摘要
針對(duì)土地利用變化檢測(cè)存在的現(xiàn)勢(shì)性與準(zhǔn)確性低的問(wèn)題，本文采用一種針對(duì)土地利用現(xiàn)狀（CLUS）的年度變化檢測(cè)方法，以2020年WorldView-2(WV2)和2021年SuperView-1(SV1)兩期高分辨率遙感影像為數(shù)據(jù)源，采用經(jīng)優(yōu)化的雙峰分裂閾值法識(shí)別和消除建筑物陰影的干擾，為接下來(lái)的變化檢測(cè)工作提供堅(jiān)實(shí)的基礎(chǔ)。然后基于孿生神經(jīng)網(wǎng)絡(luò)（SNN）構(gòu)建一個(gè)變化檢測(cè)模型，并基于地理信息系統(tǒng)（GIS）優(yōu)化處理，從而實(shí)現(xiàn)對(duì)土地利用現(xiàn)狀變化區(qū)域的迅速定位。實(shí)驗(yàn)結(jié)果表明，本文提出的方法能夠快速且準(zhǔn)確地識(shí)別出不同時(shí)期影像中土地利用現(xiàn)狀的變化位置，在保持輕量化的同時(shí)表現(xiàn)出突出的檢測(cè)性能，為相關(guān)類(lèi)變化檢測(cè)的研究與應(yīng)用提供參考。
引用
[1] 肖芬. 基于遙感影像的土地利用變化檢測(cè)方法[J]. 北京測(cè)繪, 2025, 39 (03): 345-349.
0 引言
隨著科技的變革和社會(huì)的快速發(fā)展，人們對(duì)土地利用的需求日益顯著，因此，土地利用變化檢測(cè)在國(guó)土資源監(jiān)測(cè)中的地位逐漸凸顯，其準(zhǔn)確性依賴(lài)于土地利用分類(lèi)的精準(zhǔn)度。衛(wèi)星遙感影像的時(shí)空分辨率不斷提升，為捕捉和監(jiān)測(cè)地表信息提供了有力工具 [1-2] 。如何提高土地利用變化檢測(cè)的準(zhǔn)確性，并充分發(fā)掘其在國(guó)土資源監(jiān)測(cè)中的巨大潛力，已成為當(dāng)前亟待解決的關(guān)鍵問(wèn)題。為此，遙感領(lǐng)域的專(zhuān)家正致力于通過(guò)衛(wèi)星遙感影像來(lái)提升土地利用變化檢測(cè)的準(zhǔn)確性，這既是遙感領(lǐng)域的一項(xiàng)重大挑戰(zhàn)，也蘊(yùn)含著極高的研究?jī)r(jià)值 [3-4] 。
目前，遙感技術(shù)領(lǐng)域中擁有豐富多樣的變化檢測(cè)方法，如文獻(xiàn) [5]通過(guò)結(jié)合視覺(jué)顯著性和隨機(jī)森林算法，提出了高分辨率遙感圖像變化檢測(cè)法；文獻(xiàn) [6]憑借多樣化的指數(shù)方法，掌握了區(qū)域內(nèi)地面特征的動(dòng)態(tài)變化，實(shí)現(xiàn)了土地覆蓋信息的實(shí)時(shí)更新；文獻(xiàn) [7]通過(guò)運(yùn)用不同時(shí)間點(diǎn)影像的疊加與分割技術(shù)，實(shí)現(xiàn)以目標(biāo)對(duì)象為核心的變化檢測(cè)；陳鵬等 [8] 提出了一種高效的違法用地變化檢測(cè)手段，能夠迅速掌握違法用地的變化動(dòng)態(tài)；馮文卿等 [9] 則基于隨機(jī)森林技術(shù)的優(yōu)勢(shì)，構(gòu)建了一種以目標(biāo)對(duì)象為重點(diǎn)的遙感影像變化檢測(cè)（image change detection,ICD）方案。
近年來(lái)，深度學(xué)習(xí)技術(shù)取得了顯著進(jìn)步，在多個(gè)領(lǐng)域?qū)崿F(xiàn)了廣泛應(yīng)用，也為遙感變化檢測(cè)技術(shù)的自動(dòng)化提取提供了支持 [10-11] 。基于深度學(xué)習(xí)的變化檢測(cè)方法層出不窮，相比傳統(tǒng)方法，深度學(xué)習(xí)技術(shù)在變化檢測(cè)算法性能上表現(xiàn)出更加顯著的優(yōu)勢(shì)，解決了傳統(tǒng)方法存在的穩(wěn)健性不足和特征提取能力受限等問(wèn)題。林娜等 [12] 提出了一種基于多尺度特征孿生神經(jīng)網(wǎng)絡(luò)（siamese neural network,SNN）的遙感影像建筑物變化檢測(cè)算法。以孿生神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò)，將Inception v2結(jié)構(gòu)加入網(wǎng)絡(luò)特征提取層中，獲得遙感影像多尺度特征，并對(duì)其進(jìn)行多特征融合，更好地還原建筑目標(biāo)的細(xì)節(jié)信息。宋業(yè)沖等 [13] 提出了一種基于集成學(xué)習(xí)的U型神經(jīng)網(wǎng)絡(luò)（U shape neural network,U-Net）雙網(wǎng)絡(luò)變化信息融合的深度學(xué)習(xí)方法用于新增光伏用地的提取。對(duì)U-Net網(wǎng)絡(luò)進(jìn)行改進(jìn)得到性能較好的兩個(gè)變化檢測(cè)網(wǎng)絡(luò)模型，然后分別訓(xùn)練兩個(gè)網(wǎng)絡(luò)模型用于在高分辨率衛(wèi)星影像上檢測(cè)新增光伏用地，將訓(xùn)練好的兩個(gè)網(wǎng)絡(luò)模型的分類(lèi)圖融合再經(jīng)過(guò)后處理得到最終的變化檢測(cè)結(jié)果。深度學(xué)習(xí)網(wǎng)絡(luò)中，孿生神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的多輸入圖像對(duì)比能力，在圖像變化檢測(cè)領(lǐng)域展現(xiàn)出了顯著的優(yōu)勢(shì)。因此，本文基于遙感影像，采用經(jīng)過(guò)優(yōu)化的雙峰分裂閾值法，成功去除了建筑物陰影。隨后結(jié)合孿生神經(jīng)網(wǎng)絡(luò)的變化檢測(cè)技術(shù)并進(jìn)行地理信息系統(tǒng)（geographic information system,GIS）數(shù)據(jù)優(yōu)化，迅速識(shí)別土地利用現(xiàn)狀（current land use status,CLUS）年度變化區(qū)域，為土地利用現(xiàn)狀年度變化檢測(cè)的自動(dòng)化提取研究提供參考。
1 土地利用現(xiàn)狀變化內(nèi)涵
縣級(jí)國(guó)土資源管理部門(mén)負(fù)責(zé)每年對(duì)土地利用現(xiàn)狀進(jìn)行更新工作，為確保數(shù)據(jù)的準(zhǔn)確性，管理部門(mén)會(huì)組織專(zhuān)業(yè)團(tuán)隊(duì)深入實(shí)地開(kāi)展詳盡的調(diào)查工作，從而掌握土地利用狀況。在調(diào)查過(guò)程中，作業(yè)單位會(huì)收集變動(dòng)地塊的具體信息和土地權(quán)屬等數(shù)據(jù)，確保土地利用數(shù)據(jù)庫(kù)的實(shí)時(shí)更新 [14] 。從時(shí)間和空間維度來(lái)看，土地利用現(xiàn)狀的變動(dòng)主要表現(xiàn)為土地利用類(lèi)型的轉(zhuǎn)換。例如，一旦耕地因城市發(fā)展的需要轉(zhuǎn)變?yōu)榻ㄔO(shè)用地，短期內(nèi)再次發(fā)生類(lèi)型轉(zhuǎn)變的可能性相對(duì)較小，主要因?yàn)橥恋乩妙?lèi)型轉(zhuǎn)換往往涉及復(fù)雜的規(guī)劃和投資。同時(shí)，土地利用類(lèi)型也具備一定的穩(wěn)定性，隨著國(guó)家對(duì)耕地保護(hù)政策的不斷加強(qiáng)，相關(guān)地塊的土地利用類(lèi)型能夠在較長(zhǎng)時(shí)間內(nèi)保持其穩(wěn)定狀態(tài)。此外，土地利用的變動(dòng)還受到用地政策、產(chǎn)業(yè)環(huán)境等多種因素的影響。在地理位置方面，遠(yuǎn)離城市的自然村落土地利用類(lèi)型的年度變動(dòng)通常較小，城鄉(xiāng)接合部的土地，由于其特殊的地理位置和經(jīng)濟(jì)發(fā)展需求，土地利用類(lèi)型的變動(dòng)則相對(duì)顯著。土地利用現(xiàn)狀變更調(diào)查檢測(cè)的圖斑被劃分為11個(gè)大類(lèi)、26個(gè)二級(jí)類(lèi)，第1類(lèi)、第2類(lèi)、第3類(lèi)、第7類(lèi)與第8類(lèi)，圖斑的變化能夠通過(guò)遙感影像進(jìn)行有效識(shí)別。
2 土地利用變化檢測(cè)方法
2.1孿生神經(jīng)網(wǎng)絡(luò)
孿生神經(jīng)網(wǎng)絡(luò)在土地利用變化檢測(cè)中發(fā)揮著舉足輕重的作用，本文采用一種新的時(shí)空注意神經(jīng)網(wǎng)絡(luò)（spatial-temporal attention neural network,STANet），該網(wǎng)絡(luò)能夠精準(zhǔn)地捕捉和構(gòu)建時(shí)空關(guān)系。即使在處理多時(shí)相影像、多樣光照條件以及多尺度對(duì)象等復(fù)雜場(chǎng)景時(shí)，STANet依然能夠高效地完成變化檢測(cè)任務(wù) [16-17] 。該網(wǎng)絡(luò)架構(gòu)由三個(gè)核心組件構(gòu)成：特征提取器、自注意力模塊以及度量模塊。整個(gè)工作流程如圖1所示。
圖1 孿生神經(jīng)網(wǎng)絡(luò)流程
具體操作 [18-19] ：首先，將雙期圖像進(jìn)行處理，得到對(duì)應(yīng)的特征圖X(1）和X(2），自注意力模塊對(duì)這兩張?zhí)卣鲌D進(jìn)行更新和優(yōu)化，生成帶有注意力特征的Z(1）和Z(2）；其次，逐個(gè)計(jì)算兩特征圖中每對(duì)像素之間的距離，并利用這些距離數(shù)據(jù)生成相應(yīng)的距離圖；最后，通過(guò)最小化距離圖與標(biāo)簽圖之間的差異來(lái)優(yōu)化模型，確保變化點(diǎn)的距離值較大，而穩(wěn)定點(diǎn)的距離值較小，從而實(shí)現(xiàn)對(duì)土地利用變化情況的精確檢測(cè) [20-21] 。
2.2 GIS優(yōu)化
采用孿生神經(jīng)網(wǎng)絡(luò)進(jìn)行土地利用變化檢測(cè)，結(jié)果以小塊柵格數(shù)據(jù)的形式呈現(xiàn)。這些柵格數(shù)據(jù)在空間信息的完備性上存在缺陷，并且在確定變化區(qū)域邊界時(shí)出現(xiàn)一定的模糊特征，難以滿(mǎn)足對(duì)變化區(qū)域進(jìn)行快速定位的要求。因此，為了符合GIS數(shù)據(jù)處理的標(biāo)準(zhǔn)，對(duì)預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化處理，優(yōu)化流程如圖2所示。首先，進(jìn)行影像的拼接與空間配準(zhǔn)工作，構(gòu)建一個(gè)包含空間參照信息的完整區(qū)域預(yù)測(cè)柵格結(jié)果；其次，對(duì)整個(gè)柵格數(shù)據(jù)集進(jìn)行噪聲的剔除與簡(jiǎn)化處理，以提高預(yù)測(cè)柵格數(shù)據(jù)的完整性與清晰度；最后，轉(zhuǎn)換預(yù)測(cè)柵格數(shù)據(jù)為矢量數(shù)據(jù)，并針對(duì)斷裂、空洞等問(wèn)題進(jìn)行矢量?jī)?yōu)化，進(jìn)而生成優(yōu)化矢量數(shù)據(jù)集。
圖2 GIS優(yōu)化流程
2.3評(píng)價(jià)指標(biāo)
將召回率（Cae）、準(zhǔn)確度（Cac）以及精確度（Cre）作為變化檢測(cè)評(píng)價(jià)指標(biāo)。
3 實(shí)驗(yàn)與結(jié)果分析
3.1實(shí)驗(yàn)區(qū)概況
采用某地2020年的WV2(WorldView-2）和2021年的SV1(SuperView-1）高分辨率遙感影像開(kāi)展實(shí)驗(yàn)，如圖3所示。該地東西最長(zhǎng)距離約為11 km，南北最長(zhǎng)距離約為9 km，實(shí)驗(yàn)區(qū)域內(nèi)的地形以平原與丘陵為主。
圖3 實(shí)驗(yàn)數(shù)據(jù) 3.2數(shù)據(jù)源
本研究采用2020年的WV2和2021年的SV1高分辨率遙感影像作為實(shí)驗(yàn)數(shù)據(jù)，通過(guò)提取兩者的重疊區(qū)域，得以劃定明確的研究范圍。其中，WV2衛(wèi)星的全色圖像分辨率為0.5 m，整體影像的分辨率為1.8 m;SV1的全色分辨率為0.5 m，多光譜分辨率為2 m。利用遙感圖像處理平臺(tái)（the environment for visualizing images,ENVI)5.6平臺(tái)，完成了對(duì)原始影像的預(yù)處理工作。在預(yù)處理過(guò)程中，借助分辨率為30 m的先進(jìn)星載熱發(fā)射和反射輻射儀全球數(shù)字高程模型（advanced spaceborne thermal emission and reflection radiometer global digital elevation model,ASTER GDEM）數(shù)據(jù)，并通過(guò)采用非負(fù)擴(kuò)散影像融合（non-negative diffusion image fusion,NNDiffuse方法，實(shí)現(xiàn)多光譜影像與全色影像融合。通過(guò)大氣校正消除輻射誤差。最后，以SV1影像為基準(zhǔn)，對(duì)WV2影像進(jìn)行了精確的配準(zhǔn)。
在晴朗的天空下，云量稀少，高分辨率遙感影像中含有高大建筑物和孤立大樹(shù)投射出的陰影。這些陰影常因與其他特征如植被、水體等的相似性而難以得到準(zhǔn)確辨識(shí)，因此，剔除陰影是保證后續(xù)檢測(cè)結(jié)果精確度的前提之一。作為一種陰影識(shí)別技術(shù)，改進(jìn)雙峰分裂閾值法的核心原理在于利用灰度直方圖中兩個(gè)波峰的平均值來(lái)確定閾值，進(jìn)而將低于此閾值的像元區(qū)域針對(duì)陰影在影像中所占比例的不同，選擇的閾值策略也有所差異。陰影面積較大時(shí)，分割閾值為雙峰波谷值；陰影面積較小時(shí)，第一個(gè)波谷值則為分割閾值。整個(gè)處理流程起始于將原始的紅綠藍(lán)（red green blue,RGB）影像轉(zhuǎn)換為高光譜影像。由于陰影通常處于亮度最低的區(qū)域，因此，還需要將RGB影像轉(zhuǎn)化為HSI模型，計(jì)算出色調(diào)（H）、飽和度（S）和亮度（I）。
在影像分類(lèi)階段，首先，對(duì)檢測(cè)出的陰影區(qū)域進(jìn)行像元值的校準(zhǔn)，以確保數(shù)據(jù)的連貫性和準(zhǔn)確性；其次，利用調(diào)整后的陰影區(qū)域作為掩膜并對(duì)影像進(jìn)行掩膜處理，能夠更加高效地突出或剔除某些特定的影像信息；然后，將經(jīng)過(guò)掩膜處理后的影像與原始的陰影區(qū)域進(jìn)行疊加，以便在同一幅影像中同時(shí)展示兩者的信息；最后，通過(guò)對(duì)疊加后的影像進(jìn)行分類(lèi)處理，精確地識(shí)別和區(qū)分出不同的地物類(lèi)型，避免在后續(xù)分析中出現(xiàn)誤差。
3.3運(yùn)行環(huán)境及參數(shù)設(shè)置
依據(jù)實(shí)驗(yàn)數(shù)據(jù)，采用PyTorch開(kāi)源框架，在一臺(tái)配備Ubuntu操作系統(tǒng)、搭載IntelCorei9-7900X中央處理器（central processing unit,CPU）和32 GB內(nèi)存的計(jì)算機(jī)上開(kāi)展STANet網(wǎng)絡(luò)的訓(xùn)練任務(wù)。為了更精準(zhǔn)地進(jìn)行變化檢測(cè)，提升訓(xùn)練效果，選定ResNet50作為特征提取層，并將金字塔時(shí)空注意模塊（pyramid attention module,PAM）作為模型注意力機(jī)制。歷經(jīng)100次迭代訓(xùn)練，前30次的學(xué)習(xí)率保持不變，而后70次迭代則采用了自適應(yīng)學(xué)習(xí)率的方法。將學(xué)習(xí)率的初始值設(shè)為0.001，并設(shè)置批次大?。╞atch size）為8。選用隨機(jī)梯度下降（stochastic gradient descent,SGD）優(yōu)化器進(jìn)行網(wǎng)絡(luò)參數(shù)訓(xùn)練，以確保訓(xùn)練過(guò)程的高效性和穩(wěn)定性。
3.4結(jié)果分析
完成建筑物陰影區(qū)域去除后，借助訓(xùn)練數(shù)據(jù)集和STANet網(wǎng)絡(luò)，成功構(gòu)建了一個(gè)用于檢測(cè)年度土地利用現(xiàn)狀變化的方法。為驗(yàn)證該方法的準(zhǔn)確性，利用檢驗(yàn)數(shù)據(jù)對(duì)其核心參數(shù)進(jìn)行了嚴(yán)格的檢驗(yàn)，從而進(jìn)一步提高對(duì)方法性能的信賴(lài)度。本文方法在土地利用現(xiàn)狀變化檢測(cè)中的實(shí)際應(yīng)用效果如圖4所示，從圖中可以看出，該方法能夠精確地識(shí)別遙感圖像中特定區(qū)域土地利用類(lèi)型的變動(dòng)，并通過(guò)不同的標(biāo)注框清晰地展現(xiàn)不同時(shí)期的地物利用類(lèi)型區(qū)域。此外，本文研究成果能夠與國(guó)土資源共享平臺(tái)實(shí)現(xiàn)無(wú)縫對(duì)接，根據(jù)實(shí)際需求迅速提取出變化區(qū)域，為相關(guān)部門(mén)提供實(shí)時(shí)、準(zhǔn)確的土地利用變化數(shù)據(jù)，從而輔助各級(jí)政府部門(mén)制定出科學(xué)、合理的政策。
為了驗(yàn)證本文提出的土地利用變化檢測(cè)方法的性能，將其檢測(cè)結(jié)果與兩種傳統(tǒng)的土地利用變化檢測(cè)方法結(jié)果進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果如表1所示。
圖4 土地利用變化檢測(cè)結(jié)果 表1 不同方法實(shí)現(xiàn)結(jié)果對(duì)比
由表1可知，本文方法在評(píng)價(jià)指標(biāo)上展現(xiàn)出顯著的優(yōu)勢(shì)，并且在參數(shù)量方面遠(yuǎn)低于其他兩種方法。這一對(duì)比結(jié)果充分證明了本文所提方法的高精度和輕量性，凸顯了其在實(shí)際應(yīng)用中的獨(dú)特優(yōu)勢(shì)，表現(xiàn)出較強(qiáng)的實(shí)用性。
4
結(jié)束語(yǔ)
為了提升年度土地利用現(xiàn)狀變化檢測(cè)的精準(zhǔn)度，本文提出了一種基于STANet網(wǎng)絡(luò)的遙感影像變化檢測(cè)新方法。該方法具有快速辨識(shí)土地利用現(xiàn)狀變化區(qū)域的能力，顯著提升了變化區(qū)域核查等核心環(huán)節(jié)的工作成效。然而，在試驗(yàn)過(guò)程中，觀察到原始的多源遙感影像數(shù)據(jù)的某些特性對(duì)變化檢測(cè)方法的性能產(chǎn)生了顯著的限制。例如，影像分辨率的參差不齊、色調(diào)的不統(tǒng)一，以及是否進(jìn)行正射校正等，均可能對(duì)變化檢測(cè)的準(zhǔn)確性產(chǎn)生不利影響。此外，變化檢測(cè)方法的檢測(cè)結(jié)果還存在一些不足，如邊界不夠明確、誤報(bào)率較高及漏報(bào)率偏大等問(wèn)題。因此，未來(lái)將緊密結(jié)合土地利用變化檢測(cè)需求，充分發(fā)揮深度學(xué)習(xí)模型優(yōu)勢(shì)，不斷優(yōu)化算法，以進(jìn)一步提高土地利用現(xiàn)狀變化檢測(cè)的精準(zhǔn)度和效率。
來(lái)源：測(cè)繪學(xué)術(shù)資訊
熱門(mén)跟貼