1、测 绘 通 报 年 第 期引文格式：王本礼，王也，唐先龙，等 遥感影像变化图斑智能化提取平台研发与应用 测绘通报，（）：遥感影像变化图斑智能化提取平台研发与应用王本礼，王 也，唐先龙，董胜光，（湖南省第二测绘院，湖南 长沙；自然资源湖南省卫星应用技术中心，湖南 长沙；自然资源部南方丘陵区自然资源监测监管重点实验室，湖南 长沙）摘要：遥感影像变化图斑智能化提取是自然资源动态监测工作的基础。本文简述了遥感影像变化检测技术演进历程及特点，提出同时使用、和孪生神经网络 种深度学习算法，设计了集“影像预处理、智能提取、协同筛查”于一体的遥感影像变化图斑智能化提取平台，并详细阐述了各功能模块设计思路。实践
2、表明，融合 种深度学习算法有利于解决单一深度学习网络模型改造难度较大、适用范围有限等难题，有效提升了遥感影像变化检测的查全率，工作效率比目视解译提升超过 倍。研究成果已在湖南省自然资源“”卫星监测工作中广泛应用。关键词：深度学习；变化检测；孪生神经网络；遥感监测；自然资源监测中图分类号：文献标识码：文章编号：（），（，；，；，）：，“，”，“”：；遥感影像变化检测是利用不同时期同一地表区域的遥感影像数据分析地物变化的过程。学术界提出了一系列遥感影像变化检测的算法，大部分算法仅能在特定场景中取得较好精度，且存在适用性不强、操作烦琐等问题，在实际项目中倾向于使用传统的目视解译技术。在全省性大范围、
3、高频次的自然资源监测工作中，目视解译技术费时费力工作效率低的弊端逐渐被放大，无法满足自然资源调查监测的时间和成本要求，正如陈军院士所说“当前自然资源调查监测生产实践面临着信息提取的自动化程度不高、智能化水平偏低等突出问题”。深度学习（，）是当前人工智能（，）领域研究的热点，国内外学者进行了大量的探索试验，涌现了一些优秀的深度学习网络模型，已在数据挖掘、图像处理等领域取得了较好的成果，但在遥感影像应用领域收稿日期：基金项目：湖南省自然资源科技计划（；）作者简介：王本礼（），男，高级工程师，主要从事国土空间规划与自然资源调查监测研究与工程实践。：通信作者：王 也。：年 第 期王本礼，等：遥感影像变
4、化图斑智能化提取平台研发与应用仍未诞生一种能满足全场景的变化检测算法模型。本文针对单一深度学习网络模型面对众多遥感影像的泛化能力有限的局限性，引入多种深度学习算法进行遥感影像变化图斑的智能提取，结合目视解译对智能提取的变化图斑进行核查和确认，以期解决智能提取时准确率低、后期编辑处理工作量大等一系列问题，大幅度提升遥感影像变化检测的工作效率。为提升湖南省自然资源治理能力和治理体系现代化水平，推进全国第一批自然资源调查监测技术体系构建试点工作。自 年开始，湖南省开展“”自然资源卫星监测工作，每月对全省域进行影像比对提取变化区域，其中“”指常规监测，动态掌握国土利用变化情况；“”指专题监测，目前包括
5、违法用地、耕地数量、农民建房、非法采矿、生态保护红线、永久基本农田、城镇开发边界、补充耕地等 余项监测。为有效支撑湖南省“”自然资源卫星监测体系构建，研究构建面向工程化应用的遥感影像变化图斑智能提取平台。遥感影像变化检测技术发展及选择遥感影像变化检测技术伴随着遥感影像分辨率的提高、技术的演进、人工智能的崛起发展变化，大致经历 个阶段：基于像素的变化检测阶段。像素之间简单的代数运算，易受气候、云雾、影像校准等因素干扰，提取的精度差。通过支持向量机、随机森林等机器学习算法提取特征信息检测阶段。需针对每个特定场景人工进行特征建模，存在适用面有限的问题。面向对象的变化检测阶段。将前后两期遥感影像分割为
6、不同的检测对象，融入了光谱和空间信息，对象分割精度影响最终的变化检测结果，因季节变化容易出现较多的误提图斑。基于深度学习的变化检测阶段。通过深层神经元，其具备强大的特征提取和表达能力，能更好地处理遥感影像丰富的空间和光谱信息，当前仍处于探索试验阶段。选择合适的深度学习算法成了应用的难点，样本的丰富程度成为制约遥感影像变化检测的重要因素。.深度学习网络模型选择深度学习是一种由数据驱动的人工智能算法，通过自我学习自动找到最佳的特征提取方法。目前常用于变化检测的深度学习网络模型主要有基于 的 系列、孪生神经网络，以及基于基础网络模型的调优和变种。是文献通过引入残差网络模型，解决深度学习网络模型随着层
7、级增加而出现的模型退化问题，使得深层级特征能够保留下来，拥有强大的特征提取能力，为了应用在变化检测中，通过增加全卷积神经网络，衍生出 系列网络模型。基于全卷积神经网络，具备特征信息的跳跃式连接，原始影像的特征能够保留并传递到网络的后端，解决了特征图池化过程中丢失的特征信息，也可以使用少量样本数据训练出好的模型。孪生神经网络具有强大的差异提取能力，通过权重相同结构、共享权值的网络结构，在同一特征空间对两个输入特征向量进行距离计算。随着全卷积神经网络提出，学者们通过优化或设计新的网络模型提高变化检测的精度，如文献 通过改进 网络模型提升了建筑物变化检测精度，但仍然存在特征分辨率降低、场景解析任务等
8、问题有待解决。设计一种能够兼容湖南省丘陵、盆地、平原多地形，多种卫星遥感载荷，季节更替等复杂场景的深度学习算法非常困难，且现阶段学术界对于如何确定深度学习网络结构的层级数量，还缺乏有效的理论指导，通常需要试验和经验，做出最佳选择。为弥补单一网络模型的局限性，提升遥感影像变化检测的查全率，本文拟同时选用 衍生的、和孪生神经网络 种在业界应用较多的深度学习网络模型，分别对两期遥感影像进行变化检测，并对结果取并集得到最终检测结果。.深度学习样本采集与模型训练深度学习需要海量的样本数据，样本的丰富程度很大程度影响深度学习的效果。样本是一个标记好特征及标签的个体，由多个样本组成的集合称为样本数据集。在建
9、立样本数据集时，每一种地类的分布情况和表现形式应有典型代表性，样本勾绘时应保持地物边界的真实性和样本分布的均匀性。本文选取湖南省涵盖丘陵、盆地、平原不同区域、不同季节、不同载荷数据源作为样本，通过人工目视解译提取的两期遥感影像的矢量变化图斑，形成像素大小为 的样本组，尺寸不足时用零值填充，样本如图 所示，每组样本可包含多个变化区域。样本数据包含影像瓦片和标签瓦片两部分，其中影像瓦片为按标准大小裁切后包含变化前后的影像数据；标签瓦片为区分影像瓦片中变化区域与非变化区域的二值化栅格数据，变化区域像素值为，非变化区域为。测 绘 通 报 年 第 期图 样本数据示例在深度学习网络模型训练之前对样本进行
10、对比变换和空间几何变换，实现样本增强，提升模型的抗干扰和泛化能力。样本训练是持续优化深度学习模型参数，本文采取逐步优化、多批次样本训练方法。前期采用人工目视解译提取的矢量变化图斑和相匹配的前后期遥感影像作为样本，经过一轮训练获得初始模型，应用到全省遥感影像变化检测的业务场景，经人工筛选智能化提取的图斑，去掉误提取图斑，再补充人工目视解译新增的变化图斑，以此再作为输入样本进行训练，循环往复进行样本训练，直至深度学习智能提取的查全率与人工目视解译效果相当。遥感影像变化图斑智能提取平台构建综合应用、微服务、分布式计算等新一代 技术，遵循“高内聚、低耦合”软件开发思想，通过基于 协议簇的接口进行相互通
11、信，形成具备硬件资源并行调度、影像预处理、智能提取、在线筛查等功能模块自动化生产作业平台，实现影像自动变化检测，筛查后输出变化检测结果。系统各模块示意图如图 所示。图 遥感影像变化图斑智能提取平台架构.遥感影像预处理模块设计与研发卫星遥感影像数据生产由多个单位共同承担，各单位在数据生产中存在生产标准理解不一致或者执行不到位而导致的影像数据坐标系统、文件命名等不一致问题，因此有必要设计遥感影像预处理模块，在遥感影像输入至深度学习智能提取模块之前，对两期影像的坐标系统、分辨率进行检查和预处理。该模块基于开源的地理空间数据抽象库（，）实现，确保了多期遥感影像空间参考信息的一致性，还能根据行政区代码自
12、动关联前后期影像，免去建立影像之间对应关系的烦琐操作。.遥感影像变化图斑自动提取模块设计与研发如何高效地对全省遥感影像进行任务分配和调度，解决单幅遥感影像过大而导致的显存不够等一系列技术细节问题。本文借鉴 大数据计算框架的“分而治之，迭代汇总”思想，将整块的遥感影像数据分割为固定尺寸的小块，分配到不同的深度学习单元上进行分布式并行分析。深度学习推理模块收到计算请求后，经推理分析输出包含变化程度置信率值的栅格图，待分割后的所有小块计算完毕后，将置信率栅格图进行合并，进行栅格转矢量操作形成最终的矢量成果。种深度学习网络模型均在对同一区域遥感影像计算完成后，对矢量成果进行去重合并，求取变化区域的并集
13、。.多用户协同的图斑在线筛查模块设计与研发在当前技术水平下，基于深度学习的遥感影像智能提取技术无法做到正确率达到，需要一 年 第 期王本礼，等：遥感影像变化图斑智能化提取平台研发与应用种快速且高效的对已提取的变化图斑进行筛选的方式，本文研发了基于 的多用户协同在线筛查模块。基于文献提出的分布式存储和空间填充曲线技术，实现遥感影像分布式快速入库、影像服务自动发布，加快矢量和影像数据的浏览速度，操作界面上实现了左右两屏分别加载前后时相和变化图斑的在线地图服务，以及用于参考的土地利用现状、审批红线等数据，技术员仅需左右方向键即可完成变化图斑的正确与否筛查。该模块将图斑边界编辑、属性赋值、质量检查等传
14、统桌面端工作全部搬到“浏览器”端，工作底图采用在线调用服务方式，省去影像底图数据拷贝流转耗费的时间，以及人工寻找变化图斑位置、两期影像卷帘切换等操作。经过实践对比，本文方法较采用传统桌面地理信息软件的卷帘模式效率高出数倍，每人每天可完成 万个变化图斑在线筛查。在线筛查图斑程序界面如图 所示。图 在线筛查模块界面.硬件资源调度模块设计与研发遥感影像变化图斑智能提取实现，一方面依靠深度学习算法的突破，另一个方面依靠算力资源的保障。深度学习是资源密集型程序，需要足够的 服务器作为保障，同时确保各服务器之 间 灵 活 横 向 扩 展 能 力。选 择 业 界 常 用 作为调度平台，提升服务器硬件资源的利
15、用率，也降低后期运维的管理成本，将影像预处理、智能提取、深度学习网络模型、影像服务发布等功能模块以微服务的方式进行封装，打包为 镜像，通过 将功能模块在不同的硬件服务器灵活迁移调度，发挥微服务的可扩展性、可升级性、技术异质性等优点，实现了硬件资源的高效利用。平台测试运行效果与分析将平台全面应用到湖南省全省“”自然资源卫星监测工作中，主要配置信息见表。表 硬件配置类型数量台配置深度学习服务器：颗主频.，核心数 内存：图形计算卡：块 深度学习工作站：主频.，核心数 内存：图形计算卡：应用服务器：颗主频.，核心数 内存：在 万组样本支撑下，应用该平台在 和 年分别提取了约 万和 万个 以上的变化图斑
16、，高效地支撑了湖南省卫星遥感监测变化，全省变化图斑提取工作效率提升超过 倍，整体的正确率约，变化检测查全率达。采用湖南省 年 月与 年 月两期 分辨率影像进行测试，如果仅用一种模型时，存在较多小面积变化区域漏检的情况，增加使用 衍生的 能够有效避免小面积图斑的漏检，同时采用 种模型提取变化图斑，有助于提升变化检测精度，降低遗漏率。种深度学习变化图斑智能提取的结果见表。表 变化检测提取统计个类型总图斑数正确图斑数孪生神经网络 去重合并 测试运行结果还表明平台同时适用于卫星影像、无人机航摄影像及铁塔视频等多源数据，立足样本库同时支持基于卫星遥感影像的变化图斑智能提取、基于卫星遥感影像的典型地物自动识别和基于铁塔视频数据的疑似违法行为识别，平台提取图斑存在遗漏和伪变化，运行效果与样本训练、硬件资源支撑密切相关，对于重点地区建议辅以传统目视解译方法，具体如下。（）样本训练。实践中存在较多因云层、阴影、水面涨落、季节更替等干扰因素而出现虚检图斑，在深度学习网络模型不进行大改动和优化的前提下，样本训练能够短期内快速提升智能提取的结果的准确率。通过收集和制作对应错误类型的样本数据，加强对模型的训练和
