基于卫星遥感的土地利用智能动态监测研究

李志强

(广东省测绘技术有限公司 广东广州 510670)

目前，全国各地用于“两违”监测的技术方法有很多，常用的包括传统人工巡查、摄像头监控、街景图像对比、卫星影像对比等[1]。传统人工巡查方式发现“两违”图斑不但耗时耗力且主动性不高，目的性不强，存在难以到达的巡查死角、巡查不到位和遗漏等问题[2]。摄像头监控常用于基本农田的监测，其优势在于可以实现24 h 的远程监控，但摄像头的布控和使用对场地要求较高，不适用于建筑密集的城区。街景图像对比则常用于城区“两违”监测，优势在于直观、清晰，但其获取成本较高，监测频率难以提高，且大型片区的内部难以监测。

随着卫星技术的迅猛发展，卫星影像的空间分辨率越来越高，覆盖频次也越来越高，在“两违”监测应用中的优势也越来越明显：一方面，高分辨率卫星影像能提供更多细节信息，提高“两违”监测的准确度；另一方面，提高监测频次有利于及时发现“两违”的苗头，真正实现“两违”的“早发现、早上报、早处理”，既节省不必要的资金浪费，又能发挥极佳的警示作用。

1 疑似“两违”图斑特征分析

本文根据“两违”的定义与《广东省2022年卫片执法工作方案》，总结了疑似“两违”图斑在高分辨率遥感影像上的特征表现，具体如图1所示[3]。

2 “两违”智能动态监测方案设计

2.1 技术路线

依据新增的疑似“两违”图斑提取特征，本文围绕数据获取、数据处理、结果核实、管理应用流程，形成基于高分辨率月度卫片的“两违”智能监测技术流程，具体见图2。

图2 “两违”智能监测技术流程

2.1.1 高时空分辨率的遥感影像数据获取

在自然资源部门下发卫片数据基础上，补充高覆盖范围、高时空分辨率的商业卫星数据，构建以上级下发的季度卫片为主体、本级商业卫片数据为补充的多层级月度卫片数据体系，推动“年度+季度”监测模式提升至“月度”监测模式[4]。

2.1.2 基于GeoAI的遥感影像智能化解译

基于“两违”变化监测样本库训练高精度的“两违”变化监测AI 模型，实现疑似“两违”图斑的高效精准提取。

2.1.3 交互式图斑内业复检与外业核实

对智能提取的疑似图斑进一步复检并核实影像解译结果，并借助修正工具，采用人机交互方式对边界不清的图斑进行规则化处理，对误检、漏检的图斑进行纠正与补充，保证输出成果质量。

2.1.4 遥感影像智能监测成果管理与应用

建设遥感影像智能监测管理平台，实现对自然资源业务图层、月度卫片影像、疑似“两违”图斑智能提取结果的统一管理与展示，辅助支撑耕地“非农化”“非粮化”监测、卫片执法等业务。

2.2 关键技术

2.2.1 顾及建筑物阴影特征的建筑物变化检测网络

该算法对双峰分裂阈值法进行改进并提取阴影范围，利用阴影与建筑物的空间关系预估建筑物屋顶的位置，逐一比较前后两时相建筑物屋顶的位置关系与面积，准确判断建筑物屋顶边界，实现建筑物的定位与变化分析[5]。

2.2.2 顾及空间框架约束的影像分割多分类算法

该算法以土地覆盖分类为研究对象，融合自然资源遥感影像的纹理显著性和语义显著性，形成显著性排序，按序串联道路、水系、建设用地、耕地、林地、其他用地语义识别网络，经空间融合算子处理，形成空间连贯性高、边界完整度高、空间拓扑一致性好的多分类矢量结果[6]。

2.2.3 面向解译图斑的边界规则化算法

矢量数据结构通过记录实体坐标及其关系，尽可能精确地表现点、线、多边形等地理实体，具有精度高、存储空间小等特点。因此，面向解译图斑的边界规则化算法在栅格矢量化基础上，以矢量图斑为单位进行处理，针对建筑物结构特点进行边界规则化，使解译成果符合建筑物的结构特点。

3 应用实例

为验证研究成果在“两违”监测中的实用性和监测结果的准确性，本文基于研发的“两违”智能监测管理平台开展新增道路和新增库塘监测，通过精确率、准确率、召回率、F1系数等评价指标，评估“两违”智能监测管理平台对新增道路和新增库塘监测的实际效果，实现“两违”智能动态监测方案的应用。

3.1 新增库塘监测

本文在汕尾市低山丘陵岗地区挑选实验区，开展新增疑似违法用地图斑监测，识别耕地中的鱼塘，结果具体见图3。实验过程如下：（1）基于制作的鱼塘样本集，训练深度学习模型，评价模型精度；（2）利用实验区2018年高分影像，基于训练模型识别鱼塘；（3）将鱼塘识别结果与第三次全国国土调查（以下简称“三调”）耕地图层进行空间分析，剔除识别结果中属于水田的部分。对识别结果进行统计发现，实验区第二次全国国土调查数据中鱼塘数量1 025个，识别检测958个鱼塘，漏检或错检67个鱼塘，“两违”智能监测管理平台识别新增鱼塘的Accuracy为93%，Precision为93.5%，Recall为96.7%，F1系数为0.941，总体识别效果较好。相较于传统人工目视解译，该技术可减少人工判读时间，降低人为主观性的错误，实现智能化监测。

图3 新增库塘提取局部图

3.2 新增建设用地监测

基于黄浦区部分区域的高分辨率遥感影像，本文利用“两违”智能监测管理平台对该区域开展新增建设用地图斑提取，具体见图4。实验过程如下：（1）基于已有的建设用地样本集，利用深度学习框架，训练建筑影像分割模型；（2）利用实验区建筑用地样本训练优化识别模型，使得建设用地提取模型更适合实验区域影像道路目标的特征；（3）将模型集成至平台，对实验区高分影像进行建设用地监测，叠加实验区“三调”数据中的工业用地、城镇住宅用地、农村宅基地以及公共设施用地图层，提取新增建设用地图斑。识别结果与目视解译效果对比计算，“两违”智能监测管理平台识别新增道路的Accuracy为82.5%，Precision为68%，Recall为66.1%，F1系数为0.671。

图4 新增建设用地提取结果

利用“两违”智能监测管理平台开展新增道路监测，大幅度降低了人工核查量，人工只需针对疑似图斑进行核查；平台集成了边界优化算法，使得提取的新增道路连通性效果较好、图斑边界较平滑，贴近实际情况。

4 总结与展望

本文研究了基于高分辨率月度卫片的“两违”智能动态监测技术流程，总结了新增疑似“两违”图斑特征与提取的技术关键点，开发了高吞吐量影像智能解译软件和“两违”智能动态监测管理系统，并在实际应用中实现海量影像批量解译及疑似“两违”图斑的精准提取与管理应用。实例应用证明，利用高覆盖范围、高频次、高分辨率的月度卫片可以有效提高“两违”监测的时效性与精确性，运用本文提出的融合深度学习算法GeoAI技术，可提升“两违”图斑的提取效率，以外业核查为辅助，实现监测智能化。“两违”智能监测管理平台对自然资源业务图层、月度卫片影像、“两违”监测智能解译结果实现统一管理和展示，可辅助支撑执法人员开展“两违”执法等业务工作。

本文研究成果在耕地“非农化”“非粮化”监测、卫片执法等业务应用中具有借鉴意义。但在实际应用中，还存在道路提取连通性不足、同物异谱和同谱异物现象导致错检等问题，后续将进一步优化影像智能解译的深度学习框架，提高遥感影像智能解译算法的精度，提升影像解译软件的稳定性，探索遥感卫星与无人机、“慧眼守土”等监管手段融合应用，实现自然资源立体化、实时化、智能化监测监管。