基于DSM的地理国情地表覆盖分类快速监测精度优化研究

张 雯

（上海市测绘院，上海 200063）

[1]。2013—2015年全国开展了第一次地理国情普查工作，查清了我国“山水田林湖草”的现状，精确、权威、翔实的普查数据，客观反映了我国资源环境和国情国力的本底状况[2]。2016年开始地理国情进入常态化监测。由于我国幅员辽阔，每年动态更新是一项任务艰巨的工作，特别是对于更新变化较快的城市化地区，如何快速提高地理国情监测的生产效率，是一项值得深入思考和研究的问题。虽然国内外已经有较多变化监测方面的研究，但主要是针对某一特定要素，比如纹理鲜明的耕地、光谱特征明显的水域、有规则形状的房屋建筑等等[3-4]。由于地理国情监测数据精度要求高、要素类别多，特别是高密度城市化区域，更是对自动解译模式的变化监测提出了更高的要求[5]。另一方面，为了确保数据质量，在数据实际更新生产中一般采用人工目视解译的方式，对比识别两期影像发生的变化，这种方式精度高，但仅通过两期影像对比识别，效率较低[6-7]。一般来说，地表覆盖的变化通常都伴随着高程的变化，将二维地理空间信息的变化识别转化为三维立体空间，借助DSM的高程值辅助变化监测，可以快速、高效地完成变化监测提取。因此，本文提出了基于DSM的地理国情变化监测方法，验证DSM差分法的可行性，同时针对冗余率较高的问题，提出了优化方法，以期提高地表覆盖分类变化识别的精度和效率，从而提高地理国情监测的应用广度。

1 数据与方法

1.1 变化监测原理

数字表面模型（DSM）是城市地理空间信息的重要组成部分，包含了地表建筑物、桥梁和树木等高度的地面高程模型，表达了最真实的地面起伏情况。理论上，利用两期不同时相的DSM进行差分（式1），通过高程变化即可快速监测出地表覆盖的变化区域。

这种变化监测方法简单、易懂，且生产技术流程较为成熟，一般测绘地理信息部门均可生产。但在应用实践中，直接利用DSM差分数据作为地表覆盖变化监测成果，对噪声的抗干扰性不强，从遥感影像到DSM数据处理过程中都存在一定误差，导致出现大量的冗余数据[8]。

1.2 优化方法

DSM差分出现误差主要有两方面原因：一是两期影像的像主点、摄影比例尺不同等，会造成DSM的偏移，直接影响差分结果；二是因自然自然季节性的交替变化，如植被自然生长造成树冠变化、水面高低变化等。针对需要大范围、自动化、高效率快速监测的地表覆盖区域，本文提出了利用多阈值差分法进行优化，综合DSM差分的形状指数和高度差阈值，快速定位疑似变化区域。

（1）分形维数

地理国情监测变化发现重点关注的是有人工痕迹的变化，不包括自然季节性变化。因此针对第二类误差，可利用景观生态学中的分形维数指数来对DSM差分数据进行筛选，自动过滤一些植被高低、水面变化等噪声数据[9-10]。

分形维数是不同空间尺度形状复杂性的反映，一般来说，人为因素造成的变化几何形状较为规整。D表示该图斑的分形维数，P代表周长，A代表面积。分形维数取值一般在1-2之间，其值越接近1，则斑块形状越规律，或者说斑块几何形状越简单，表明受到人工影响的程度越大，符合地表覆盖变化监测的要求；反之，其值越接近2，斑块形状就越复杂，受人为影响的程度越小，极有可能为噪声数据。

（2）高程值包裹法

水面的变化监测是DSM差分法的难点之一。由于水面在整体上无论是颜色和纹理，都基本保持一致，所以很难准确计算水面的高程值，从而导致水面上的DSM差分数据不准确，出现大量的冗余数据。因为，本文提出高程值包裹法对水面数据进行专题处理。

根据经验和总结，水面位置的DSM存在局部小范围内高程值变化剧烈的特点，且通常呈现较小的负值，距离河岸或陆地越远的位置其高程变化程度越大，因此可以通过设定一定范围内，对DSM差分高程变化剧烈的区域，作为噪声数据予以剔除，提升数据的精度。

1.3 精度评价

为了验证地表覆盖变化快速监测的精度，本文选取了有效识别率和冗余率两个指标进行定量评价，分别用以反映变化监测的准确度和干扰项噪声的情况。

有效识别率反映了监测技术方法发现真实变化的比例，具体公式如式3。Ei代表i变化的有效识别率，TBi代表i变化空间区域的真值，YBi代表i疑似变化的空间区域，⌒代表空间交集。

冗余率反映了该监测技术方法的噪声比例，具体公式如式4。Ri代表i变化的冗余率。如果有效识别率高，但冗余率过高，仍会影响变化解译的质量，难以满足生产应用需求。因此，需综合有效识别率和冗余率两个指标进行比较评价。

2 实验与分析

2.1 实验区及数据

本文以上海市全域约7000 km2作为实验区域，基于数码航测手段获取了2015年和2016年两期DSM数据。上海作为超大型城市，具有城市更新频率快、精细化管理要求高等特点，对地表覆盖的快速变化监测具有较强的需求和应用实践意义，也可为其他城市开展相关工作提供借鉴和参考意义。

将两个不同时段的DSM数据进行差分处理，获得101万个图斑“疑似变化区域”，蓝色代表高差为正，即两期数据对比，高度有所增加，红色代表高差为负，即两期数据对比，高度降低，局部区域数据如图1所示。从图中可以看出，直接进行DSM差分，其中伪变量噪声数据较多，即冗余率高。

图1 DSM原始差分成果Fig.1 The original result of DSM differential

为了验证优化的分类精度情况，获取了同时相两期地理国情监测地表覆盖数据，如图2所示。该数据来源于人工目视解译航空正射影像，且经过质检验收，可靠性强，精度高，利用相交获取空间相同但属性不同的图斑，作为2015年至2016年的变化区域的“真值”，全市共获取了15万个变化图斑。

图2 地理国情地表覆盖数据Fig.2 Land cover data of geographical conditions

分别计算两份数据的分形维数，DSM差分数据中，随着分形维数的增加，图斑数量先增加后减少，101万个“疑似变化图斑”中65.65%的图斑分布在1至1.4之间，说明几何形状分布不均匀，包括了自然和人工造成的变化，有较多的噪声数据。而地理国情地表覆盖变化数据，随着分形维数的增加，图斑数量逐渐减少，50%的图斑分布在1-1.1之间，说明“真正变化图斑”几何形状相对规整，这与地理国情监测主要针对人工因素造成变化的情况相一致。具体分布情况如图3所示。

图3 变化图斑分形维数数量分布统计对比图Fig.3 Statistical comparison of fractal dimension distribution of variation pattern

2.2 快速监测精度评价

首先，对直接利用DSM差分获取的变化数据进行精度评价。总体上，两期DSM数据差分后对地表覆盖分类的有效识别率为74.32%。按照地理国情监测地表覆盖十大类，分布统计各类别的有效识别率。从图4可以看出，房屋建筑（区）、林地和人工堆掘地的有效识别率较高，均超过了80%，裸露地表、耕地等识别率较低，未超过50%，说明DSM差分法识别地表覆盖分类变化具有一定的可行性，但不同类别之间精度差距较大。

图4 DSM变化监测地表覆盖有效识别率统计图Fig.4 Statistical chart of effective identification rate of land cover under change monitoring

为了进一步分析各类别内部之间变化监测的有效识别率，借利用矩阵计算 类到 类的有效识别率（红色填充代表有效识别率超过50%，绿色填充代表低于50%），如表1所示。

通过对比可以发现各类别内部之间的转换有效识别率有一定的差异。涉及高差变化的，有效识别率相对较高，如房屋建筑（区）与人工堆掘地、林地与裸露地表、构筑物与水面之间；但地类变化高差不明显的，有效识别率相对较低，如裸露地表与草地、耕地与水面之间，说明利用DSM辅助变化监测对于特定地类转换的效果较好，适用于专题性变化识别。

表1 DSM变化监测有效识别率统计分析矩阵 （单位：%）Table 1 DSM change monitoring effective identification rate statistical analysis matrix

再从冗余率进行分析，DSM差分变化监测的冗余率为82.99%，噪声较多。在辅助变化监测时，会给生产作业造成一定的干扰。

利用分形维数和高程值包裹法对DSM差分数据进行优化。首先，利用高程值包裹法对水面上的DSM伪变量予以剔除。设置一定的阈值，选择局部区域内DSM差分高程变化剧烈的区域，如图5所示，填充部分即为水面上的DSM差分伪变量，通过高程值包裹法可以有效的剔除部分噪声数据。

图5 水面专题DSM差分变化监测Fig.5 Differential change monitoring of river thematic based on DSM

再利用分形维数对DSM差分数据进一步筛选，如图6所示。从图中可以看到，随着分形维数的减少，冗余率可以有效减少，但同时有效识别率也会降低，在图斑的分形维数小于1.5时，有效识别率和冗余率基本趋于稳定，在实际生产作业中，可根据精度需求选择合适的临界值，优化DSM数据。

2.3 专题监测应用

“上海2035”提出建设全球城市目标，针对土地资源紧约束和建设用地“负增长”的要求，上海加大新增建设用地计划与集中建设区外减量化规模的关联力度，确保总量锁定目标的实现。如何高效地对全市范围的土地利用变化信息，尤其是对全市减量复垦区域进行复垦评估以及对耕地保护实施监管，是当前自然资源和规划管理部门的一项重点工作。本研究利用分形维数和高程值包裹法作为辅助决策手段对上海市土地利用日常巡查项目中某个研究区耕地保护专题进行了快速有效识别地表变化应用。

图6 分形维数优化后的DSM变化监测精度对比图Fig.6 Fractal dimension of the optimized DSM change monitoring accuracy comparison chart

通过上文的技术路径，结合常态化开展的地理国情监测工作，充分利用了研究区DSM数据、遥感影像等，选取图斑的分形维数为1.5，通过地表高程和影像分析，可以快速发现地表覆盖变化信息，如图7所示，黄色线框表示自动识别的两期影响变化情况。从研究结果可以发现，利用DSM差分技术，通过地表高程变化，可以快速提取地表覆盖分类变化信息，尤其对于房屋建筑、人工堆掘地等相关专题变化信息，有着较高的识别精度，可实现对大范围区域土地的快速监测。再结合土地审批规划数据，开展研究区土地减量化复垦实施评估及农用地违章建筑监测工作。

此方法相比土地管理执法部门通过人工巡查以及举报等方式进行减量化核查、日常违法用地、违规建设的监督管理中，在高效性优势明显，同时，在实际生产作业中，可根据精度需求选择合适的临界值，优化DSM数据黄线部分差分伪变量，剔除部分噪声数据，与目视影像解译相比，该研究方法在隐蔽性较强区域以及存在已久的违法和违规巡查盲区有较大的准确度优势。

图7 耕地专题快速变化监测Fig.7 Rapid change monitoring of cultivated land

3 结论与讨论

从计算机视觉角度来说，有参考的人工识别效率，必然是高于主观判断识别的效率。本文以超大型城市上海市作为研究区，采用两期DSM的差分数据为研究对象，通过精度评价，验证了DSM可以作为生产识别的参考数据，特别是对涉及高差变化的房屋建筑、人工堆掘地等地类具有较好的监测效果。同时，针对DSM冗余率较高的问题，分别从几何形状和高度阈值两个方面，提出了利用多阈值差分法进行优化，综合DSM差分的形状指数和高度差阈值，快速定位疑似变化区域，在保证有效识别率的前提下，消减识别的冗余度，从而提高地理国情地表覆盖分类变化监测精度，提升数据更新生产效率。

本研究结合上海地区特点，将二维地理信息在空间分辨率较高的优势同高分辨率影像、DSM和地理矢量信息等多源数据结合起来，实现了部分专题的常态化监测应用，如基本农田监测、土地减量化监测等，将快速变化监测的分析结果提交规土相关部门进行土地监管执法及评估管理。除了基础性地理国情监测外，近来年国家和各省份都陆续开展了各项专题监测。虽然各专项的监测范围、内容和侧重点均不一致，但均会应用到变化监测的技术方法，一般常规的生产方法都是利用两期影像对比、发现变化、信息提取再统计分析的过程。因此，利用DSM辅助变化监测得到的变化区域数据，通过对变化类型进行分类，再根据各专题的应用需求不同进行提取，使得一次变化识别成果服务于多个专项监测应用，减少重复对比影像的工作，实现“一次发现，多种用途，专题提取，综合应用”。