学术分享 | 基于人工智能的遥感影像地理国情变化检测方法

Posted 2021-04-26 珞珈经纬

- Hi！欢迎来到珞珈经纬，多多指教哦~ - 

/ 关于地理国情普查 /

地理国情普查是一项重大的国情国力调查，是全面获取地理国情信息、掌握地表自然、生态以及人类活动基本情况的重要手段和基础性工作。随着第一次地理国情普查的完成，地理国情监测与更新已进入常态化。

图1 地理国情普查分类思路

地理国情监测，是综合利用现代测绘地理信息技术，对自然、人文等地理要素进行动态和定量化监测，并统计分析其变化量、变化趋势与分布特征等，形成反映各类资源、环境、经济要素的空间分布及其发展变化规律的监测数据与研究报告等，从地理空间的角度综合展示国情国力。

地理国情普查项目工作量大、工期紧、任务重。目前，在地理国情普查与监测生产实践过程中，仍然依靠人工目视判读进行卫星、航空影像解译，利用全人工手段进行数据更新，上下工序衔接多，耗时耗力且效率低下。

鉴于此，武汉大学CVEO小组开发了样本数据库构建技术、基于深度学习的语义分割方法、图斑分类与变化检测算法，并集成形成遥感影像变化检测系统。

本系统预测效率、预测准确度以及解译成本，都远优于人工解译方法，能够极大程度地提升地理国情监测业务的自动化与智能化水平。

/系统组成 /

该变化检测框架的原理是：

# 样本构建与管理子系统

在收集测绘遥感等各业务资料的基础上，利用全自动、交互式与全手工的样本构建方法，进行用于深度网络模型训练的样本库构建，并根据不同类别体系与不同数据区域实现样本管理

# 遥感影像智能解译子系统

在模型已训练权重与目标类别体系的基础上，面向大规模多源多时相遥感影像，利用滑窗策略、色调变换策略实现影像快速自动全覆盖分类，同时可对分类结果进行导出与可视化展示

# 高性能云计算模型压缩训练与管理子系统

构建适用于遥感影像各解译任务的卷积网络模型，在模型结构、损失函数与预测策略等方面进行优化，并实现网络模型的模型压缩训练，同时可对模型及其权重进行管理

# 遥感影像与监测图斑变化检测子系统

利用前后两时相影像分类结果与图斑矢量数据，提取多时相下每个图斑的分类结果；可实现面向地理国情监测图斑的变化检测与成果汇总，并导出成业务专用的矢量数据

图2 系统主界面

/试验成果展示 /

（1）试验区域2017年与2018年的两时相影像与图斑矢量数据

图3 试验区域2017年影像

图4 试验区域2018年影像

图5 试验区域图斑矢量数据

（2）以文本或属性字段的形式输出检测结果

图6 以文本形式输出两图斑对象的变化判定指数与检测结果

图7 在矢量图层中新建“ChangeOrNot”与“CDI”属性字段并添加检测结果

（3）试验数据中部分图斑的检测结果

图8 图斑1变化概率: 0.6738

图9 图斑2变化概率: 0.8914

图10 图斑3变化费率: 0.4023

（4）试验区域整体变化检测结果

图11 整体结果

- END -