李晶晶，邢 鵬，屈鴻鈞，杜鳳蘭

（1.二十一世紀空間技術(shù)應用股份有限公司，北京 100096；2.二十一世紀（廣州）空間技術(shù)應用有限公司，廣東 廣州 510640）

為積極促進節(jié)約集約用地，確保已供土地合理開發(fā)利用，需做好土地供后監(jiān)管工作。其中，已供國有建設用地開發(fā)建設情況的狀態(tài)監(jiān)測是土地供后監(jiān)管的一項重要內(nèi)容[1]。遙感影像以覆蓋面積大、獲取周期短的優(yōu)勢被廣泛應用于變化檢測[2]。高分辨率遙感影像具有空間細節(jié)清晰、豐富的特點，適用于檢測特定地物（如建筑物）的變化[3]，為建設用地變化檢測提供了良好的契機與條件。

針對基于遙感影像的建設用地變化檢測方法，早期學者多采用傳統(tǒng)機器學習算法，如李悅[4]等結(jié)合舊時期土地利用矢量數(shù)據(jù)，采用隨機森林和模糊C均值聚類方法提取了建設用地變化信息；Gamanya R[5]等以Landsat TM/ETM多時相遙感影像為數(shù)據(jù)源，采用基于模糊邏輯的面向?qū)ο笞詣臃诸惙椒ㄌ崛×私虬筒柬f哈拉雷地區(qū)的建筑物目標；裴艷艷[6]等以Landsat TM/OLI遙感影像序列為數(shù)據(jù)源，采用CART分類方法分析了建設用地的變化情況；劉紅超[7]等以Landsat8-OLI影像為數(shù)據(jù)源，提出了一種基于土地覆蓋類型特征自適應確定閾值的遙感影像變化檢測方法。上述機器學習方法是單一尺度的面向?qū)ο蠓椒?，適用于目標地物尺度接近的情況，否則將存在過分割或不完全分割的情況[8]，導致提取結(jié)果中大尺寸地物過于破碎或小尺寸地物漏提。近年來深度學習技術(shù)得到快速發(fā)展，逐步應用于遙感影像建筑物變化檢測領(lǐng)域，如吳海平[9]等結(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用地進行了自動提取，深度學習技術(shù)在新增建設用地變化提取方面具有更高的適用性和實用性；顧煉[10]等基于高分辨率遙感影像，采用FlowS-Unet深度學習方法實時、準確地檢測區(qū)域內(nèi)新建與擴建的建筑物；張翠軍[11]等改進了U-Net模型，將變化檢測問題轉(zhuǎn)化為像素級二分類問題，提高了遙感圖像檢測建筑物變化的精度。然而，深度學習方法需具有足夠數(shù)量的提取目標標注樣本，且難以充分利用專家先驗知識、遙感成像機理、遙感影像附載的地理學知識等解譯知識[12]。本文提取的目標為新增建設用地，相較于其他建筑類型，建設用地在不同開發(fā)階段呈現(xiàn)不同的形狀、光譜、紋理特征，尤其在高分辨率遙感影像上，建設用地類型多樣，小建筑物多且破碎，而且可用的樣本集不多，傳統(tǒng)機器學習和深度學習方法不適用于該類新增建設用地的提取。

鑒于此，本文提出了一種多層級雙尺度的新增建設用地自動提取方法。該方法根據(jù)建設用地在各開發(fā)階段的不同特征和類型，建立了新增建設用地類型層級，并選擇不同尺度進行影像分割，從而通過不同分割尺度提升新增建設用地的提取精度。本文以北京二號遙感影像為實驗數(shù)據(jù)，通過比較本文方法與兩種單尺度決策分類樹方法的提取結(jié)果精度，驗證本文方法的有效性。

1 研究區(qū)概況與數(shù)據(jù)來源

研究區(qū)位于廣東省中山市板芙鎮(zhèn)，地理范圍為22°23′～22°24′N、113°17′～113°18′E，區(qū)域內(nèi)地物類型包括建筑、水面、草地、道路、裸地等。實驗采用的影像數(shù)據(jù)由北京二號衛(wèi)星分別于2020年4月和2021年4月拍攝，空間分辨率為0.8 m，包括Blue（B）、Green（G）、Red（R）、Near Infrared（NIR）4個波段，位數(shù)為16 bit，實驗區(qū)域大小為2 480×3 180像元。該實驗區(qū)域按照R、G、B波段順序合成的影像如圖1所示，數(shù)據(jù)已完成幾何校正、輻射校正、勻光勻色等處理，滿足遙感智能解譯的要求，圖1a為變化前影像，即前時相影像，圖1b為變化后影像，即后時相影像。此外，以人工提取結(jié)果為基準進行精度評價，人工提取結(jié)果由生產(chǎn)人員參考本文構(gòu)建的新增建設用地類型層級和指定的上圖面積，采用GIS軟件人工勾畫生成，經(jīng)質(zhì)檢合格。

圖1 研究區(qū)遙感影像

2 研究方法

本文提出的多層級雙尺度方法是采用面向?qū)ο蟮闹苯颖容^方法，根據(jù)新增建設用地的特征構(gòu)建決策分類樹進行分層信息提取。其具體思路為：①分析新增建設用地的特征，建立新增建設用地的類型層級；②分別選擇適合各類新增建設用地的分割尺度，并對兩幅影像同時進行分割，生成對應的影像對象層；③結(jié)合各類新增建設用地的特點，構(gòu)建多特征約束的提取規(guī)則，實現(xiàn)不同分割尺度下的新增建設用地提取；④以人工提取結(jié)果為基準數(shù)據(jù)，進行精度評價。具體提取流程如圖2所示。

圖2 新增建設用地提取流程圖

2.1 新增建設用地的類型層級構(gòu)建

已供建設用地開發(fā)狀態(tài)一般可分為場地平整、基礎(chǔ)施工、地上主體開建和主體封頂4個階段。根據(jù)研究區(qū)兩期北京二號遙感影像上新增建設用地的特征，結(jié)合已供建設用地開發(fā)狀態(tài)的監(jiān)測需求，同時便于新增建設用地自動提取規(guī)則的特征描述，本文采用多層級方式提取新增建設用地，將新增建設用地作為一級類型，將新增彩鋼房、新增高亮構(gòu)筑物或硬化地面、綠地變裸地3類作為二級類型，將新增彩鋼房再細分為新增紅色彩鋼房和新增藍色彩鋼房，如表1所示。

表1 新增建設用地的類型層級

2.2 各類新增建設用地分割尺度確定

通過影像分割來獲取用于特征分析的影像對象層，由于實驗區(qū)內(nèi)新增建設用地各類型特征存在較大差異，因此需要設置多個分割尺度來實現(xiàn)不同類型新增建設用地的準確提取。本文采用的多分辨率分割算法[13]，是一種基于異質(zhì)性最小原則的自下而上的區(qū)域合并算法，參數(shù)包括波段權(quán)重、異質(zhì)性因子和分割尺度。波段權(quán)重表示各波段被利用的信息比例，考慮到實驗影像4個波段對新增建設用地提取具有同等重要作用，將波段權(quán)重均設置為1；異質(zhì)性因子包括光譜因子、緊致度因子和平滑度因子，定義了影像對象合并生長的準則，根據(jù)經(jīng)驗[14]，將光譜因子設置為0.9、緊致度因子設置為0.5、平滑度因子設置為0.5；分割尺度表示影像分割允許的影像對象的最大異質(zhì)性，決定分割對象是否停止合并。本文通過固定波段權(quán)重、異質(zhì)性因子，動態(tài)調(diào)整分割尺度，目視分析來確定合適的分割尺度。

2.3 多尺度下新增建設用地特征組合選取

新增建設用地特征提取需在各類新增建設用地對應的影像對象層上分別選擇合適的特征組合，構(gòu)建基于多特征約束的分類決策樹提取規(guī)則，實現(xiàn)目標地物的提取。通過分析目標地物的光譜/形狀特征分布圖和特征值發(fā)現(xiàn)：

1）新增紅色彩鋼房影像對象在后時相影像R波段、前后時相影像R波段差值上，與其他影像對象具有明顯差異；新增藍色彩鋼房對象在后時相影像B波段、前后時相影像B波段差值上，與其他影像對象具有明顯差異；此外實際生產(chǎn)中對新增建設用地圖斑最小上圖面積有一定要求。因此，本文采用后時相影像對象R波段特征（R2）、R波段特征差值ΔR和新增圖斑面積Area作為新增紅色彩鋼房的特征組合，這里新增圖斑面積是指同類型相鄰的新增影像對象合并后的圖斑面積，下文同理；采用后時相影像對象B波段特征（B2）、B波段特征差值ΔB和新增圖斑面積Area作為新增藍色彩鋼房的特征組合。

式中，meanR2、meanG2、meanB2分別為后時相影像對象在R、G、B波段的均值；meanR1、meanG1、meanB1分別為前時相影像對象在R、G、B波段的均值。

2）新增高亮構(gòu)筑物或硬化地面影像對象在后時相影像亮度、前后時相影像亮度差值上，與其他影像對象具有明顯差異。因此，本文采用前后時相影像對象亮度差值ΔHSI_I、后時相影像對象地物亮度特征Brightness2以及新增圖斑面積Area作為該類型的特征組合。

式中，HSI_I1、HSI_I2分別為前后時相影像對象在HSI色彩空間的亮度分量；meanR2、meanG2、meanB2、meanNIR2分別為后時相影像對象在R、G、B、NIR波段的均值。

3）綠地變裸地影像對象在前時相影像植被指數(shù)、后時相影像植被指數(shù)、后時相影像土壤指數(shù)、后時相標準差均值上，與其他影像對象具有明顯差異。因此，本文采用前時相影像植被指數(shù)NDVI1、后時相影像植被指數(shù)NDVI2、后時相影像土壤特征NDSI2、后時相影像標準差均值SD2和新增圖斑面積Area作為特征組合。

式中，meanR1、meanNIR1分別為前時相影像對象在R、NIR波段的均值；meanR2、meanB2、meanNIR2分別為后時相影像對象在R、B、NIR波段的均值；SD G2、SD B2、SD R2、SDNIR2分別為后時相影像對象在G、B、R、NIR波段的方差。

3 實驗結(jié)果與分析

3.1 新增建設用地提取結(jié)果

為進一步驗證多層級雙尺度提取方法的有效性，本文進行以下實驗分析。

1）確定分割尺度。通過初步實驗分析，將分割尺度的取值范圍設為20～150，步長設為10，其他參數(shù)設為§2.2中的固定值，分別對實驗影像進行多分辨率分割，并分析分割效果。合適的分割尺度具有的特點為分割對象大小與地物目標（新增建設用地）大小盡量接近，特定地物類型可用一個或幾個對象來表達，相同類型對象的異質(zhì)性差異性較小，地物的邊界輪廓不能太模糊[15]。以此為評價標準，本文確定的分割尺度為：新增彩鋼房的分割尺度為30，新增高亮構(gòu)筑物或硬化地面、綠地變裸地的分割尺度為100。

2）提取新增建設用地。根據(jù)上述確定的分割尺度和各新增建設用地類型的特征組合，提取各類新增建設用地。提取規(guī)則如表2所示，其中面積單位為m2，面積大小為經(jīng)驗值，可根據(jù)實際需要調(diào)整。合適的特征閾值是保證提取結(jié)果精度的關(guān)鍵，本文以所選擇的閾值能夠檢測出大部分目標類型為閾值確定的基本原則[16]，采用樣本極值法確定特征閾值，再利用目標類型的多個特征依次篩選影像圖斑，完成新增建設用地的提取。

表2 新增建設用地提取規(guī)則

樣本極值法確定閾值要求選取樣本時，盡量選取靠近目標與非目標臨界點的樣本（每類選取有代表性的樣本即可）。根據(jù)不同類型新增建設用地對應的特征，本文采用樣本的最大值或最小值作為閾值，樣本極值法的計算公式為：

式中，Q為確定的閾值；k1、k2、…、k n分別為樣本1、樣本2、…、樣本n在某一特征上的值；max()為取最大值函數(shù)；min()為取最小值函數(shù)。

兩組新增彩鋼房與所在位置的2020年影像、2021年影像疊加自動提取結(jié)果、2021年影像疊加人工提取結(jié)果如圖3所示，新增高亮構(gòu)筑物或硬化地面以及綠地變裸地與所在位置的2020年影像、2021年影像疊加自動提取結(jié)果、2021年影像疊加人工提取結(jié)果如圖4所示。結(jié)合人工提取結(jié)果可知，本文方法可有效發(fā)現(xiàn)新增建設用地。

圖3 新增彩鋼房提取結(jié)果

圖4 新增高亮構(gòu)筑物或硬化地面和綠地變裸地提取結(jié)果

3.2 精度評價

以人工提取的新增建設用地結(jié)果為基準數(shù)據(jù)，本文采用目視對比方法對自動提取結(jié)果進行精度評價。結(jié)合已供國有建設用地開發(fā)建設情況的狀態(tài)監(jiān)測需求，本文的研究目標是采用自動提取方式輔助發(fā)現(xiàn)新增建設用地。因此，精度評價采用自動提取結(jié)果與人工提取結(jié)果是否相交的方法來分析發(fā)現(xiàn)變化的準確性。另外，為了評價本文方法的有效性，采用單尺度決策分類樹方法開展對比實驗，分割尺度分別為30和100，具體統(tǒng)計結(jié)果如表3、4所示，可以看出，若考慮小尺度地物的提取，采用小尺度分割，則提取結(jié)果過于破碎，且會將一些小圖斑錯分為新增高亮構(gòu)筑物或綠地變裸地，如單尺度方法（分割尺度為30）提取結(jié)果的圖斑個數(shù)為145，新增高亮構(gòu)筑物或硬化地面、綠地變裸地的圖斑數(shù)量大于另外兩種方法，單尺度方法（分割尺度為30）的整體正確率為83.45%，新增高亮構(gòu)筑物或硬化地面、綠地變裸地的正確率明顯低于本文方法；若考慮大尺度地物的提取，采用大尺度分割，則會漏提小尺度地物，如單尺度方法（分割尺度為100）中尺度較小的新增紅色彩鋼房的遺漏率為16.67%，高于另外兩種方法，由于實驗數(shù)據(jù)中新增彩鋼房數(shù)量較少，若數(shù)量增加，遺漏現(xiàn)象將更加明顯。本文方法采用的多個分割尺度能較好地改善上述問題，根據(jù)建立的新增建設用地類型層級，選擇適合各類型的分割尺度，提取結(jié)果能用盡量少的圖斑表示目標地物，同時可保證較高的正確率和較低的遺漏率。

表3 新增建設用地提取結(jié)果統(tǒng)計

4 結(jié)語

本文以北京二號遙感影像為數(shù)據(jù)源，根據(jù)建立的新增建設用地類型層級選擇不同的分割尺度，采用不同的特征組合，實現(xiàn)了新增建設用地的自動提取。多層級雙尺度的新增建設用地變化監(jiān)測方法能在一定程度上解決單尺度方法分割不充分或過度分割導致的問題，可在保證高正確率和低遺漏率的情況下，實現(xiàn)不同類型新增建設用地的自動提取，在土地供后監(jiān)管的建設用地變化發(fā)現(xiàn)中具有一定的應用價值。