基于深度學習的新增建設(shè)用地信息提取試驗研究
——全國土地利用遙感監(jiān)測工程創(chuàng)新探索

吳海平，黃世存

(1.中國國土勘測規(guī)劃院，北京 100035；2.中國資源衛(wèi)星應(yīng)用中心，北京 100094)

0 引言

隨著遙感技術(shù)和衛(wèi)星發(fā)射技術(shù)的快速發(fā)展，2010年第二次全國土地調(diào)查結(jié)束以后，國土資源管理領(lǐng)域從國家層面上逐漸建立了年度土地利用遙感監(jiān)測新機制，每年采用9—12月份的高分辨率衛(wèi)星遙感影像，對全國范圍進行一次年度土地利用動態(tài)遙感監(jiān)測，重點提取以新增建設(shè)用地為主的土地利用變化信息,監(jiān)測結(jié)果用于年度土地利用變更調(diào)查、土地衛(wèi)片執(zhí)法檢查和土地督察等業(yè)務(wù)。因為監(jiān)測結(jié)果直接服務(wù)于國土資源管理工作，所以對新增建設(shè)用地提取的準確性和按時完成的時效性要求非常高。該工程已實施多年，曾多次嘗試利用傳統(tǒng)的分類方法、面向?qū)ο蟮姆指罘椒ǖ茸詣訖z測技術(shù)進行探索試驗，但受制于自動檢測技術(shù)不夠完善或?qū)Σ僮鲉T的專業(yè)知識水平要求太高，以及工程本身具有多源、多尺度衛(wèi)星數(shù)據(jù)源，數(shù)據(jù)質(zhì)量參差不齊，信息類別復(fù)雜繁多等特點，自動檢測方法仍然只是輔助手段，更主要的是依賴大量人力目視判讀。

近幾年來，作為人工智能的核心技術(shù)，深度學習在圖像識別、安防監(jiān)控、智能駕駛、無人機、語音識別及自然語言處理等領(lǐng)域取得了大量關(guān)鍵性突破和實際應(yīng)用，同時也被逐漸引入遙感圖像分類、識別及目標檢測等任務(wù)中。但衛(wèi)星遙感影像更為復(fù)雜，要全面達到理想狀態(tài)很難，如果只是針對特定單一目標進行檢測則相對容易。在全國土地利用遙感監(jiān)測工程中，主要是提取新增建設(shè)用地，目標單一，因此，為能提高工程實施效率，本文嘗試利用深度學習技術(shù)進行新增建設(shè)用地信息提取的應(yīng)用探索。

1 深度學習技術(shù)簡介

在深度學習技術(shù)方面，Hinton等[1]提出利用深度信念網(wǎng)絡(luò)(deep belief network，DBN)進行數(shù)據(jù)分類并取得突破性進展，此后各研究及工程領(lǐng)域紛紛采用深度學習方法進行應(yīng)用試驗。Minh等[2]于2010年首次將深度學習應(yīng)用于遙感領(lǐng)域，利用深度信念網(wǎng)絡(luò)模型對機載影像進行道路的目標識別。自此，深度學習技術(shù)逐漸被應(yīng)用于高分辨率影像分類、信息提取及變化檢測中。國內(nèi)劉大偉等[3]基于深度學習技術(shù)實現(xiàn)了高空間分辨率影像的分類任務(wù)，并與傳統(tǒng)方法進行對比，結(jié)果表明，深度學習技術(shù)能夠更加準確地挖掘高分影像的空間分布規(guī)律；高常鑫等[4]通過分層方法建立深度學習模型，完成了對高分影像的高精度分類；韓潔等[5]基于深度學習技術(shù)開展了遙感影像城市擴展方法研究，研究表明深度學習的生產(chǎn)者精度和Kappa系數(shù)都比傳統(tǒng)方法要高，適用于城市建成區(qū)變化趨勢研究；張鑫龍等[6]提出通過構(gòu)建并訓練包含標簽層的高斯伯努利深度限制玻爾茲曼機模型，可以提取變化和未變化區(qū)域深層特征，有效辨別變化區(qū)域；闞希等[7]利用多光譜衛(wèi)星遙感和深度學習方法進行了青藏高原積雪判識；陳洋等[8]提出了基于深度學習的資源三號衛(wèi)星遙感影像云檢測方法；朱祺夫等[9]提出了基于深度學習的遙感影像城市建筑用地提取方法。

深度學習技術(shù)的主要思想是基于神經(jīng)網(wǎng)絡(luò)進行信息識別，通過大量樣例的訓練(學習)，得到網(wǎng)絡(luò)最優(yōu)參數(shù)(函數(shù))，再應(yīng)用該網(wǎng)絡(luò)從輸入數(shù)據(jù)得到最優(yōu)類別判斷的過程。在影像識別和變化檢測領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)是最常用的深度學習方法。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)是一種帶有卷積結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，它的權(quán)值共享網(wǎng)絡(luò)結(jié)構(gòu)使之更類似于生物神經(jīng)網(wǎng)絡(luò)，降低了網(wǎng)絡(luò)模型的復(fù)雜度，減少了權(quán)值的數(shù)量。這個優(yōu)點在網(wǎng)絡(luò)的輸入是多維圖像時表現(xiàn)得更為明顯，圖像可以直接作為網(wǎng)絡(luò)的輸入，避免了傳統(tǒng)識別算法中復(fù)雜的特征提取和數(shù)據(jù)重建過程。卷積結(jié)構(gòu)可以減少深層網(wǎng)絡(luò)占用的內(nèi)存量，也可以減少網(wǎng)絡(luò)的參數(shù)個數(shù)，緩解模型的過擬合問題[10]。深度學習模型層數(shù)多，常常十幾層甚至幾十層，多則幾百層到上千層。通過逐層的特征提取，逐漸使分類和檢測結(jié)果更加精準。開始幾層通常是卷積層和下采樣層的交替，在靠近輸出層的最后幾層網(wǎng)絡(luò)通常是全連接網(wǎng)絡(luò)。卷積神經(jīng)網(wǎng)絡(luò)的訓練過程主要是學習卷積層的卷積核參數(shù)和層間連接權(quán)重等網(wǎng)絡(luò)參數(shù)，預(yù)測過程主要是基于輸入圖像和網(wǎng)絡(luò)參數(shù)計算類別標簽。

2 全國土地利用遙感監(jiān)測分類體系

基于衛(wèi)星遙感數(shù)據(jù)的影像特征，從國土資源管理的實際需求出發(fā)，全國土地利用遙感監(jiān)測工程經(jīng)過逐年完善，建立了年度土地利用變更調(diào)查12個一級類、27個二級類的遙感監(jiān)測分類體系。本次試驗在此分類體系基礎(chǔ)上進行了適當刪減。因該體系中部分類型非當年實際新增建設(shè)用地，或賦予過多的管理屬性，或是某類的細化地類，或無法直接依據(jù)遙感影像進行判斷。試驗過程中為客觀評價基于遙感數(shù)據(jù)的測試結(jié)果，僅針對其中主要的4個一級類、16個二級類進行研究與評價。這4個類型也是新增建設(shè)用地類型中的主要地類(表1)。

表1 新增建設(shè)用地分類體系Tab.1 Classification system of new constructed land

(續(xù)表)

3 樣本訓練

3.1 技術(shù)路線

根據(jù)遙感監(jiān)測工程的數(shù)據(jù)特點和深度學習的關(guān)鍵步驟，樣本訓練過程中主要采用了以下技術(shù)路線。

1)數(shù)據(jù)歸一化處理。遙感監(jiān)測工程所用數(shù)據(jù)源多種多樣，既有多波段多光譜數(shù)據(jù)也有單波段全色數(shù)據(jù)，數(shù)據(jù)空間分辨率從0.5 m到5 m不等。為滿足樣本訓練需要，首先對試驗數(shù)據(jù)進行歸一化處理，通過減少或增加通道的方式將不同波段的影像處理成3個波段；然后根據(jù)訓練樣本影像實際空間分辨率，通過重采樣的方式將不同分辨率的數(shù)據(jù)處理成相應(yīng)的空間分辨率。

2)訓練模型。建立模型是深度學習技術(shù)的關(guān)鍵。近年來，深度模型不斷改進，出現(xiàn)了很多有廣泛用途的模型。本研究使用的模型是以ResNet為基礎(chǔ)模型，經(jīng)過改造而適用于變化檢測的應(yīng)用。ResNet模型利用殘差模塊，解決了深度模型的梯度消失問題，同時提高了模型的訓練效率，把ImageNet的圖像分類精度推高到超過專家的水平。

3)訓練樣本。訓練過程中，通過增強樣本技術(shù)，進一步增加樣本變化，提高模型適應(yīng)性。為提高模型訓練的收斂性和避免過度擬合,對模型的一些超級參數(shù)進行動態(tài)調(diào)節(jié)，尤其是學習率參數(shù)，選取指數(shù)遞減函數(shù)動態(tài)調(diào)節(jié)梯度下降幅度，初始時加快一點收斂速度，隨后放慢改變幅度，減少錯失最優(yōu)結(jié)果的可能性。另外，利用屏蔽神經(jīng)元技術(shù)減少過度擬合的可能性。

4)變化監(jiān)測。變化檢測采用高斯混合模型(Gaussian mixture model,GMM)、馬爾科夫隨機場能量優(yōu)化算法GraphCut、基于分水嶺的過分割算法等，根據(jù)變化檢測結(jié)果逐步調(diào)整參數(shù)和閾值，并綜合考慮定性、定量評價結(jié)果和計算耗時等因素，最終得出相對的優(yōu)化模型。

3.2 訓練樣本選取

訓練樣本的數(shù)量和代表性是影像分類的關(guān)鍵，不同的選取方法也會影響分類的效果[1]。本文試驗的目的是為全國土地利用遙感監(jiān)測工程做技術(shù)創(chuàng)新探索，因此，結(jié)合實際應(yīng)用需求，以監(jiān)測工程實際提取的新增建設(shè)用地圖斑作為試驗的訓練樣本。訓練樣本選取過程是，首先考慮到地區(qū)差異，從北方平原地區(qū)、南方丘陵山區(qū)、東部沿海地區(qū)等地方選擇實際提取的新增建設(shè)用地圖斑，共選取2萬個圖斑；然后再根據(jù)本文的分類體系進行篩選，共篩選出1.6萬個新增建設(shè)用地圖斑，8 207個作為訓練樣本，另外7 793個作為測試樣本。

樣本涉及到的衛(wèi)星數(shù)據(jù)源包括高分一號、北京二號、資源一號02C、Beimos-2，KasEosat-2，Plannet labs和Repideye等，分辨率有1 m,2 m,5 m等多個尺度，前后時相為2016年9—12月和2017年9—12月。

3.3 訓練樣本處理及訓練

本文設(shè)計并使用了一種兩路卷積神經(jīng)網(wǎng)絡(luò)，通過使用卷積核計算卷積，對圖像進行特征提取，生成相應(yīng)的特征圖像。主要處理流程如圖1所示。

圖1 訓練樣本流程圖Fig.1 Flowchart of deep learning method

3.4 訓練樣本精度評價

根據(jù)圖斑的集中分布情況將其中的7 793個圖斑作為測試樣本，這些測試樣本集中分布在5個樣本測試區(qū)域，對比分析計算耗時、人工檢測的圖斑個數(shù)、機器檢測出的圖斑個數(shù)，并從數(shù)量和面積2方面計算圖斑檢測查全率、查準率、虛警率和漏檢率。計算公式分別為

查全率=檢測出的樣本圖斑個數(shù)/所有

測試樣本圖斑個數(shù)×100% ；

(1)

查準率=檢測出的樣本圖斑面積/所有

測試樣本圖斑面積×100% ；

(2)

虛警率=檢測出的非樣本圖斑個數(shù)/檢測

出的樣本圖斑個數(shù)×100% ；

(3)

漏檢率=未檢測出的圖斑個數(shù)/測試

樣本中圖斑個數(shù)×100% 。

(4)

虛警率和漏檢率是一對矛盾體，結(jié)合實際工程需要，主要目的是提高檢測精度和工作效率，盡可能減少人工干預(yù)，需要平衡虛警率和漏警率的接受程度。虛警率低，漏檢率則高，影響監(jiān)測成果質(zhì)量，不符合成果精度要求；如果接受較高的虛警率，則會給后期處理帶來較多的工作量，不符合提高工程效率的需求。因此，綜合各種因素后，經(jīng)過多次調(diào)整與測試，找到平衡點，得出本文最為適合的相對優(yōu)化模型。

經(jīng)多次調(diào)試，本文最終使用的深度差異模型約150層，訓練后模型大小約40 MB，采用最終模型得出的檢測結(jié)果見表2。

表2 深度學習檢測精度評價表Tab.2 Evaluation of accuracy by deep learning

通過試驗可以看出，從效率方面，自動檢測效率比人工工作效率高十幾倍，甚至幾十倍；從精度方面，自動檢測可檢測出70%～80%的圖斑數(shù)量；不足30%的小面積圖斑虛警率非常高。盡管測試結(jié)果難以達到理想狀態(tài)，但這對于工程來講已是很大的進步，如果輔以一定的人機交互，在不損失檢測精度的條件下能大大提高工作效率。

局部檢測結(jié)果如圖2(紅色框線中為工程實際提取結(jié)果)。

(a)2016DOM (b)2017DOM

(c)變化監(jiān)測結(jié)果

4 試驗與分析

4.1 試驗區(qū)與數(shù)據(jù)源

本文試驗區(qū)有2個，一是北京市通州區(qū)，作為平原地區(qū)土地利用狀況的代表；二是四川省資陽市雁江區(qū)，作為丘陵山區(qū)土地利用狀況的代表。

4.1.1 北京市通州區(qū)

通州區(qū)2016年和2017年度遙感數(shù)據(jù)源均為北京2號數(shù)據(jù)，前時相為2016年10—11月，涉及6景，側(cè)視角低于10°，后時相為2017年9—10月，涉及8景，側(cè)視角低于15°。

通州區(qū)經(jīng)濟發(fā)展迅速，尤其成為北京市副中心之后，市政府遷移通州，近幾年土地利用變化頻繁，新增建設(shè)用地量較大，2017年度遙感監(jiān)測信息提取實際作業(yè)過程中，基于人工目視判讀，并經(jīng)過多級質(zhì)量檢查后確定提取的新增建設(shè)用地圖斑有786個，1.9萬畝(1)1畝=666.7 m2。各類型詳見表3。

表3 通州區(qū)新增建設(shè)用地統(tǒng)計表Tab.3 Statistics of new constructed land of Tongzhou District

4.1.2 四川省資陽市雁江區(qū)

雁江區(qū)2016年度遙感數(shù)據(jù)源為SPOT6數(shù)據(jù)，時相為2016年11月，涉及2景，側(cè)視角低于15°。2017年度遙感數(shù)據(jù)源為高分二號、資源三號和SPOT6，時相為2017年9—11月，涉及5景，側(cè)視角低于12°。

雁江區(qū)屬典型的四川盆地紅巖丘陵區(qū)。2017年度遙感監(jiān)測信息提取實際作業(yè)過程中，基于人工目視判讀，并經(jīng)過多級質(zhì)量檢查后確定提取的新增建設(shè)用地圖斑有248個，1 901畝。各類型詳見表4。

表4 雁江區(qū)新增建設(shè)用地統(tǒng)計表Tab.4 Statistics of new constructed land of Yanjiang District

4.2 新增建設(shè)用地實際檢測結(jié)果與分析

測試樣本評價結(jié)束后，把7 793個圖斑作為新的訓練樣本繼續(xù)訓練，然后以完整區(qū)縣為單位，對北京市通州區(qū)和四川省雁江區(qū)2區(qū)進行實際新增建設(shè)用地變化檢測，并與人工目視判讀結(jié)果進行對比分析。

檢測過程中根據(jù)檢測結(jié)果的關(guān)注重點不同進行參數(shù)設(shè)置與調(diào)試，如果追求較高的查全率則必須犧牲準確率，并且會導致非常高的虛警率；如果虛警率太高，要達到工程標準需要大量人工后處理，與提高工程效率的初衷相違背，失去試驗的意義；如果適當降低對查全率的要求，能夠提高準確率降低虛警率，實現(xiàn)半自動半人工或者自動為主人工為輔的方式。調(diào)試過程中發(fā)現(xiàn)，如果要達到95%以上的查全率，虛警率會提高接近10倍；如果要把虛警率控制在一倍之內(nèi)，查全率則不足一半。通過多次試驗與調(diào)試，并與人工工作量對比分析，綜合考慮精度和效率，本文認為80%左右的查全率、兩三倍的虛警率可以在工程應(yīng)用中發(fā)揮作用。至于圖斑面積的查準率，無論何種方式都難以到達理想狀態(tài)。由于面積查準率不是該工程當前階段的追求目標，因此查準率不做本次試驗的重點要求。

通過多次試驗和運算，本文認為通州區(qū)和雁江區(qū)達到如下檢測結(jié)果可以符合工程應(yīng)用需求。具體檢測結(jié)果見表5和表6。

表5 通州區(qū)各類型精度統(tǒng)計表Tab.5 Accuracy of different types based on TongZhou (%)

表6 雁江區(qū)試驗結(jié)果統(tǒng)計表Tab.6 Accuracy of different types based on YanJiang (%)

從表5和表6可知，新增建設(shè)用地圖斑總體查全率分別為75.9%和82.6%，但不同類型的查全率差異較大，對于非常明顯的1A/3A類建設(shè)用地基本都能檢測出來，但對于規(guī)模較小、建設(shè)特征不太明顯的其他建設(shè)用地圖斑查全率則較低，個別類型不足50%。較測試樣本而言，通州和雁江區(qū)自動檢測出的新增建設(shè)用地圖斑虛警率更高，2個區(qū)縣均檢測出2倍以上的虛警率，尤其是雁江區(qū)，查全率越高，虛警率越高。盡管從圖斑個數(shù)方面查全率能夠達到70%～80%的精度，但面積查準率較低，兩個區(qū)縣均不足20%。

5 結(jié)論與展望

本文結(jié)合全國土地利用遙感監(jiān)測工程的實際需求，嘗試利用深度學習方法對新增建設(shè)用地變化進行檢測，并與人工目視判讀的提取結(jié)果進行對比分析。試驗表明，相較于傳統(tǒng)的自動分類和變化檢測方法，深度學習技術(shù)在新增建設(shè)用地變化提取方面有更高的適用性和實用性，并且具有較好的應(yīng)用預(yù)期。通過試驗主要得出以下幾點結(jié)論：

1)大量的具有代表性的訓練樣本是深度學習技術(shù)的根本，全國土地利用遙感監(jiān)測工程積累了幾百萬個新增建設(shè)用地樣本，如繼續(xù)深入訓練，可大大提高自動檢測精度。

2)地形地貌的差異對基于深度學習的自動檢測結(jié)果影響不是很大，但新增建設(shè)用地類型不同自動提取結(jié)果差異較大。這與深度學習技術(shù)對訓練樣本代表性要求相吻合。

3)盡管本文試驗結(jié)果與工程實際需求仍有一定的差距，可能與樣本數(shù)量不夠有關(guān)系，但如果以此為線索，輔以少量的人工后處理可有效提高工程實施效率，本年度工程實施過程中擬逐步推廣應(yīng)用。全國土地利用遙感監(jiān)測工程時間要求緊、數(shù)據(jù)源眾多、數(shù)據(jù)質(zhì)量差異大、分類體系復(fù)雜多樣，要全面達到理想狀態(tài)難以實現(xiàn)。本文試驗只是深度學習技術(shù)在土地利用遙感監(jiān)測領(lǐng)域的初步探索，從相對單一的新增建設(shè)用地類型出發(fā)，逐步拓展到全地類提取，希望通過試驗與應(yīng)用能帶動行業(yè)技術(shù)創(chuàng)新和發(fā)展，為解脫人工目視判讀，提高工程科技含量奠定基礎(chǔ)，下一步將擴大訓練樣本數(shù)量繼續(xù)深入探索。