基于面向?qū)ο筮壿婥VA的高分辨影像施工擾動監(jiān)測

劉宣廣,汪小欽,劉益鋒,李琳,李玉潔

(福州大學(xué)空間數(shù)據(jù)挖掘與信息共享教育部重點實驗室,衛(wèi)星空間信息技術(shù)綜合 應(yīng)用國家地方聯(lián)合工程研究中心,數(shù)字中國研究院(福建),福建 福州 350108)

0 引言

隨著城市化進(jìn)程加速,基礎(chǔ)設(shè)施建設(shè)和資源開發(fā)活動數(shù)量大幅上升,土地擾動隨之加劇.過度土地擾動會造成土地質(zhì)量下降,進(jìn)而導(dǎo)致植被減少或喪失,土地裸露面積增加,影響土地覆蓋格局變化[1].其中,生產(chǎn)建設(shè)項目施工擾動是目前大范圍、頻繁的擾動類型,建設(shè)項目在施工中會對周圍地表覆蓋情況造成擾動,對生產(chǎn)、生態(tài)造成深遠(yuǎn)影響.施工擾動變化監(jiān)測是面向特定應(yīng)用的專題遙感變化檢測技術(shù),可有效推動水土保持監(jiān)督部門提升監(jiān)督效率、減少人工作業(yè)、提高自動化服務(wù)水平[2].

施工擾動變化監(jiān)測目前常用的方法有兩種: 一是通過人工解譯提取擾動信息;二是基于多時相遙感影像,使用計算機遙感圖像處理技術(shù)獲取擾動信息[3-4].后者具有更高效率,應(yīng)用更廣泛.目前,已有大量使用遙感影像進(jìn)行變化檢測的研究.起初,針對中低分辨率影像的變化檢測大多在像素級開展研究,如直接比較法、變化向量分析法等[5].近年來,高分辨率遙感影像(以下簡稱高分辨影像)迅速發(fā)展,其具有更豐富的空間和紋理信息,但由于其存在光譜信息有限、光譜可變性等問題[6],導(dǎo)致使用傳統(tǒng)的像素級方法難以取得精確檢測結(jié)果.隨著面向?qū)ο髨D像分析方法的提出以及在高分辨影像變化檢測中的成功應(yīng)用,越來越多研究者聚焦于對象級變化檢測[7],如面向?qū)ο笞兓蛄糠治龇?object-oriented tri-temporal logic-verified change vector analysis,OB-CVA)的提出[8-11].OB-CVA通過對比不同時相影像對象間的光譜差值來識別變化程度,可利用較多特征和影像上下文信息.雖然OB-CVA在一定程度上提升了雙時相影像變化區(qū)域檢測上的精度,但應(yīng)用在多時相變化檢測中會存在嚴(yán)重累積誤差.為解決該問題,許多學(xué)者對此開展研究[12-13].如Du等[14]提出一種三時態(tài)邏輯驗證變化向量分析方法(tri-temporal logic-verified change vector analysis,TLCVA),該方法通過邏輯推理和判斷來識別CVA在多時相變化檢測中的錯誤,有效提升了變化區(qū)域檢測結(jié)果的準(zhǔn)確性,但其基于像素的檢測結(jié)果仍存在較多誤檢且破碎度高.此外,現(xiàn)有研究在獲取語義變化信息時,并未考慮生產(chǎn)建設(shè)擾動變化的特殊性,如施工期的生產(chǎn)建設(shè)區(qū)域的地表通常維持裸漏狀態(tài),易誤檢為未變化區(qū)域.

本研究目標(biāo)是使用多時相高分辨影像進(jìn)行生產(chǎn)建設(shè)項目土地覆蓋擾動監(jiān)測,特別是探索如何降低多時相變化檢測的累計誤差,進(jìn)而獲取精確的因施工建設(shè)造成的擾動變化類別信息.為解決上述問題,構(gòu)建一種基于OB-TLCVA的施工擾動變化監(jiān)測方法.首先使用OB-TLCVA獲取變化區(qū)域,然后結(jié)合使用隨機森林獲取的土地覆蓋分類結(jié)果,構(gòu)建施工擾動監(jiān)測規(guī)則,完成精細(xì)化的生產(chǎn)建設(shè)擾動監(jiān)測.相比OB-CVA、TLCVA等方法,本研究將面向?qū)ο髨D像分析技術(shù)與三時相邏輯分析相結(jié)合,可有效降低多時相施工擾動變化監(jiān)測結(jié)果的累積誤差,進(jìn)一步突出高分辨影像的紋理和空間特征,避免獨立像元的光譜差異對結(jié)果的影響.

1 研究區(qū)數(shù)據(jù)與研究方法

1.1 研究區(qū)與研究數(shù)據(jù)

圖1 研究區(qū)Fig.1 Study area

研究區(qū)位于福建省長汀縣北部(見圖1紅框區(qū)域),該區(qū)域包含道路、高鐵站、稀土工業(yè)園等類型的生產(chǎn)建設(shè)項目.根據(jù)長汀縣政府公布的近些年重大生產(chǎn)建設(shè)項目信息,獲取2016年11月5日、2018年2月15日和2019年9月28日的ZY-3衛(wèi)星影像.采用Gram-Schmidt方法將影像的全色和多光譜波段融合,對融合后的影像進(jìn)行地理配準(zhǔn)和相對輻射校正,并對疊加的三時相影像使用多分辨率分割算法進(jìn)行圖像分割.

1.2 研究方法

方法流程見圖2,包括基于OB-TLCVA的精細(xì)變化區(qū)域檢測和生產(chǎn)建設(shè)項目擾動類型識別兩部分.

圖2 施工擾動變化監(jiān)測流程圖Fig.2 Workflow of the proposed method for building change detection

其中變化區(qū)域檢測具體又分為兩步: 1) 基于三時相高分辨影像,使用OB-CVA獲取初始變化區(qū)域檢測結(jié)果;2) 利用三時相邏輯變化分析,在對象級檢驗初始結(jié)果的正確性,并基于隨機森林的后驗概率校正錯誤圖斑.對于生產(chǎn)建設(shè)項目擾動類型識別,首先使用隨機森林獲取各時相的土地覆蓋分類,進(jìn)而將分類結(jié)果與變化區(qū)域檢測結(jié)果結(jié)合,通過分類后比較方法獲取精細(xì)化的生產(chǎn)建設(shè)項目施工擾動信息.

1.2.1基于OB-TLCVA的變化區(qū)域檢測

1) 使用OB-CVA獲取初始變化區(qū)域檢測結(jié)果.OB-TLCVA的第一個步驟是構(gòu)建OB-CVA,獲取對象級的初始變化區(qū)域檢測結(jié)果.將2016、2018和2019年影像分別標(biāo)記為T1、T2、T3,為實現(xiàn)OB-CVA,首先使用多分辨率分割算法對疊加的T1、T2、T3影像分割來獲取圖像對象,然后采用對象所含像素的各波段灰度均值表示每個對象的特征向量,即

Xit1=[mt11i,…,mt14i]T

(1)

Xit2=[mt21i,…,mt24i]T

(2)

式中:t1、t2分別為兩個時期;mt11i,…,mt14i和mt21i,…,mt24i分別是t1、t2時期第i個對象波段的灰度均值.然后計算各個對象的變化向量,即

ΔXi=[Δm1i,…,Δm4i]T=[mt21i-mt11i,…,mt24i-mt14i]T

(3)

式中: Δm1i,…,Δm4i分別為第i個對象各波段灰度均值的差值;ΔXi包含了雙時相影像的光譜變化信息.構(gòu)建了對象的變化向量后計算變化向量的模,獲取基于對象的歸一化變化矢量強度圖,即

(4)

ΔCi越大表明對象i屬于變化對象的概率就越大.

最后對獲取的對象變化強度圖使用Otsu算法[15],以獲取不同時間段T12,T23,T13(T12是指2016年至2018年,T23指2018年至2019年,T13指2016年至2019年)的初始變化區(qū)域二值圖.

2) 基于三時相邏輯循環(huán)的錯誤圖斑檢測及校正.OB-TLCVA的第二個步驟是使用三時相邏輯循環(huán)和隨機森林來檢測、校正錯誤圖斑,以降低變化區(qū)域檢測結(jié)果的累計誤差.對于三時相影像,兩兩間通過OB-CVA方法獲取初步變化結(jié)果(CD12、CD23、CD13).結(jié)合影像獲取的時間順序和每個對象的兩種變化屬性(變化和未變化),為每個對象在三時相內(nèi)構(gòu)造8種閉合變化循環(huán),循環(huán)模式如圖3所示,其中3類循環(huán)邏輯是錯誤的(圖3中的C6、C7、C8).符合3個錯誤循環(huán)的對象,則可判定其某個雙時相的檢測結(jié)果存在錯誤.

圖3 三時相對象變化的循環(huán)模式Fig.3 Cyclic patterns of tri-temporal images change

獲取錯誤圖斑后,對錯誤圖斑校正.首先使用訓(xùn)練充分的隨機森林模型對所有對象進(jìn)行二分類,獲取變化和未變化的圖斑,該步驟可校正部分錯誤循環(huán).其次,對于隨機森林分類之后仍然錯誤的循環(huán),根據(jù)前一步獲取的每個對象的后驗概率進(jìn)行校正.考慮到循環(huán)中初始檢測結(jié)果,兩個節(jié)點同時發(fā)生變化檢測錯誤的可能性極低,因此只需調(diào)整一個節(jié)點的后驗概率即可.綜合考慮隨機森林分類獲取的變化和不變化的后驗概率,提出不確定性校正規(guī)則為

表1 不確定性校正示例

P=1-|Pc-Puc|

(5)

式中:Pc為對象變化的后驗概率;Puc為對象未變化的后驗概率;P代表不確定性,取值范圍為0～1,對不確定性最高的節(jié)點進(jìn)行校正.以研究區(qū)某一對象的后驗概率為例(見表1),根據(jù)不確定性校正規(guī)則需要調(diào)整T23節(jié)點.

1.2.2生產(chǎn)建設(shè)項目擾動類型識別

1) 基于隨機森林和三時相邏輯循環(huán)的土地覆蓋分類.使用隨機森林分類器將土地覆蓋類型分為: 林地、耕地、水體、不透水面、裸地和綠化措施.除了常見的5個土地覆蓋類型外,為了更好研究水保措施對生產(chǎn)建設(shè)項目水土流失的影響,增加了綠化措施類型(以護(hù)坡為主的水土保持措施).

首先選取各類樣本及樣本重要特征訓(xùn)練隨機森林模型,再根據(jù)影像人工修正,獲取精確的T3時相的對象級土地覆蓋分類圖.在此基礎(chǔ)上,使用已訓(xùn)練的隨機森林模型預(yù)測其他時相的土地覆蓋分類.為提升分類精度,根據(jù)三時相邏輯循環(huán)規(guī)律,在邏輯循環(huán)中未變化的對象,可以根據(jù)已知的T3參考分類圖,將T3的分類結(jié)果直接遷移到T1、T2時相的分類圖中.比如,圖3中的C1循環(huán)表示3個時相間均未發(fā)生變化,在C2循環(huán)內(nèi)T1與T3時相的土地覆蓋類別也應(yīng)保持一致.

2) 生產(chǎn)建設(shè)項目擾動變化規(guī)則構(gòu)建.將分類結(jié)果映射到精確的變化區(qū)域檢測結(jié)果上,然后使用分類后變化檢測方法,并通過構(gòu)建規(guī)則進(jìn)行施工監(jiān)測,包括5個規(guī)則.1) 新增: 非裸地(植被、水體、不透水面)→裸地;2) 續(xù)建: 裸地→裸地;3) 植被恢復(fù): 非植被(裸地、不透水面、水體)→植被;4) 完工硬化: 植被水體裸地→不透水面;5) 水保措施: 植被水體裸地→綠化措施.

1.2.3精度評價

為驗證本方法檢測精度,基于長汀縣野外實地考察積累的經(jīng)驗和人工目視解譯判別研究區(qū)影像,標(biāo)注不同時相間的變化區(qū)域參考圖和施工擾動變化參考圖.對比監(jiān)測結(jié)果和參考變化圖獲取精度混淆矩陣以計算漏檢率、錯檢率、F1(精確率和召回率的調(diào)和平均值,反映模型的穩(wěn)健性),對本方法進(jìn)行定量評估;通過生產(chǎn)者精度(PA)、用戶精度(UA)和卡帕系數(shù)(Kappa)來評定生產(chǎn)建設(shè)項目施工擾動變化類型的精度.

2 實驗結(jié)果與分析

2.1 OB-TLCVA變化檢測結(jié)果分析

OB-TLCVA的第一個步驟是使用OB-CVA獲取初始變化區(qū)域檢測結(jié)果.首先使用eCognition軟件中多分辨率分割算法對疊加的三時相ZY-3影像分割,將分割尺度設(shè)為80,形狀因子參數(shù)設(shè)為0.2.然后結(jié)合分割對象,使用OB-CVA獲取對象級歸一化變化矢量強度圖,再對變化矢量強度圖使用Otsu算法,獲得初始變化區(qū)域檢測結(jié)果.圖4展示了校正前后不同循環(huán)模式分布情況.

圖4 實驗區(qū)不同循環(huán)模式分布Fig.4 Distribution of different circulation patterns in the experimental area

循環(huán)模式以C1為主,而在C2～C8循環(huán)模式中(見圖4(a)),由于多個時相的累積誤差,錯誤循環(huán)占據(jù)了近50%(見圖4(b)).在隨機森林模型的訓(xùn)練上,為減少樣本庫構(gòu)建成本,制定自動樣本選擇策略: 將滿足在正確循環(huán)內(nèi)更改其變化屬性會導(dǎo)致循環(huán)邏輯錯誤條件的對象作為穩(wěn)定樣本,共選擇2 100個樣本,其中未變化和變化樣本比例為5∶2.并使用Gini指數(shù)法確定重要性最高的前10個特征(Band2、Band3、NDVI、StdDev3、NDWI、StdDe-v1、Brightness、Band1、Band4、GLCM_contrast),訓(xùn)練隨機森林模型,對變化與不變圖斑分類.然后根據(jù)不確定性校正規(guī)則校正仍然錯誤的循環(huán),校正后的循環(huán)分布模式如圖4(c)所示,錯誤循環(huán)顯著減少.

圖5展示了OB-TL和其他方法的變化區(qū)域檢測結(jié)果,OB-TL在視覺上取得了最佳檢測效果.表2更進(jìn)一步證明了OB-TLCVA的檢測精度最高,相比OB-CVA,F1平均提升了5.6%.在T12時段,OB-TLCVA檢測結(jié)果較其他方法檢測結(jié)果,錯檢率減少了20%,F1提高到0.7,提升近10%.而在T23時段,OB-TLCVA檢測結(jié)果的錯檢率控制在20%以下,同時漏檢率減少了4.42%,F1提高到15%.在T13時段,F1達(dá)到0.81.

2.2 面向生產(chǎn)建設(shè)項目土地覆蓋層面變化結(jié)果分析

結(jié)合OB-TLCVA獲取的變化區(qū)域和土地覆蓋分類結(jié)果,通過分類后比較獲取了三時相間施工擾動結(jié)果(見圖6).將變化結(jié)果與參考圖通過混淆矩陣進(jìn)行精度驗證,獲取了T12,T23,T13的施工變化監(jiān)測圖中各變化類別的UA值和PA值.表3為各時段施工變化類型檢測結(jié)果的精度評價,由表3可知,T12,T23,T13的施工擾動監(jiān)測結(jié)果各類別的UA值均在73%之上,總體精度分別為96.62%、94.90%、94.73%,Kappa系數(shù)接近0.9.新增、續(xù)建和水保措施的平均UA值分別為88.0%、92.0%、79.5%,平均PA值分別為80.1%、92.5%、78.7%.

表3 各時段施工變化類型精度評價表

對T12和T23時段的各施工變化類型的像元個數(shù)進(jìn)行統(tǒng)計,統(tǒng)計結(jié)果如圖7所示.自2016-2019年,研究區(qū)施工擾動變化以新增施工面積為主,占總變化面積近41%.生產(chǎn)建設(shè)項目的完工硬化面積和續(xù)建面積呈下降趨勢,完工硬化面積下降28.2%;而新增施工面積、水保措施和植被恢復(fù)面積呈逐年上升趨勢,水保措施面積增加近135%,植被恢復(fù)面積增加233.3%.

圖7 2016—2019年各類型變化統(tǒng)計圖Fig.7 Statistics change by type in 2016 to 2019

2.3 討論

本研究提出基于OB-TLCVA的變化檢測方法,在OB-CVA中引入三時相邏輯循環(huán)檢驗,并通過不確定性規(guī)則校正錯誤檢測結(jié)果,有效提升了變化檢測精度.在OB-TLCVA的變化檢測結(jié)果中,錯誤圖斑顯著減少,且對正確圖斑無影響,不會增加漏提.但由于不同時相影像間的季節(jié)差異,且變化類型較多,即使經(jīng)過預(yù)處理和邏輯校正,依舊存在錯檢漏檢現(xiàn)象.圖8展示了不同時相間主要的誤差分布細(xì)節(jié).由圖8可知,主要錯檢是因裸地在施工過程中地表屬性未發(fā)生變化,但光譜紋理發(fā)生變化,而造成同物異譜現(xiàn)象(T12).此外,還有一些施工區(qū)域生長的荒草枯萎后易與周邊的暗色的裸土混淆(T23).漏檢主要存在于道路施工,一方面是由于道路施工結(jié)束后兩側(cè)護(hù)坡及中間綠化帶植被恢復(fù),另一方面是道路的柏油路面光譜反射亮度較低,易與周邊植被混淆,整體與施工前較為相似.

圖8 不同時相間主要的誤差分布和細(xì)節(jié)呈現(xiàn)Fig.8 Major error distribution and detail presentation in tri-temporal images

在識別生產(chǎn)建設(shè)項目擾動類型上,本方法取得了較高的擾動類型識別精度,特別是新增、續(xù)建和水保措施.新增、續(xù)建和水保措施是實際生產(chǎn)建設(shè)項目擾動監(jiān)測的關(guān)鍵擾動類別,保證了本方法的實用性.但由于在施工期間擾動的裸地容易與不透水面混淆、水保措施易與植被區(qū)域混淆,導(dǎo)致基于規(guī)則的完工硬化和植被恢復(fù)變化類型在檢測過程中,二者精度較其他類別低,平均UA值分別為79.0%、85.4%,平均PA值分別為62.0%、67.7%.

造成變化區(qū)域漏檢誤檢以及部分?jǐn)_動類別識別精度較低的根本原因是: 高分辨影像具有較高的類內(nèi)變化和較低的類間變化.通過結(jié)合中等分辨率遙感影像的多個波段信息,以彌補高分辨影像的光譜有限性和易變性缺陷.增加類間差異,減少類內(nèi)差異,是提升完工硬化和植被恢復(fù)識別精度的有效途徑,也是下一步的研究重點.

此外,本研究通過兩個步驟來實現(xiàn)精細(xì)化擾動變化類別檢測: 1)獲取精確的變化區(qū)域檢測結(jié)果;2)獲取各時相土地覆蓋分類,并將其與變化區(qū)域結(jié)果結(jié)合.這是為了進(jìn)行有效的三時相邏輯循環(huán)檢驗及錯誤圖斑校正,若先進(jìn)行分類后變化檢測,再進(jìn)行邏輯檢驗,循環(huán)模式數(shù)量會成指數(shù)增加,難以實現(xiàn)錯誤圖斑的識別和校正.另外,考慮施工擾動變化監(jiān)測的特殊性,如果在對象級變化區(qū)域檢測結(jié)果上直接使用分類后變化檢測,這會造成變化類型的嚴(yán)重錯檢,尤其是續(xù)建工程區(qū)域.

3 結(jié)語

1) 本研究提出的OB-TLCVA方法較Pix-CVA和OB-CVA的漏檢率、錯檢率顯著降低,F1分?jǐn)?shù)最高可提升0.12,證明了加入面向?qū)ο髨D像分析技術(shù)以及三時相邏輯檢測的OB-TLCVA方法,可有效提升高分辨影像變化檢測的精確度和適用性.

2) 在OB-TLCVA獲取的精細(xì)變化區(qū)域的基礎(chǔ)上進(jìn)行施工擾動類型識別,三個時相的施工擾動類型變化中,新增、續(xù)建和水保措施的監(jiān)測結(jié)果準(zhǔn)確度較高.其中續(xù)建的平均生產(chǎn)者精度可達(dá)92.5%,新增、水保措施類型的生產(chǎn)者精度最高分別為90.21%、81.49%.證明OB-TLCVA為實現(xiàn)精細(xì)的施工擾動類型識別提供了數(shù)據(jù)基礎(chǔ).

3) 自2016—2019年,研究區(qū)內(nèi)新增施工、水土保持和植被恢復(fù)面積呈增長趨勢,而完工硬化面積呈減少趨勢.

以上結(jié)論表明本方法可以實現(xiàn)高分辨影像的精細(xì)化施工擾動監(jiān)測,在生產(chǎn)建設(shè)項目規(guī)劃和水土保持治理等實際應(yīng)用中具有較大的應(yīng)用潛力.