论文部分内容阅读
摘 要：快速、准确地检测出地物的变化信息是当前遥感应用领域的研究热点，也是技术难点问题。该文提出一种基于图斑空间位置关系的新型变化检测方法，该方法综合利用GIS矢量专题空间属性信息和遥感影像图斑模型信息，通过构建三层网络图斑层父类与子类之间空间拓扑关系，检测前期GIS矢量专题数据中地表资源变化图斑及未变图斑，并以检测出来的图斑作为模型学习样本点，优化未变图斑精度，进而快速定位变化图斑区域，减少人力变化图斑遍寻时间，指导后期精细化图斑变化信息检测。
关键词：变化检测 矢量专题 遥感影像 空间位置关系
中图分类号：P231 文献标识码：A 文章编号：1672-3791（2020）09（c）-0056-06
Abstract： It is a hot and difficult issue in remote sensing application field to accurately detect the objects change information. In this paper， a new change detection method based on the spatial location relationship of image objects is proposed. It is using the vector thematic layer and remote sensing image data to build three layer network diagram spots between parent and child spatial topological relations. and detect the change objects and unchange objects in early GIS vector objects that will be taken as model samples to optimize the accuracy of unchanged spot， and then locate the changed spot quickly， reduce the searching time of manual work， and improve the operation efficiency.
Key Words： Change detection; Vector thematic; Remote sensing image; Spatial location relationship
地表资源的变化检测是利用RS、GIS、GPS等相关技术，利用已有各种基础底图数据，对地表要素进行动态和定量化、空間化的监测，并分析其变化频率、变化量、变化趋势、空间分布特征、地域差异等，形成反映各类地表资源要素的分布与关系，支撑自然资源发展变化规律的研究和分析。近年来随着地理国情监测，生态保护红线的划定、监测，自然资源调查监测及离任审计[1-4]等相关工作的深入开展，利用高分辨率卫星遥感影像实时监测地表资源的变化情况愈发重要。传统的以人机交互为主的变化检测技术，由于需要大量的人工参与，效率低、周期长，已不能适应新形势的需要，如何快速地、自动地检测出地物的变化信息是当前遥感应用领域的热点和难点，也是推动遥感应用快速发展的突破口。随着云计算、大数据与深度学习技术的发展，变化检测从传统的基于遥感影像的人机交互监测技术逐步发展到综合利用多类型、多分辨率、多数据源的智能化、自动化监测技术，检测应用方法也从像素级、对象级发展到模型和知识学习类的领域。基于当前研究的现状，该文提出一种综合GIS和RS信息的组合变化检测方法，弥补单一方法的局限性，提高检测方法的普适性。该方法利用前期矢量专题数据和后期遥感影像数据，利用已有地表资源覆盖基础数据，根据地物图斑时间、空间位置的变化区域和未变区域信息，减少人力变化图斑遍寻时间，缩小监测范围，指导后期精细化图斑变化信息检测。
1 理论基础
遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其他辅助数据来确定和分析地表变化[5]。通常包含4个方面的内容：（1）判断是否发生变化;（2）变化位置的界定;（3）变化性质的鉴别;（4）变化的时空分布模式分析。其中，前两个内容是变化检测首要解决的基本问题。
根据变化检测的内容，变化检测技术难点主要集中在两个方面：一是变化位置的界定;二是变化性质的鉴别[6]。这两个方面相辅相成，而检测难度又逐步加大。变化性质的准确鉴别（地表资源分类）需要找到变化地物区别于临近地物、相似地物的独有的特征属性以及地类特征的阈值空间分布规律，建立地类分析模型，受遥感技术发展、监测需求内容、数据条件、地物空间分布复杂度、时间、天气、检测方法及观测者主观意向的不同，很难找到地物独有的特征属性[7]，进而归纳出一个通用性较强、准确度较高的检测方法。而变化位置的界定具有一定的通用性，地物图斑位置、边界等几何关系、纹理结构、光谱属性特征（颜色）、地物间的关联关系发生了改变即可判断为变化区域。
该文主要解决变化检测需要解决的基础问题，在不分类及不进行前后期光谱信息比对的情况下，基于多层图斑的继承、逻辑关系以及地类变化的外部特征表现做自动变化检测，见图1所示，一切改变的基础是地物空间属性的变化，并基于这种变化而导致的图斑本身特征属性的改变。当子层图斑类别属性发生变化的时候，必然导致图斑边界的变化，光谱属性的改变、纹理的改变、空间关联属性的改变、相邻地物对比关系的改变等。 1.1 遥感影像子层图斑重塑
子层图斑边界的探测与重塑是变化的核心技术，是一切变化的基础承载，是界定变化与未变化方向的指向所在。
该文子层图斑边界的划分以前期图斑边界作为基础底图和限制范围，综合当前影像数据信息承载精细度、地物纹理、光谱差异性、空间关联性及图斑异质性和同质性标准，基于后期影像，从最底层像素层数据开始，基于区域增长的分割算法，通过迭代聚拢的方式构建最基本的分割图斑单元，所形成的最小图斑具有异质性平均值最小化以及同质性平均值最大化的特点。利用最小图斑单元所具有的对象特征属性，考虑相邻图斑间光谱差异性以及图斑边界的优化对比度完善基本图斑数据，最大优化并重塑当前地物地理空间真实分布特性。
1.2 变化区域精细化检测
变化区域位置的检测包含两个阶段：第一阶段父层变化图斑位置的粗略检测;第二子层变化图斑的精细化检测。
当地物发生变化的时候，地物之间由于类别本身特性（光谱、几何、纹理、拓扑等）的不同，表现为影像上不同的地类边界属性。利用前期父层图斑及后期子层图斑的空间位置的变化，能够界定出父层图斑的变化区域、未变化区域，以及变化区域前期父层图斑的变化位置及子层图斑的拓扑关联性。
父层变化图斑不仅包含变化的地类，也可能包含未变化的地类，如何准确地从变化图斑里分离出未变化的地类，从而精细化变化区域位置是该文思考的另一个技术创新点，该文基于前期变化图斑和未变化图斑的基础上，借鉴模糊数学方法利用已有条件判定未知条件的概率性，从另一个角度思考变化概念：变化与未变化是相辅相成、互为补充的，变化的检测即为未变区域的检测。未变区域的检测又可理解为已知地类属性的检测，然已知地类的智能检测如前面文章描述需要找到地类独有的区别于其他类别的特征以及特征阈值空间分布，并转换为计算机能够认知和识别的地物客观描述，这是目前地物类别自动监测的难点和瓶颈[6-7]。该文避开地类分析研究难点，从地物客观真实存在而不是地物客观描述出发，采用神经网络学习方法对未变化图斑对应的图像数据做深层次学习，基于学习的特征灰度图结合模糊数学概率判断变化图斑位置。具体技术流程见图2示。
2 应用实践
2.1 数据概况
该文测试数据为广西藤县某区域数据，包括两类数据源：（1）前期2016年土地利用现状矢量专题数据，带有土地利用现状地类属性信息;（2）后期2017年8月北京二号0.8m遥感影像数据（21世纪空间技术应用股份有限公司提供），数据经过辐射定标、大气校正以及正射校正、数据配准等数据预处理。区域面积46km2，具有相同的投影坐标系统。矢量和影像的变化检测，减少了单一影像数据源由于时相和季节的不同而造成的伪变化图斑，但为了更好地区分不同的地表类型，增大地物之间的对比度，建议后期采用植被覆盖度较好的时相区间的影像数据。主要数据参数见表1。具体数据分布见图3、图4。
2.2 方法应用
2.2.1 图像对象层创建
该研究借助最早提出基于对象技术做智能化图像分析的主流商业软件eCognition，利用软件提供的图斑优化算法、深度学习方法和图斑对象层之间的拓扑关系等开发地类变化检测规则集。以林地区域变化检测为例介绍方法应用（其他地类的变化监测利用变化检测规则中设置循环图斑检测的方式实现）。主要构建3层地物图斑层，每一层的上层为其对应的父层。分别为第一层前期土地利用现状专题层（GIS LEVEL），主要存储前期2016年土地利用专题图斑类别;第二层变化层（CHANGE LEVEL），主要存储变化图斑信息;第三层为影像图斑层（IMAGE LEVEL），主要存储基于当前影像数据分布特征而创建的图斑图层。CHANGE LEVEL与GIS LEVEL具有相同的图斑边界结构。具体见图5。
2.2.2 变化图斑粗略检测
利用前后层图层空间拓扑关系（父层 CHANGE LEVEL，子层 IMAGE LEVEL）统计分析最大子层图斑面积比率，设置变化检测敏感因子a的数值。监测出的变化图斑存储在CHANGE LEVEL层。具体见图6。
2.2.3 细化变化区域发现
当检测出变化图斑的同时，会有一些未变化的地类图斑，这些未变化的图斑具有当前检测地类所有的特征属性，我们称之为种子点，这些种子点是后续图斑变化区域细化的关键所在，也是该文变化检查方法的延伸创新点：以未变监测变化，即，我们将变化监测的目标间接转换为未变化区域的检测，从而检测出变化区域。
对于未变区域的检测，该文主要利用卷积神经网络深度学习的方法对未变图斑数据做深层训练，生成未变地类独有的灰度图层特征，在这个灰度图像里包含了未变地类的概率属性，灰度值（亮度）越大，地类未变的可能性越高;反之，则变化的可能性越高。具体见图7。
利用未变地类与种子点的相似特征概率值检测出变化图斑的详细信息，包括位置、面积等地理空间信息。具体见图8。
2.3 精度评价
变化检测成果的准确性通过真实变化检测图斑与自动变化检测图斑做相应的比较。利用混淆矩阵方法对于林地、耕地、水域及城镇村及工矿用地4个主要地类变化区域做精度检测，样本检查点561个，整体精度79.8%，KIA精度74.3%。具体见图9到图11。
除城镇村变化外，其他地类变化检测精度达到80%以上。城镇村地类由于前期矢量数据将小区林草地作为城镇村的类别勾绘，后期高分辨率下建筑物之间对比明显，图斑切割破碎，检测效果并不理想。
3 结语
该文针对变化检测的基础需求，提出并应用了基于图斑空间位置关系的变化检测方法，该方法综合GIS精准空间属性和RS特征模型信息，快速定位变化区域。可用于在地表资源变化检测工作中辅助人工工程化变化检测，指导人工变化检测判断方向，为自然資源监测、审计等提供技术支持。该文对于建筑物等小尺度地物检测精度并不理想，后续将在该文研究基础上有针对性地细化研究，改善前后期图斑差异性太大造成的精度问题。
参考文献
[1] 王占强，詹庆明，汤硕华，等.地理国情监测在城市建设用地规划评估中的应用研究[J].测绘地理信息，2019，44（4）：23-26.
[2] 冯春，郭建宁，闽祥军，等.土地利用/土地覆盖遥感变化检测方法新进展[J].遥感信息，2006（3）：81-85.
[3] 牛志春，侍昊，李旭文，等.基于遥感技术的生态保护红线区域监测与评价——以盐城沿海地区为例[J].环境监控与预警，2017（2）：10-13，44.
[4] 周军其，叶勤，邵永社.遥感原理与应用[M].武汉：武汉大学出版社，2014：256-258.
[5] 李德仁.利用遥感影像进行变化检测[C]//海峡两岸测绘发展研讨会.2004.
[6] 周启鸣.多时相遥感影像变化检测综述[J].地理信息世界，2011，9（2）：28-33.
[7] 吴海平，黄世存.基于深度学习的新增建设用地信息提取试验研究——全国土地利用遥感监测工程创新探索[J].国土资源遥感，2019，31（4）：159-166.
[8] 刘科尧，李东，程越，等.遥感技术在农村土地资源规划中的应用[J].科技创新与应用，2019（21）：23-24.
[9] 谢福鼎，赫佳妮，郑宏亮.半监督离散势理论在遥感影像变化检测中的应用[J].测绘通报，2019（8）：54-58.
[10] Mankos I，Schneider T，Ammer U.A Comparison Between the Isodata and the Ecognition Classification Methods on Basis of Field Data[C]//International Society for Photogrammetry and Remote Sensing.2000：133-139.
关键词：变化检测 矢量专题 遥感影像 空间位置关系
中图分类号：P231 文献标识码：A 文章编号：1672-3791（2020）09（c）-0056-06
Abstract： It is a hot and difficult issue in remote sensing application field to accurately detect the objects change information. In this paper， a new change detection method based on the spatial location relationship of image objects is proposed. It is using the vector thematic layer and remote sensing image data to build three layer network diagram spots between parent and child spatial topological relations. and detect the change objects and unchange objects in early GIS vector objects that will be taken as model samples to optimize the accuracy of unchanged spot， and then locate the changed spot quickly， reduce the searching time of manual work， and improve the operation efficiency.
Key Words： Change detection; Vector thematic; Remote sensing image; Spatial location relationship
地表资源的变化检测是利用RS、GIS、GPS等相关技术，利用已有各种基础底图数据，对地表要素进行动态和定量化、空間化的监测，并分析其变化频率、变化量、变化趋势、空间分布特征、地域差异等，形成反映各类地表资源要素的分布与关系，支撑自然资源发展变化规律的研究和分析。近年来随着地理国情监测，生态保护红线的划定、监测，自然资源调查监测及离任审计[1-4]等相关工作的深入开展，利用高分辨率卫星遥感影像实时监测地表资源的变化情况愈发重要。传统的以人机交互为主的变化检测技术，由于需要大量的人工参与，效率低、周期长，已不能适应新形势的需要，如何快速地、自动地检测出地物的变化信息是当前遥感应用领域的热点和难点，也是推动遥感应用快速发展的突破口。随着云计算、大数据与深度学习技术的发展，变化检测从传统的基于遥感影像的人机交互监测技术逐步发展到综合利用多类型、多分辨率、多数据源的智能化、自动化监测技术，检测应用方法也从像素级、对象级发展到模型和知识学习类的领域。基于当前研究的现状，该文提出一种综合GIS和RS信息的组合变化检测方法，弥补单一方法的局限性，提高检测方法的普适性。该方法利用前期矢量专题数据和后期遥感影像数据，利用已有地表资源覆盖基础数据，根据地物图斑时间、空间位置的变化区域和未变区域信息，减少人力变化图斑遍寻时间，缩小监测范围，指导后期精细化图斑变化信息检测。
1 理论基础
遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其他辅助数据来确定和分析地表变化[5]。通常包含4个方面的内容：（1）判断是否发生变化;（2）变化位置的界定;（3）变化性质的鉴别;（4）变化的时空分布模式分析。其中，前两个内容是变化检测首要解决的基本问题。
根据变化检测的内容，变化检测技术难点主要集中在两个方面：一是变化位置的界定;二是变化性质的鉴别[6]。这两个方面相辅相成，而检测难度又逐步加大。变化性质的准确鉴别（地表资源分类）需要找到变化地物区别于临近地物、相似地物的独有的特征属性以及地类特征的阈值空间分布规律，建立地类分析模型，受遥感技术发展、监测需求内容、数据条件、地物空间分布复杂度、时间、天气、检测方法及观测者主观意向的不同，很难找到地物独有的特征属性[7]，进而归纳出一个通用性较强、准确度较高的检测方法。而变化位置的界定具有一定的通用性，地物图斑位置、边界等几何关系、纹理结构、光谱属性特征（颜色）、地物间的关联关系发生了改变即可判断为变化区域。
该文主要解决变化检测需要解决的基础问题，在不分类及不进行前后期光谱信息比对的情况下，基于多层图斑的继承、逻辑关系以及地类变化的外部特征表现做自动变化检测，见图1所示，一切改变的基础是地物空间属性的变化，并基于这种变化而导致的图斑本身特征属性的改变。当子层图斑类别属性发生变化的时候，必然导致图斑边界的变化，光谱属性的改变、纹理的改变、空间关联属性的改变、相邻地物对比关系的改变等。 1.1 遥感影像子层图斑重塑
子层图斑边界的探测与重塑是变化的核心技术，是一切变化的基础承载，是界定变化与未变化方向的指向所在。
该文子层图斑边界的划分以前期图斑边界作为基础底图和限制范围，综合当前影像数据信息承载精细度、地物纹理、光谱差异性、空间关联性及图斑异质性和同质性标准，基于后期影像，从最底层像素层数据开始，基于区域增长的分割算法，通过迭代聚拢的方式构建最基本的分割图斑单元，所形成的最小图斑具有异质性平均值最小化以及同质性平均值最大化的特点。利用最小图斑单元所具有的对象特征属性，考虑相邻图斑间光谱差异性以及图斑边界的优化对比度完善基本图斑数据，最大优化并重塑当前地物地理空间真实分布特性。
1.2 变化区域精细化检测
变化区域位置的检测包含两个阶段：第一阶段父层变化图斑位置的粗略检测;第二子层变化图斑的精细化检测。
当地物发生变化的时候，地物之间由于类别本身特性（光谱、几何、纹理、拓扑等）的不同，表现为影像上不同的地类边界属性。利用前期父层图斑及后期子层图斑的空间位置的变化，能够界定出父层图斑的变化区域、未变化区域，以及变化区域前期父层图斑的变化位置及子层图斑的拓扑关联性。
父层变化图斑不仅包含变化的地类，也可能包含未变化的地类，如何准确地从变化图斑里分离出未变化的地类，从而精细化变化区域位置是该文思考的另一个技术创新点，该文基于前期变化图斑和未变化图斑的基础上，借鉴模糊数学方法利用已有条件判定未知条件的概率性，从另一个角度思考变化概念：变化与未变化是相辅相成、互为补充的，变化的检测即为未变区域的检测。未变区域的检测又可理解为已知地类属性的检测，然已知地类的智能检测如前面文章描述需要找到地类独有的区别于其他类别的特征以及特征阈值空间分布，并转换为计算机能够认知和识别的地物客观描述，这是目前地物类别自动监测的难点和瓶颈[6-7]。该文避开地类分析研究难点，从地物客观真实存在而不是地物客观描述出发，采用神经网络学习方法对未变化图斑对应的图像数据做深层次学习，基于学习的特征灰度图结合模糊数学概率判断变化图斑位置。具体技术流程见图2示。
2 应用实践
2.1 数据概况
该文测试数据为广西藤县某区域数据，包括两类数据源：（1）前期2016年土地利用现状矢量专题数据，带有土地利用现状地类属性信息;（2）后期2017年8月北京二号0.8m遥感影像数据（21世纪空间技术应用股份有限公司提供），数据经过辐射定标、大气校正以及正射校正、数据配准等数据预处理。区域面积46km2，具有相同的投影坐标系统。矢量和影像的变化检测，减少了单一影像数据源由于时相和季节的不同而造成的伪变化图斑，但为了更好地区分不同的地表类型，增大地物之间的对比度，建议后期采用植被覆盖度较好的时相区间的影像数据。主要数据参数见表1。具体数据分布见图3、图4。
2.2 方法应用
2.2.1 图像对象层创建
该研究借助最早提出基于对象技术做智能化图像分析的主流商业软件eCognition，利用软件提供的图斑优化算法、深度学习方法和图斑对象层之间的拓扑关系等开发地类变化检测规则集。以林地区域变化检测为例介绍方法应用（其他地类的变化监测利用变化检测规则中设置循环图斑检测的方式实现）。主要构建3层地物图斑层，每一层的上层为其对应的父层。分别为第一层前期土地利用现状专题层（GIS LEVEL），主要存储前期2016年土地利用专题图斑类别;第二层变化层（CHANGE LEVEL），主要存储变化图斑信息;第三层为影像图斑层（IMAGE LEVEL），主要存储基于当前影像数据分布特征而创建的图斑图层。CHANGE LEVEL与GIS LEVEL具有相同的图斑边界结构。具体见图5。
2.2.2 变化图斑粗略检测
利用前后层图层空间拓扑关系（父层 CHANGE LEVEL，子层 IMAGE LEVEL）统计分析最大子层图斑面积比率，设置变化检测敏感因子a的数值。监测出的变化图斑存储在CHANGE LEVEL层。具体见图6。
2.2.3 细化变化区域发现
当检测出变化图斑的同时，会有一些未变化的地类图斑，这些未变化的图斑具有当前检测地类所有的特征属性，我们称之为种子点，这些种子点是后续图斑变化区域细化的关键所在，也是该文变化检查方法的延伸创新点：以未变监测变化，即，我们将变化监测的目标间接转换为未变化区域的检测，从而检测出变化区域。
对于未变区域的检测，该文主要利用卷积神经网络深度学习的方法对未变图斑数据做深层训练，生成未变地类独有的灰度图层特征，在这个灰度图像里包含了未变地类的概率属性，灰度值（亮度）越大，地类未变的可能性越高;反之，则变化的可能性越高。具体见图7。
利用未变地类与种子点的相似特征概率值检测出变化图斑的详细信息，包括位置、面积等地理空间信息。具体见图8。
2.3 精度评价
变化检测成果的准确性通过真实变化检测图斑与自动变化检测图斑做相应的比较。利用混淆矩阵方法对于林地、耕地、水域及城镇村及工矿用地4个主要地类变化区域做精度检测，样本检查点561个，整体精度79.8%，KIA精度74.3%。具体见图9到图11。
除城镇村变化外，其他地类变化检测精度达到80%以上。城镇村地类由于前期矢量数据将小区林草地作为城镇村的类别勾绘，后期高分辨率下建筑物之间对比明显，图斑切割破碎，检测效果并不理想。
3 结语
该文针对变化检测的基础需求，提出并应用了基于图斑空间位置关系的变化检测方法，该方法综合GIS精准空间属性和RS特征模型信息，快速定位变化区域。可用于在地表资源变化检测工作中辅助人工工程化变化检测，指导人工变化检测判断方向，为自然資源监测、审计等提供技术支持。该文对于建筑物等小尺度地物检测精度并不理想，后续将在该文研究基础上有针对性地细化研究，改善前后期图斑差异性太大造成的精度问题。
参考文献
[1] 王占强，詹庆明，汤硕华，等.地理国情监测在城市建设用地规划评估中的应用研究[J].测绘地理信息，2019，44（4）：23-26.
[2] 冯春，郭建宁，闽祥军，等.土地利用/土地覆盖遥感变化检测方法新进展[J].遥感信息，2006（3）：81-85.
[3] 牛志春，侍昊，李旭文，等.基于遥感技术的生态保护红线区域监测与评价——以盐城沿海地区为例[J].环境监控与预警，2017（2）：10-13，44.
[4] 周军其，叶勤，邵永社.遥感原理与应用[M].武汉：武汉大学出版社，2014：256-258.
[5] 李德仁.利用遥感影像进行变化检测[C]//海峡两岸测绘发展研讨会.2004.
[6] 周启鸣.多时相遥感影像变化检测综述[J].地理信息世界，2011，9（2）：28-33.
[7] 吴海平，黄世存.基于深度学习的新增建设用地信息提取试验研究——全国土地利用遥感监测工程创新探索[J].国土资源遥感，2019，31（4）：159-166.
[8] 刘科尧，李东，程越，等.遥感技术在农村土地资源规划中的应用[J].科技创新与应用，2019（21）：23-24.
[9] 谢福鼎，赫佳妮，郑宏亮.半监督离散势理论在遥感影像变化检测中的应用[J].测绘通报，2019（8）：54-58.
[10] Mankos I，Schneider T，Ammer U.A Comparison Between the Isodata and the Ecognition Classification Methods on Basis of Field Data[C]//International Society for Photogrammetry and Remote Sensing.2000：133-139.