷航.卷积神经网络研究综述[J].计算机应用，2016，36（9）：2508-2515.

[7] 李春利，柳振东，惠康华.基于卷积神经网络的人脸识别研究[J].软件导刊，2017（5）：186-188.

[8] 匡青.基于卷积神经网络的商品图像分类研究[J].软件导刊，2017，16（2）：178-182.

[9] 赵爽.基于卷积神经网络的遥感图像分类方法研究[D].北京：中国地质大学（北京），2015.

[10] 何海清，杜敬，陈婷，等.结合水体指数与卷积神经网络的遥感水体提取[J].遥感信息，2017（5）：82-86.

[11] 殷文斌.卷积神经网络在遥感目标识别中的应用研究[D].北京：中国科学院大学，2017.

[12] 葛芸，江顺亮，叶发茂，等.基于ImageNet预训练卷积神经网络的遥感图像检索[J].武汉大学学报：信息科学版，2018，43（1）：67-73.

[13] 卢艺帆，张松海.基于卷积神经网络的光学遥感图像目标检测[J].中国科技论文，2017，12（14）.

[14] 陈雪云.基于深层神经网络的遥感图像目标检测[D].北京：中国科学院大学，2014.

[15] 罗娜.数据挖掘中的新方法——支持向量机[J].软件导刊，2008（10）：30-31.

（责任编辑：杜能钢）