空間數(shù)據(jù)質(zhì)量檢查是數(shù)據(jù)準確可靠的重要保障,是數(shù)據(jù)的生命線。然而,目前的空間數(shù)據(jù)質(zhì)量檢查主要針對拓撲關系、屬性一致性以及數(shù)據(jù)間的相關性進行檢查,往往忽視矢量圖斑地類解譯真實性問題。因此,本文提出深度學習和高分遙感影像支持的矢量圖斑地類解譯真實性檢查方法,選用深度學習經(jīng)典模型Inception_v3進行遷移學習,對分割后的影像進行自動場景分類,以高分遙感影像塊的場景分類結(jié)果作為參照依據(jù),對場景分類結(jié)果與矢量圖斑原始數(shù)據(jù)進行疊加分析,自動查找出類別信息不符的分割單元,從而提取出可疑圖斑,實現(xiàn)矢量圖斑地類解譯真實性自動檢查,并在徐州市賈汪區(qū)青山泉鎮(zhèn)和大吳鎮(zhèn)的矢量圖斑地類解譯真實性檢查中進行驗證。實驗結(jié)果表明,本文方法在研究區(qū)圖斑地類解譯真實性檢查中的精確率和召回率分別高達0.925和0.817,可為矢量圖斑地類解譯真實性檢查提供可靠的技術支撐。 

【文章來源】：地球信息科學學報. 2020,22(10)北大核心CSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

Inception模塊

準確、可靠的空間數(shù)據(jù)是決策制定和重大工程應用的關鍵保障。目前的空間數(shù)據(jù)質(zhì)量檢查主要包括屬性檢查和圖形檢查。屬性檢查主要針對要素的完備性、一致性以及屬性精度等進行檢查。圖形檢查主要檢查點、線、面的拓撲關系是否按照要求建立，建立的拓撲關系是否完整且正確，是否存在偽結(jié)點、懸掛點、冗余點等[1]。例如，吳長彬等[2]提出基于知識與規(guī)則的地籍數(shù)據(jù)質(zhì)量檢查方法，通過分析提取和依靠專家經(jīng)驗建立地籍知識與規(guī)則庫,包括空間關系規(guī)則與屬性知識規(guī)則。覃東華等[3]基于FME平臺設計了一種針對地理國情監(jiān)測矢量數(shù)據(jù)接邊的檢查方法，該方法可對重要地理國情要素數(shù)據(jù)的幾何、屬性接邊情況進行快速檢查，提高了地理國情監(jiān)測數(shù)據(jù)的質(zhì)量和生產(chǎn)效率。錢海忠等[4]提出基于制圖綜合知識的數(shù)據(jù)檢查：在對數(shù)據(jù)進行重要性排序的基礎上，提出基于模糊型知識的人機協(xié)同的數(shù)據(jù)檢查方法，和基于精確型知識的自動數(shù)據(jù)檢查方法，并給出詳細的數(shù)據(jù)檢查程序流程。劉建軍等[5]設計開發(fā)出1:50 000 DLG數(shù)據(jù)質(zhì)量檢查軟件，檢查軟件的功能包括數(shù)據(jù)的完整性、結(jié)構(gòu)一致性、位置精度、屬性精度、接邊精度以及資料源質(zhì)量和元數(shù)據(jù)質(zhì)量等。北京吉威技術公司開發(fā)Geoway3.6的“質(zhì)量檢查”模塊包括圖形檢測、拓撲檢測、屬性檢測、接邊檢查以及其他檢測功能，能夠?qū)?shù)據(jù)圖形的幾何現(xiàn)象，地物的屬性信息，拓撲構(gòu)建結(jié)果以及各種矛盾數(shù)據(jù)進行檢查和控制[6]。結(jié)合以上研究發(fā)現(xiàn)，近年來針對矢量數(shù)據(jù)質(zhì)量檢查的研究大多仍只注重屬性檢查和圖形檢查，鮮少注意到圖斑地類解譯真實性的問題。如圖1所示，在工業(yè)用地的地類圖斑里出現(xiàn)了其他用地類型，該圖斑的地類標注與實地不一致，即圖斑的地類解譯真實性存在問題，目前的空間數(shù)據(jù)質(zhì)量檢查還無法解決這一類問題。隨著國家重大政策和工程項目的開展，對圖斑地類解譯真實性檢查的需求日漸迫切，如《第三次全國土地調(diào)查總體方案》[7]（國土調(diào)查辦發(fā)[2018]1號）和《第三次全國國土調(diào)查實施方案》[8]中明確指出：為了保證調(diào)查成果的真實性和準確性，按照三調(diào)有關技術標準的要求，建立調(diào)查成果的縣市級自檢、省級檢查、國家級核查三級檢查制度，其中縣級檢查的主要任務就是通過外業(yè)調(diào)查，檢查圖斑的地類屬性是否和實地一致。伴隨著高分遙感、深度學習和場景分類等關鍵技術的突破，以高分遙感影像為參考，借助深度學習的場景解譯技術為矢量圖斑地類解譯真實性檢查提供了一種新的解決思路。遙感影像場景分類是一個復雜的數(shù)據(jù)處理過程。傳統(tǒng)的目視解譯方法雖然簡單易操作、靈活性強，但需解譯人員具有豐富的經(jīng)驗、專業(yè)的知識，而且花費時間長，難以適應海量遙感影像分類。近年來，深度學習[9]成為遙感影像解譯和模式識別的新熱點，其中最具代表性的特征是端到端、層次化的場景學習能力。深度學習通過建立類似于人腦的分層模型結(jié)構(gòu)，對輸入數(shù)據(jù)逐級提取從底層到高層的特征，從而能很好地建立從底層信號到高層語義的映射關系。當前多數(shù)分類、回歸等學習方法為淺層結(jié)構(gòu)算法，其局限性在于在有限樣本和計算單元的情況下對復雜函數(shù)的表示能力有限，針對復雜分類問題其泛化能力受到一定制約。深度學習的出現(xiàn)為遙感影像的解譯提供了一種新方法，能更好地提取遙感影像的特征，極大的增強復雜模型的表述能力[10]，并展現(xiàn)了強大的從少數(shù)樣本集中學習數(shù)據(jù)集本質(zhì)特征的能力，使其在場景分類任務中有著更好的表現(xiàn)。

本文訓練樣本來源于上海市三調(diào)數(shù)據(jù)和徐州市賈汪區(qū)三調(diào)數(shù)據(jù)。上海市數(shù)據(jù)來自上海市規(guī)劃和自然資源局，0.1 m高分辨率無人機影像，顧及上海市地物分布特征（建筑密集）以及已有研究基礎[11]，無人機影像初始分割大小為300像素×300像素，盡可能確保分割單元中地物的完整性；徐州市賈汪區(qū)數(shù)據(jù)來自徐州市自然資源和規(guī)劃局，1 m分辨率高分二號影像，鑒于賈汪區(qū)地處郊區(qū)，地物分布較為稀疏，本文選取初始分割大小為50像素×50像素。為保證模型輸入大小的一致性，將2組分割單元的大小調(diào)整至299像素×299像素，滿足模型的輸入要求；2組影像均包含RGB波段，影像信息豐富，包含多種地物，可以為地物分類提供足夠的信息。圖斑地類解譯真實性檢查的研究區(qū)位于江蘇省徐州市賈汪區(qū)青山泉鎮(zhèn)和大吳鎮(zhèn)，總面積150.12 km2，研究區(qū)影像為1 m分辨率高分二號影像，包含RGB波段，將影像分割為50像素×50像素的影像單元，為滿足深度學習模型需要，調(diào)整影像單元大小至299像素×299像素。研究區(qū)（117°16"45"E—117°27"15"E,34°18"35"N—34°27"45"N）概況及訓練樣本樣例如圖3所示。影像分割是影像解譯至關重要的一項預處理，沒有正確的分割就沒有正確的解譯[12]。本文利用三調(diào)矢量圖斑對高分遙感影像進行粗分割，生成初步的影像圖斑；然后，利用網(wǎng)格化分割方法，對影像圖斑進行分解，生成規(guī)則的處理單元；最后，將分解的處理單元關聯(lián)原始圖斑的地理位置信息，實現(xiàn)處理單元標簽的自動標注，以此完成訓練樣本的自動生成和標注。

【參考文獻】：
期刊論文
[1]基于遷移學習的遙感影像樹種類型分類[J]. 王莉影,高心丹.  實驗室研究與探索. 2019(09)
[2]基于深度學習的圖像分類分析研究[J]. 李翔宇,孫曉慶.  中國信息化. 2019(04)
[3]深度學習在圖像識別中的應用研究綜述[J]. 鄭遠攀,李廣陽,李曄.  計算機工程與應用. 2019(12)
[4]基于FME的地理國情監(jiān)測矢量數(shù)據(jù)接邊檢查方法的探討[J]. 覃東華.  城市勘測. 2018(05)
[5]《第三次全國土地調(diào)查總體方案》發(fā)布[J]. 張晏.  資源導刊. 2018(01)
[6]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[7]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應用. 2016(09)
[8]矢量數(shù)字地圖數(shù)據(jù)質(zhì)量檢查內(nèi)容及影響質(zhì)量因素分析[J]. 石高兵.  北京測繪. 2015(05)
[9]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)
[10]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)



本文編號：3528524