高分辨率卫星影像中地物特征自动变化检测应用

本文通过0.46m分辨率的WorldView-2遥感影像对北京鸟巢地区约25平方公里区域2015年与2022年各类地物特征变化的自动检测与提取，参与地物特征变化检测的类型有四类，分别是植被、建筑物、道路、水体。

1、影像数据概况

左图：2015年影像（RGBN）右图：2022年影像（RGBN）

图1 原始遥感影像概览

2. 技术路线

首先基于深度学习技术通过创建样本、创建CNN模型、训练CNN模型、应用CNN模型分别对2015年和2022年影像进行地物特征分类，在此基础上根据前后两期地物特征的空间关系，再利用面向对象影像分析技术提取建筑物、植被、水体、道路四类地物的变化，最后输出变化检测成果。

图2 地物特征变化检测技术路线

3. 实现过程

3.1样本创建

基于2015年与2022年遥感影像创建样本

植被样本（左）  水体样本（右）

建筑物样本（左）道路样本（右）

3.2 基于深度学习的地物特征分类

通过创建、训练与应用CNN模型，最终获得2015年与2022年地物特征分类热度图像。

左图：2015年植被热度图 右图：2022年植被热度图

左图：2015年建筑热度图像 右图：2022年建筑热度图像

左图：2015年水体热度图像 右图：2022年水体热度图像

左图：2015年道路热度图像 右图：2022年道路热度图像

在创建2015年与2022年各类地物特征的热度图像的基础上，通过面向对象影像分析方法利用原始影像的光谱、纹理、几何、空间关系等特征实现最终的地物特征分类。

左图：2015年地物特征分类 右图：2022年地物特征分类

3.3地物特征变化自动检测

在获得2015年与2022年地物特征分类的基础上，通过遥感智能解译分析软件eCognition中自动变化检测算法生成四类地物特征变化的最终成果。

随着遥感技术的发展，高分辨率遥感影像应用日趋成熟，采用遥感、无人机等技术进行地物特征动态监测，具有周期短，成本低，时效性高等特点，可有效减小地面普查的盲目性，提高工作效率。如何基于遥感影像进行地物特征变化信息自动提取，需要切实的生产技术支撑满足日益增长的业务需求。目前利用光谱特征的机器学习技术与通过大量样本的深度学习技术已逐渐应用于土地利用覆盖信息提取中，本文尝试的基于深度学习（CNN）技术与面向对象影像分析技术相结合的方式进行地物特征自动提取与自动变化检测，能进一步提高地物特征提取的分类精度。该方法可用于卫片执法、国土空间规划、地籍调查等应用中。