深度学习和遥感影像支持的矢量图斑地类解译真实性检查方法
发布时间：2021-12-02 13:22
空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inceptionv3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果与矢量图斑原始数据进行叠加分析,自动查找出类别信息不符的分割单元,从而提取出可疑图斑,实现矢量图斑地类解译真实性自动检查,并在徐州市贾汪区青山泉镇和大吴镇的矢量图斑地类解译真实性检查中进行验证。实验结果表明,本文方法在研究区图斑地类解译真实性检查中的精确率和召回率分别高达0.925和0.817,可为矢量图斑地类解译真实性检查提供可靠的技术支撑。
【文章来源】：地球信息科学学报. 2020,22(10)北大核心CSCD
【文章页数】：11 页
【部分图文】：
Inception模块
准确、可靠的空间数据是决策制定和重大工程应用的关键保障。目前的空间数据质量检查主要包括属性检查和图形检查。属性检查主要针对要素的完备性、一致性以及属性精度等进行检查。图形检查主要检查点、线、面的拓扑关系是否按照要求建立，建立的拓扑关系是否完整且正确，是否存在伪结点、悬挂点、冗余点等[1]。例如，吴长彬等[2]提出基于知识与规则的地籍数据质量检查方法，通过分析提取和依靠专家经验建立地籍知识与规则库,包括空间关系规则与属性知识规则。覃东华等[3]基于FME平台设计了一种针对地理国情监测矢量数据接边的检查方法，该方法可对重要地理国情要素数据的几何、属性接边情况进行快速检查，提高了地理国情监测数据的质量和生产效率。钱海忠等[4]提出基于制图综合知识的数据检查：在对数据进行重要性排序的基础上，提出基于模糊型知识的人机协同的数据检查方法，和基于精确型知识的自动数据检查方法，并给出详细的数据检查程序流程。刘建军等[5]设计开发出1:50 000 DLG数据质量检查软件，检查软件的功能包括数据的完整性、结构一致性、位置精度、属性精度、接边精度以及资料源质量和元数据质量等。北京吉威技术公司开发Geoway3.6的“质量检查”模块包括图形检测、拓扑检测、属性检测、接边检查以及其他检测功能，能够对数据图形的几何现象，地物的属性信息，拓扑构建结果以及各种矛盾数据进行检查和控制[6]。结合以上研究发现，近年来针对矢量数据质量检查的研究大多仍只注重属性检查和图形检查，鲜少注意到图斑地类解译真实性的问题。如图1所示，在工业用地的地类图斑里出现了其他用地类型，该图斑的地类标注与实地不一致，即图斑的地类解译真实性存在问题，目前的空间数据质量检查还无法解决这一类问题。随着国家重大政策和工程项目的开展，对图斑地类解译真实性检查的需求日渐迫切，如《第三次全国土地调查总体方案》[7]（国土调查办发[2018]1号）和《第三次全国国土调查实施方案》[8]中明确指出：为了保证调查成果的真实性和准确性，按照三调有关技术标准的要求，建立调查成果的县市级自检、省级检查、国家级核查三级检查制度，其中县级检查的主要任务就是通过外业调查，检查图斑的地类属性是否和实地一致。伴随着高分遥感、深度学习和场景分类等关键技术的突破，以高分遥感影像为参考，借助深度学习的场景解译技术为矢量图斑地类解译真实性检查提供了一种新的解决思路。遥感影像场景分类是一个复杂的数据处理过程。传统的目视解译方法虽然简单易操作、灵活性强，但需解译人员具有丰富的经验、专业的知识，而且花费时间长，难以适应海量遥感影像分类。近年来，深度学习[9]成为遥感影像解译和模式识别的新热点，其中最具代表性的特征是端到端、层次化的场景学习能力。深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射关系。当前多数分类、回归等学习方法为浅层结构算法，其局限性在于在有限样本和计算单元的情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习的出现为遥感影像的解译提供了一种新方法，能更好地提取遥感影像的特征，极大的增强复杂模型的表述能力[10]，并展现了强大的从少数样本集中学习数据集本质特征的能力，使其在场景分类任务中有着更好的表现。
本文训练样本来源于上海市三调数据和徐州市贾汪区三调数据。上海市数据来自上海市规划和自然资源局，0.1 m高分辨率无人机影像，顾及上海市地物分布特征（建筑密集）以及已有研究基础[11]，无人机影像初始分割大小为300像素×300像素，尽可能确保分割单元中地物的完整性；徐州市贾汪区数据来自徐州市自然资源和规划局，1 m分辨率高分二号影像，鉴于贾汪区地处郊区，地物分布较为稀疏，本文选取初始分割大小为50像素×50像素。为保证模型输入大小的一致性，将2组分割单元的大小调整至299像素×299像素，满足模型的输入要求；2组影像均包含RGB波段，影像信息丰富，包含多种地物，可以为地物分类提供足够的信息。图斑地类解译真实性检查的研究区位于江苏省徐州市贾汪区青山泉镇和大吴镇，总面积150.12 km2，研究区影像为1 m分辨率高分二号影像，包含RGB波段，将影像分割为50像素×50像素的影像单元，为满足深度学习模型需要，调整影像单元大小至299像素×299像素。研究区（117°16"45"E—117°27"15"E,34°18"35"N—34°27"45"N）概况及训练样本样例如图3所示。影像分割是影像解译至关重要的一项预处理，没有正确的分割就没有正确的解译[12]。本文利用三调矢量图斑对高分遥感影像进行粗分割，生成初步的影像图斑；然后，利用网格化分割方法，对影像图斑进行分解，生成规则的处理单元；最后，将分解的处理单元关联原始图斑的地理位置信息，实现处理单元标签的自动标注，以此完成训练样本的自动生成和标注。
【参考文献】：
期刊论文
[1]基于迁移学习的遥感影像树种类型分类[J]. 王莉影,高心丹. 实验室研究与探索. 2019(09)
[2]基于深度学习的图像分类分析研究[J]. 李翔宇,孙晓庆. 中国信息化. 2019(04)
[3]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[4]基于FME的地理国情监测矢量数据接边检查方法的探讨[J]. 覃东华. 城市勘测. 2018(05)
[5]《第三次全国土地调查总体方案》发布[J]. 张晏. 资源导刊. 2018(01)
[6]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]矢量数字地图数据质量检查内容及影响质量因素分析[J]. 石高兵. 北京测绘. 2015(05)
[9]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
本文编号：3528524
【文章来源】：地球信息科学学报. 2020,22(10)北大核心CSCD
【文章页数】：11 页
【部分图文】：
Inception模块
准确、可靠的空间数据是决策制定和重大工程应用的关键保障。目前的空间数据质量检查主要包括属性检查和图形检查。属性检查主要针对要素的完备性、一致性以及属性精度等进行检查。图形检查主要检查点、线、面的拓扑关系是否按照要求建立，建立的拓扑关系是否完整且正确，是否存在伪结点、悬挂点、冗余点等[1]。例如，吴长彬等[2]提出基于知识与规则的地籍数据质量检查方法，通过分析提取和依靠专家经验建立地籍知识与规则库,包括空间关系规则与属性知识规则。覃东华等[3]基于FME平台设计了一种针对地理国情监测矢量数据接边的检查方法，该方法可对重要地理国情要素数据的几何、属性接边情况进行快速检查，提高了地理国情监测数据的质量和生产效率。钱海忠等[4]提出基于制图综合知识的数据检查：在对数据进行重要性排序的基础上，提出基于模糊型知识的人机协同的数据检查方法，和基于精确型知识的自动数据检查方法，并给出详细的数据检查程序流程。刘建军等[5]设计开发出1:50 000 DLG数据质量检查软件，检查软件的功能包括数据的完整性、结构一致性、位置精度、属性精度、接边精度以及资料源质量和元数据质量等。北京吉威技术公司开发Geoway3.6的“质量检查”模块包括图形检测、拓扑检测、属性检测、接边检查以及其他检测功能，能够对数据图形的几何现象，地物的属性信息，拓扑构建结果以及各种矛盾数据进行检查和控制[6]。结合以上研究发现，近年来针对矢量数据质量检查的研究大多仍只注重属性检查和图形检查，鲜少注意到图斑地类解译真实性的问题。如图1所示，在工业用地的地类图斑里出现了其他用地类型，该图斑的地类标注与实地不一致，即图斑的地类解译真实性存在问题，目前的空间数据质量检查还无法解决这一类问题。随着国家重大政策和工程项目的开展，对图斑地类解译真实性检查的需求日渐迫切，如《第三次全国土地调查总体方案》[7]（国土调查办发[2018]1号）和《第三次全国国土调查实施方案》[8]中明确指出：为了保证调查成果的真实性和准确性，按照三调有关技术标准的要求，建立调查成果的县市级自检、省级检查、国家级核查三级检查制度，其中县级检查的主要任务就是通过外业调查，检查图斑的地类属性是否和实地一致。伴随着高分遥感、深度学习和场景分类等关键技术的突破，以高分遥感影像为参考，借助深度学习的场景解译技术为矢量图斑地类解译真实性检查提供了一种新的解决思路。遥感影像场景分类是一个复杂的数据处理过程。传统的目视解译方法虽然简单易操作、灵活性强，但需解译人员具有丰富的经验、专业的知识，而且花费时间长，难以适应海量遥感影像分类。近年来，深度学习[9]成为遥感影像解译和模式识别的新热点，其中最具代表性的特征是端到端、层次化的场景学习能力。深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射关系。当前多数分类、回归等学习方法为浅层结构算法，其局限性在于在有限样本和计算单元的情况下对复杂函数的表示能力有限，针对复杂分类问题其泛化能力受到一定制约。深度学习的出现为遥感影像的解译提供了一种新方法，能更好地提取遥感影像的特征，极大的增强复杂模型的表述能力[10]，并展现了强大的从少数样本集中学习数据集本质特征的能力，使其在场景分类任务中有着更好的表现。
本文训练样本来源于上海市三调数据和徐州市贾汪区三调数据。上海市数据来自上海市规划和自然资源局，0.1 m高分辨率无人机影像，顾及上海市地物分布特征（建筑密集）以及已有研究基础[11]，无人机影像初始分割大小为300像素×300像素，尽可能确保分割单元中地物的完整性；徐州市贾汪区数据来自徐州市自然资源和规划局，1 m分辨率高分二号影像，鉴于贾汪区地处郊区，地物分布较为稀疏，本文选取初始分割大小为50像素×50像素。为保证模型输入大小的一致性，将2组分割单元的大小调整至299像素×299像素，满足模型的输入要求；2组影像均包含RGB波段，影像信息丰富，包含多种地物，可以为地物分类提供足够的信息。图斑地类解译真实性检查的研究区位于江苏省徐州市贾汪区青山泉镇和大吴镇，总面积150.12 km2，研究区影像为1 m分辨率高分二号影像，包含RGB波段，将影像分割为50像素×50像素的影像单元，为满足深度学习模型需要，调整影像单元大小至299像素×299像素。研究区（117°16"45"E—117°27"15"E,34°18"35"N—34°27"45"N）概况及训练样本样例如图3所示。影像分割是影像解译至关重要的一项预处理，没有正确的分割就没有正确的解译[12]。本文利用三调矢量图斑对高分遥感影像进行粗分割，生成初步的影像图斑；然后，利用网格化分割方法，对影像图斑进行分解，生成规则的处理单元；最后，将分解的处理单元关联原始图斑的地理位置信息，实现处理单元标签的自动标注，以此完成训练样本的自动生成和标注。
【参考文献】：
期刊论文
[1]基于迁移学习的遥感影像树种类型分类[J]. 王莉影,高心丹. 实验室研究与探索. 2019(09)
[2]基于深度学习的图像分类分析研究[J]. 李翔宇,孙晓庆. 中国信息化. 2019(04)
[3]深度学习在图像识别中的应用研究综述[J]. 郑远攀,李广阳,李晔. 计算机工程与应用. 2019(12)
[4]基于FME的地理国情监测矢量数据接边检查方法的探讨[J]. 覃东华. 城市勘测. 2018(05)
[5]《第三次全国土地调查总体方案》发布[J]. 张晏. 资源导刊. 2018(01)
[6]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[7]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[8]矢量数字地图数据质量检查内容及影响质量因素分析[J]. 石高兵. 北京测绘. 2015(05)
[9]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[10]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正. 计算机应用研究. 2012(08)
本文编号：3528524
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3528524.html
