多源遙感影像時空譜融合與土地利用變化監(jiān)測進(jìn)展

1、 多源遙感影像時空譜融合與土地利用變化監(jiān)測進(jìn)展 Summary：隨著遙感對地觀測技術(shù)的不斷發(fā)展，目前已發(fā)展到多衛(wèi)星、多傳感器、多時相影像，并步入遙感影像大數(shù)據(jù)時代，同時遙感應(yīng)用與數(shù)據(jù)處理方法也不斷擴增。本文歸納了多源遙感影像的時空譜融合與土地利用變化監(jiān)測方法，論述了兩者相互關(guān)系及土地利用變化監(jiān)測發(fā)展趨勢。Keys：時空譜融合；變化監(jiān)測；發(fā)展趨勢隨著經(jīng)濟不斷發(fā)展，人類社會活動不斷擴張，土地利用情況時刻發(fā)生著較大的變化，其中每年城市土地利用變化最為顯著1收稿日期：。同時，2020年是我國“十三五”規(guī)劃最后年，也是扶貧攻堅與全面建成小康社會的決勝年，因此農(nóng)村土地利用已發(fā)生較大變化。如今，及時、準(zhǔn)確獲

2、取土地利用信息，為政府后續(xù)分析與決策、城市規(guī)劃、生態(tài)環(huán)境保護(hù)、國土資源調(diào)查與更新、可持續(xù)發(fā)展提供重要依據(jù)與保障。多源遙感時空譜融合，具有宏觀、精度高、快速等優(yōu)勢，為土地利用變化主動監(jiān)測提供基礎(chǔ)數(shù)據(jù)源。隨著航天技術(shù)和光學(xué)遙感的不斷發(fā)展，衛(wèi)星遙感技術(shù)已成為新時代的高端科技。近年來，高光譜遙感和激光雷達(dá)技術(shù)發(fā)展迅速，不但能夠提供豐富的地物空間信息，還提供十幾、數(shù)百甚至上千個波段及精確的地面高程數(shù)據(jù)，因此被廣泛應(yīng)用于農(nóng)業(yè)、海洋、冰川、城市和軍事等領(lǐng)域2。同時，隨著全球各國遙感技術(shù)發(fā)展與競爭，遙感衛(wèi)星數(shù)量不斷上升，同一區(qū)域可獲得多衛(wèi)星、多傳感器、多時相、多空間分辨率及多光譜信息3，因此大數(shù)據(jù)遙感為快速、

3、有效監(jiān)測地類變化提供可能，同時時序遙感影像的研究與應(yīng)用也成為當(dāng)今遙感領(lǐng)域研究的熱點之一4。高時間、高空間、高光譜融合涉及較多領(lǐng)域技術(shù)，如計算機視覺、傳感器技術(shù)、信號處理技術(shù)及人工智能技術(shù)等，交叉學(xué)科中研究創(chuàng)新為土地利用主動監(jiān)測提供了新的技術(shù)手段。已有研究使用高時間序列影像與高空間分辨率影像融合，再將融合后影像與高光譜影像融合，及與激光雷達(dá)數(shù)據(jù)融合，主要分為像素級融合、特征級融合和決策級融合3567。隨著激光雷達(dá)技術(shù)的發(fā)展，為衛(wèi)星測量高程信息提供新的有效手段，可根據(jù)測量植被冠層高度、海平面變化及冰川消融情況，估算全球生物量及生態(tài)環(huán)境，因此時空譜融合還包括激光雷達(dá)的精密高程數(shù)據(jù)融合，提高土地利用分

4、類與監(jiān)測的精度1。1 多源遙感融合1.1 時空融合時空融合是指對同一地區(qū)不同時間及不同衛(wèi)星獲取的遙感影像進(jìn)行融合，從而提高時間分辨率5。傳統(tǒng)時空融合主要分為：加權(quán)、變換域和字典學(xué)習(xí)方法。Hilker等8對STARFM方法改進(jìn)，提出STAARCH（Spatial Temporal Adaptive Algorithm for mapping Reflectance Change）方法，選擇加拿大西部亞伯達(dá)185185 km范圍的Landsat衛(wèi)星影像與MODIS衛(wèi)星影像進(jìn)行試驗。該方法主要分為兩步，首先采用變化指數(shù)方法9檢測不同時相Landsat影像對的變化區(qū)域，再根據(jù)多時相MODIS影像與變化

5、信息融合。特點在于對不同時相影像中的變化區(qū)域非常敏感，在未變化區(qū)域不做處理，屬于典型的基于變換域的融合方法。1.2 空譜融合空譜融合包括高空間分辨率、激光雷達(dá)、高光譜數(shù)據(jù)間融合。近年來我國城鎮(zhèn)化不斷發(fā)展，建筑物也不斷增高，高光譜影像針對于高程變化區(qū)域并不敏感，而激光雷達(dá)可以精確測量空間高程，真實反應(yīng)地物三維信息，但不能獲取地物光譜信息。因此，全色、高光譜遙感與激光雷達(dá)數(shù)據(jù)融合，將進(jìn)一步提高遙感數(shù)據(jù)的高程信息，及土地利用分類精度及變化監(jiān)測1011。如圖1所示，常用方法主要分為三個層次：像素級、特征級和決策級融合。圖1 三種融合方法：像素級、特征級和決策級1像素級融合核心思想是將多個圖層進(jìn)行疊加合

6、并為一幅新的影像，因此次融合方法保留了許多原始影像信息，數(shù)據(jù)量較大，可提高后期地物分類及變化監(jiān)測的精度12。但冗余的數(shù)據(jù)量將增加數(shù)據(jù)處理時間，及產(chǎn)生較多的干擾信息，因此該方法不太適用于本文論述的研究問題。特征級融合不同之處在于將多源數(shù)據(jù)進(jìn)行特征提取，然后采用統(tǒng)計方法、支持向量機、主成分分析等分類方法對不同影像提取特征的相似性進(jìn)行分析與融合13。該方法可針對某些特征識別并融合，減少冗余數(shù)據(jù)，可提高數(shù)據(jù)處理效率與特征屬性分類的可靠性。然而，由于特征級融合會丟失較多的信息，且分類的精度較低及可分辨類別較少，因此后續(xù)研究的決策級融合（也稱分類器融合）彌補了前兩種級別方法的缺點，權(quán)衡計算效率與分類精度，

7、并且魯棒性較高。許凱等14提出單分類器多特征融合方法，首先采用最大似然分類器對影像的光譜、紋理與專題信息進(jìn)行特征預(yù)分類，然后基于Adaboost算法對分類結(jié)果進(jìn)行決策級融合，該方法明顯提高地物分類精度。1.3 深度學(xué)習(xí)方法隨著人工智能技術(shù)不斷發(fā)展，Shao和Cai15基于深度卷積神經(jīng)網(wǎng)絡(luò)方法，將高空間分辨率的全色影像與多光譜影像融合，得到比傳統(tǒng)方法更好的結(jié)果。該方法主要分為兩步，首先使用兩種框架分別提取全色影像和多光譜影像特征，再采用殘差學(xué)習(xí)網(wǎng)絡(luò)建立兩種影像特征的聯(lián)系，從而進(jìn)行數(shù)據(jù)融合。Li等16 采用監(jiān)督型卷積神經(jīng)網(wǎng)絡(luò)和非監(jiān)督Eps（Extinction Profiles）特征提取方法對高光

8、譜影像和激光雷達(dá)數(shù)據(jù)進(jìn)行融合，首先采用非監(jiān)督Eps（Extinction Profiles）特征提取方法預(yù)處理激光雷達(dá)數(shù)據(jù)和高光譜影像，然后構(gòu)建三個卷積神經(jīng)網(wǎng)絡(luò)分別提取高光譜影像的光譜特征和空間特征，及激光雷達(dá)數(shù)據(jù)的高程特征，再構(gòu)建復(fù)合核進(jìn)行兩類數(shù)據(jù)融合，獲得更為精細(xì)的分類地圖。Cao等17同樣采用深度學(xué)習(xí)算法構(gòu)建不同網(wǎng)絡(luò)框架，實現(xiàn)遙感影像和社會場景數(shù)據(jù)融合，進(jìn)而識別城市范圍。深度學(xué)習(xí)方法應(yīng)用范圍非常廣，其主要思想是利用卷積運算、線性或非線性運算等構(gòu)建不同的網(wǎng)絡(luò)模型，再訓(xùn)練優(yōu)化模型參數(shù)，因此可解決許多傳統(tǒng)方法難以解決的問題。但模型參數(shù)不能從物理機理角度上解釋說明，缺少物理含義和科學(xué)解釋，因此深

9、度學(xué)習(xí)需與物理機理相結(jié)合，才能促進(jìn)科學(xué)的進(jìn)步。2 土地利用變化土地利用變化可分為三種不同層次研究：變化檢測、變化識別與分類、多時相變化監(jiān)測。變化檢測指使用兩幅同一區(qū)域不同時期的影像，檢測發(fā)現(xiàn)變化區(qū)域，生成區(qū)域變化圖18。變化識別與分類指不但需要發(fā)現(xiàn)不同時期變化的區(qū)域，同時需要識別變化區(qū)域具體哪兩類地物間的變化，并對多類別地物變化進(jìn)行分類，生成多類變化圖19。多時相變化監(jiān)測指使用三幅及以上不同時期的同一區(qū)域影像，檢測變化區(qū)域與分類，生成時空演化序列圖4。2.1 二值變化發(fā)現(xiàn)應(yīng)用遙感技術(shù)快速檢測影像變化，廣泛應(yīng)用于其他行業(yè)，如：土地利用、地表覆蓋、自然資源保護(hù)、城市規(guī)劃與管理、災(zāi)害救援等。變化檢測

10、主要方法分為傳統(tǒng)方法、監(jiān)督式深度學(xué)習(xí)和非監(jiān)督式深度學(xué)習(xí)。傳統(tǒng)方法包括CVA、歸一化指數(shù)變化圖、隨機森林等，監(jiān)督式深度學(xué)習(xí)包括全監(jiān)督、半監(jiān)督、遷移學(xué)習(xí)、強化學(xué)習(xí)。由于深度學(xué)習(xí)需要較大的樣本庫，故如今研究非監(jiān)督式端到端的深度學(xué)習(xí)變化檢測為熱點，降低對樣本的依賴。Chen等提出新的基于語義時空對象的神經(jīng)網(wǎng)絡(luò)，相比于其他方法可獨立編碼雙時影像，不需要任何其他參考時空數(shù)據(jù)，建立自注意力模型，計算像對關(guān)系，同時開源介紹LEVIR-CD變化檢測數(shù)據(jù)集。Khelifi等 與Liu等綜述文獻(xiàn)，總結(jié)近年來利用深度學(xué)習(xí)研究遙感影像變化檢測，分別介紹了深度學(xué)習(xí)進(jìn)展，該方法在變化檢測中的應(yīng)用，與歸納深度學(xué)習(xí)在遙感變化檢

11、測研究的現(xiàn)狀與問題，以及概述深度學(xué)習(xí)在該領(lǐng)域已有的方法并對比分析。2.2 多類別變化Gong等采用多源地理空間大數(shù)據(jù)與遙感影像構(gòu)建2018年中國城市土地利用分類圖，該方法首先使用精度（20 m）OSM（OpenStreetMap）數(shù)據(jù)獲取城市道路信息，再根據(jù)高分辨Googel Earth Pro軟件采樣全國34省及322縣區(qū)的城市道路寬度對OSM數(shù)據(jù)緩沖分析；再基于30米分辨率非滲透地表圖繪制城市邊界；然后利用10米分辨率的哨兵2號影像進(jìn)行地塊利用分類；最后采用多源地理空間大數(shù)據(jù)進(jìn)行特征提取，包括多光譜哨兵2A/B號影像、騰訊APP移動手機地位大數(shù)據(jù)、珞珈1號夜光影像、高德POI數(shù)據(jù)（餐飲、零

12、售、汽車、住宿、娛樂、公共設(shè)施、物流等）。Wu等19基于迭代慢特征分析（Iterative Slow Feature Analysis）和貝葉斯軟融合（Bayesian Soft Fusion）方法對多時相遙感影像圖變化檢測與分類，識別土地利用變化類型。該方法由四個部分組成：1）首先采用支持向量機方法對不同時期的多光譜影像進(jìn)行土地利用分類；2）然后采用ISFA方法檢測不同時期影像的變化區(qū)域；3）在采用貝葉斯軟融合方法處理土地利用分類信息和變化檢測數(shù)據(jù)；4）由于貝葉斯軟融合方法對一些未變化像素錯誤檢測為變化像素，故采用類概率濾波方法避免錯誤的變化檢測，最后得到多類別土地利用變化圖。2.3 時空演

13、化土地利用和地表覆蓋的變化是全球環(huán)境變化的主要原因，因此快速有效的監(jiān)測土地利用變化，有利于分析理解國土信息、資源環(huán)境、生態(tài)等之間平衡與循環(huán)。Liu等基于Google Earth Engine（GEE）軟件建立全球1982年至2015年的地表覆蓋時空演化圖，該研究首先收集每年數(shù)據(jù)GLASS CDRs、VCF、GMTED2010，然后進(jìn)行樣本訓(xùn)練，再采用隨機森林算法分類，最后精度評估與分析。Zhu和Woodcock Center等提出CCDC算法（Continuous Change Detection and Classification）解決多時相遙感影像的變化檢測與分類問題，該方法主要分為影像

14、預(yù)處理、連續(xù)變化檢測和連續(xù)地表覆蓋分類三個部分。預(yù)處理包括幾何配準(zhǔn)、大氣校正、遮云、云影和雪的影響，使用Landsat L1T影像進(jìn)行幾何配準(zhǔn)，然后利用LEDAPS（Landsat Ecosystem Disturbance Adaptive Processing System）進(jìn)行大氣校正，針對于遮云、云影和雪的影響采用RIRLS（Robust Iteratively Reweighted Least Squares）方法進(jìn)行時間序列分析，檢測三者的影響。然后基于OLS（Ordinary Least Squares）構(gòu)建年周期函數(shù)模型，根據(jù)影像不同光譜年周期性變化模型與實際測量值差值分析，設(shè)

15、置3倍RMSE閾值檢測土地利用變化。同樣，每個地類不同光譜對應(yīng)特定的時間序列變化模型，因此采用隨機森林算法分類每個光譜中不同地類模型，然后根據(jù)光譜時間序列進(jìn)行連續(xù)分類，并識別變化前后不同地物類別。該方法優(yōu)勢在于，對于新的影像輸入可近實時的變化檢測與分類，關(guān)鍵在于前期長時間序列影像的收集與處理，及時間序列模型的構(gòu)建。Kalinicheva等4基于圖形與深度學(xué)習(xí)自動編碼算法，提出端到端非監(jiān)督方法解決時序衛(wèi)星影像中變化檢測與聚類問題。詳細(xì)分為五部分：1）構(gòu)建自動編碼網(wǎng)絡(luò)對雙時相影像進(jìn)行變化檢測，獲得多時相二值變化圖；2）采用graph-based tree-merging segmentation算

16、法對變化圖進(jìn)行分割，該算法可合并相同類別的像素，即將影像變化區(qū)域中不同類分割為多個不同部分；3）基于圖形演化方法和Khiali等 提出自動分析跨年遙感影像時間序列變化特征方法，結(jié)合數(shù)據(jù)挖掘技術(shù)和演化圖形分析整個時序影像的時空演化；4）添加高斯噪聲至原影像，再構(gòu)建深度卷積自動編碼網(wǎng)絡(luò)進(jìn)行去噪與特征提??；5）基于循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建GRU（Gated Recurrent Units）自動編碼模型對變化特征演化圖進(jìn)行聚類分析，并此方法可解決LSTM（Long Short-Term Memory）長依賴問題。Zhu等基于時間序列影像分析構(gòu)建模型，采用1984-2012年的Landsat時序影像，根據(jù)每年的

17、觀測次數(shù)構(gòu)建三種不同模型，模擬每個像元的變化趨勢，若每年觀測次數(shù)O6，則采用4參數(shù)模型；若6O12，采用6參數(shù)模型；若O12，采用8參數(shù)模型。作者提出觀測次數(shù)需大于等于模型參數(shù)數(shù)量的三倍，故采用更為復(fù)雜多參數(shù)模型，需增加更多的觀測值，該作者采用LASSO(Least Absolute Shrinkage and Selection Operator)算法解決復(fù)雜模型過擬合問題?；谙裨獣r間序列模型，采用三倍（夏季變化范圍更大）或兩倍（冬季變化范圍更?。㏑MSE（Root Mean Square Error）閾值能夠較好的模擬與預(yù)測緩慢型變化（季節(jié)性、植被生長和生態(tài)環(huán)境變化等），如森林、濕地、種

18、植的樹木、土壤、植被、城市、農(nóng)作物、居民區(qū)、地形陰影的影像特征，并且模擬的影像不含有云、雪及條帶的影響。但該方法對于人為導(dǎo)致的非規(guī)律性變化，無法識別與模擬，如砍伐森林建設(shè)房屋的變化過程。然而，可利用已有的房屋模型與森林模型識別兩種變化的狀態(tài)，識別由森林變?yōu)榉课荨? 發(fā)展趨勢3.1 針對性土地利用變化監(jiān)測變化監(jiān)測應(yīng)用廣泛，如城市規(guī)劃、生態(tài)環(huán)境、自然災(zāi)害、人類活動、經(jīng)濟發(fā)展、城市擴張、農(nóng)作物耕種、氣候變化、空氣污染等領(lǐng)域中非常重要，可解決許多行業(yè)問題。依據(jù)土地利用現(xiàn)狀分類GB/T21010-2017和中華人民共和國土地管理法土地利用分類為一級（12個）、二級（73）兩個層次的分類體系，由于人類活動

19、與經(jīng)濟社會的發(fā)展，許多土地利用變化屬于跨一級類變化，特別在城市郊區(qū)最為明顯。而農(nóng)村土地利用變化屬于二級類變化較多，如農(nóng)作物隨季節(jié)、氣候條件、市場經(jīng)濟調(diào)整。因此利用遙感影像研究多類別變化監(jiān)測尤為重要，對遙感影像數(shù)據(jù)要求也不斷提升，需要高空間分辨率、高光譜分辨率、高時間分辨影像數(shù)據(jù)，而依靠單個或幾個衛(wèi)星獲取影像是不足以滿足此需求。故多源衛(wèi)星融合技術(shù)也將成為研究重難點。針對12個一級類和73個二級類間的變化，由于各類別間變化物理機制與驅(qū)動因素存在較大不同，故用一種或幾種方法解決多類別變化監(jiān)測極為困難。因此根據(jù)某個或幾個典型土地利用變化為導(dǎo)向，從數(shù)據(jù)源、光譜特征、空間特征出發(fā)，研究針土地利用變化的物理

20、機制與驅(qū)動因素的監(jiān)測方法，從而提高監(jiān)測精度及變化邊界信息。3.2 人與社會的監(jiān)測土地利用主要受人類活動與社會經(jīng)濟發(fā)展的影響而產(chǎn)生變化，因此對土地利用變化監(jiān)測的結(jié)果也可以從另角度反映人類活動與社會發(fā)展的情況。如郊區(qū)的荒地-建設(shè)用地-居住用地的變化，反映隨城市不斷擴張趨勢。同樣，若林地、公園與綠地、濕地、草地的變化可反映該城市的生態(tài)環(huán)境與空氣質(zhì)量。還可以結(jié)合夜光遙感監(jiān)測城市用地變化，反映城市經(jīng)濟情況。4 結(jié)語本文結(jié)合遙感對地觀測技術(shù)與深度學(xué)習(xí)的發(fā)展，總結(jié)了已有的遙感時空譜融合方法，以及從二值變化發(fā)現(xiàn)、多類別變化、時空演化角度論述土地利用變化監(jiān)測的方法，闡述了土地利用變化監(jiān)測的發(fā)展趨勢與應(yīng)用價值。本

21、文提出從土地利用變化監(jiān)測到對人與社會的監(jiān)測，大多變化由人與社會發(fā)展而引起，因此可結(jié)合土地利用變化的物理機制與驅(qū)動因素進(jìn)行監(jiān)測，從而提高監(jiān)測精度及變化邊界信息。Reference1 滿其霞. 激光雷達(dá)與高光譜數(shù)據(jù)融合的城市土地利用分類方法研究D. 20152 劉冰, 余旭初, 張鵬強, et al. 聯(lián)合空-譜信息的高光譜影像深度三維卷積網(wǎng)絡(luò)分類J. 測繪學(xué)報, 2019, 48(1): 53633 史榕, 許惠平, 陳華根. 遙感影像數(shù)據(jù)融合技術(shù)及融合質(zhì)量評價研究J. 魯東大學(xué)學(xué)報(自然科學(xué)版), 2008, 3(2): 54674 Kalinicheva E, Ienco Di, Subli

22、me J, et al. Unsupervised Change Detection Analysis in Satellite Image Time Series Using Deep Learning Combined with Graph-Based ApproachesJ. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 145014665 蔡家駿. 基于深度學(xué)習(xí)的遙感圖像空譜融合與時空融合D. 20196 陳善靜, 向朝參, 康青, et al. 基

23、于多源遙感時空譜特征融合的滑坡災(zāi)害檢測方法J. 計算機研究與發(fā)展, 2020, 57(9): 187718877 Pohl C, Van Genderen J L. Review Article Multisensor Image Fusion in Remote Sensing: Concepts, Methods and ApplicationsJ. International Journal of Remote Sensing, 1998, 19(5): 8238548 Hilker T, Wulder M A, Coops N C, et al. A New Data Fusion M

24、odel for High Spatial- and Temporal-Resolution Mapping of Forest Disturbance Based on Landsat and MODISJ. Remote Sensing of Environment, Elsevier Inc., 2009, 113(8): 161316279 Healey S P, Cohen W B, Zhiqiang Y, et al. Comparison of Tasseled Cap-Based Landsat Data Structures for Use in Forest Disturb

25、ance DetectionJ. Remote Sensing of Environment, 2005, 97(3): 30131010 Priestnall G, Jaafar J, Duncan A. Extracting Urban Features from LiDAR Digital Surface ModelsJ. Computers, Environment and Urban Systems, 2000, 24(2): 657811 Hartfield K A, Landau K I, van Leeuwen W J D. Fusion of High Resolution

26、Aerial Multispectral and Lidar Data: Land Cover in the Context of Urban Mosquito HabitatJ. Remote Sensing, 2011, 3(11): 2364238312 高珍, 鄧甲昊, 孫驥, et al. 微型無人機圖像無線傳輸系統(tǒng)方案與關(guān)鍵技術(shù)J. 北京理工大學(xué)學(xué)報, 2008, 28(12)13 Mangolini M. Apport de La Fusion dimages Satellitaires Multicapteurs Au Niveau Pixel En Tldtection et Photo-InterprtationD. 199414 許凱, 秦昆, 杜鹢. 利用決策級融合進(jìn)行遙感影像分類J. 武漢大學(xué)學(xué)報信息科學(xué)版, 2009, 34(7): 82682915 Shao Z, Cai J. Remote