图谱理论协同深度学习的时序化高分遥感城市地块覆盖变化识别方法研究

20220106

信息传输、软件和信息技术服务业

本项目对高分辨率遥感影像中的多尺度建筑物识别进行研究，提出了一整套基于深度学习的多尺度建筑物识别与变化检测方法及技术体系，能通过训练好的识别模型实现待识别图像中多尺度建筑物的共生识别，并能有效将建筑物屋顶与建筑物侧立面分割开，破解多尺度建筑物目标难以共生存在问题和建筑物屋顶与侧立面易混淆识别的问题，提高了多尺度建筑物识别的精度和识别模型的普适性。已申请相关专利一项。（建筑物识别方法及装置，2020，发明专利：CN202011461596.7）。并利用多时相数据进行建筑物变化检测识别。本项目的研究成果已经在高分影像缅甸曼德勒市太阳能光伏屋顶识别与资源潜力分析项目和越南高分遥感建筑物信息提取项目中取得了实际应用。结合课题组研究成果，对缅甸曼德勒市建筑物进行识别、提取与处理，获得曼德勒市建筑物矢量地图，并进行建筑物外形优化，计算建筑物屋顶面积，为曼德勒市太阳能光伏屋顶资源潜力分析和部署决策提供基础数据支持。最终获得曼德勒建筑物矢量多边形共计305,748个，总面积23,044,141.43㎡。基于太阳能光伏建筑一体化设计与一带一路沿线国家开展可再生能源潜力的研究、开发和合作，为沿线国家提供支持，以实现低碳可持续发展的目标。通过对越南薄辽省（Bac_Lieu）、广治省（Quang_Tri）、同塔省（Dong_Thap）的建筑物进行识别、提取与处理，获得越南三省的建筑物矢量地图，并进行建筑物外形优化，计算建筑物屋顶面积，为越南薄辽省、广治省、同塔省太阳能光伏屋顶资源潜力分析和部署决策提供基础数据支持。最终获取薄辽省建筑物矢量多边形总计358,648个，总面积30,368,146.48㎡；同塔省建筑物矢量多边形总计1,061,364个，总面积4,261,217㎡；广治省建筑物总计196,252个，总面积15,553,570.37㎡。

随着全球经济的高速发展，化石能源的消耗大量增加，由此带来的能源短缺及环境污染问题引起了人们的关注。可再生能源在改善能源结构、缓解气候变化等方面较传统化石能源有较大的优势。太阳能光伏电池技术日趋成熟，已成为技术可行的大规模可持续能源的主要来源之一，适宜与建筑物相结合规模化应用在城市地区。评估城市建筑物屋顶光伏资源利用潜力是在城市环境中进行太阳能利用规划的关键环节。屋顶太阳能光伏资源潜力分析不仅对实际项目中的能源设计和规划具有重要的指导作用，也为屋顶太阳能光伏部署决策提供支持，对容纳电网容量和制定未来适应性政策等具有重要的现实意义。本成果需要合作方提供一定的资金支持，因产品研发及项目生产需大量经费，包括：专家咨询费，人员劳务费，设备采买费等等；如需大规模生产，还需合作方提供相应的工作场地（工作间），以及配备相应的设备，如服务器，打印机，扫描仪，硬盘等等；服务器配置要在CUDA驱动的Keras2.2.2和TensorFlow1.7.0框架下实现的，并在NVIDIA GeForce GTX 1060的单GPU上运行。本科研团队一次只能配备一到两名技术人员提供技术支持，具体生产还需配备相应的生产人员。

可国（境）内外转让

评估城市建筑物屋顶光伏资源利用潜力是在城市环境中进行太阳能利用规划的关键环节。屋顶太阳能光伏资源潜力分析不仅对实际项目中的能源设计和规划具有重要的指导作用，也为屋顶太阳能光伏部署决策提供支持，对容纳电网容量和制定未来适应性政策等具有重要的现实意义。 随着各类高分卫星的成功发射以及无人机遥感技术的飞速发展，快捷高效的获取海量高分遥感数据已成为可能，高分辨率遥感数据拥有信息量大、较容易获取、实时性好、精确性高等特点，在多种领域中都得到了较广泛的应用。城市建筑物屋顶光伏资源潜力分析对光伏资源大规模开发起到新能源开发利用引导和信息服务的作用，而基于遥感图像的城市建筑物屋顶识别，是实现光伏资源潜力分析的关键技术。 太阳能利用是解决能源危机，缓解气候变化，实现城市可持续发展的重要手段。太阳能光伏建筑一体化的技术已经发展成熟，具备了在城市环境中规模化应用的条件，评估城市建筑屋顶光伏利用潜力是城市中进行太阳能利用规划的关键环节。评估屋顶太阳能光伏潜力对于在实际项目中的能源设计和规划具有重要的指导作用，为屋顶太阳能部署决策提供支持，对可容纳电网容量，光伏实用性分析，以及制定未来适应性政策是至关重要的，也能加快光伏屋顶的发展，为光伏应用的进一步研究提供了基础。

北京市自然科学基金面上项目

北京市科学技术委员会;中关村科技园区管理委员会

高分辨率遥感影像能够精细地表达丰富的地表信息，利用高分辨率遥感影像的宏观性以及时空全覆盖性等优势进行城市地块覆盖变化识别是当前高分遥感影像分析和应用领域的研究热点。目前的研究仍缺乏如何快速而精确地将地表要素从遥感影像空间转换到地理信息空间的有效技术手段，现有方法或算法应用于高分遥感城市地块覆盖对象化识别时仍存在明显的局限性：（1）高分影像中影像目标对象化以及与地理环境中地理对象间的图谱协同问题；（2）时空序列对象化变化检测需求与深度学习遥感大数据应用问题。 计算机视觉领域深度学习技术的快速发展为实现基于高分遥感影像的专题地物的对象化识别带来了新的机遇，但目前仍存在两个困境：（1）尚缺少按多尺度层级逻辑构建的城市地块覆盖高精度轮廓级别的样本库，而样本数据的类别组织方式、尺度分布特征及样本数据质量对深度学习的应用效果会有很大影响；（2）目前国际上主流的方法采用像素层级掩码的实例（或语义）分割方式，模型的输出结果无法直接应用于 GIS 矢量数据生产且数据质量无法满足相关数据质量标准，面向地块矢量化多边形提取的实例分割工作亟待开展。本研究基于深度学习在影像目标识别方面的优势，以高分遥感影像地物的几何光谱特征为基本依据，面向高分辨率遥感大数据地物要素对象化识别方法的工程化应用，开展了高分遥感城市地物矢量层级的目标提取的研究工作。 主要的研究内容与应用成果如下： （1）高空间分辨率遥感影像目标对象化与地理对象图谱协同研究。研究采用自动化与人工半自动化信息协同采集方式，构建兴趣地物目标时空信息样本库。按照分类逐层对象化模式进行遥感影像对象图谱信息计算，构建各类别影像对象遥感图谱信息计算模型，形成遥感影像对象信息图谱。在遥感土地覆盖对象化变化检测层面（地理对象与影像对象）形成图谱理论的耦合统一。 （2）图谱理论协同深度学习的遥感大数据地表覆盖（要素）对象化变化检测方法研究。研究采用非监督逐层“增量学习”神经网络训练机制，基于土地覆盖本底数据和遥感大数据分析进行地物目标（地块）深度学习的网络训练，完成遥感大数据地表覆盖（要素）对象化变化检测理论和方法体系的构建和完善。 （3）图谱理论协同深度学习的遥感地表覆盖（要素）对象化变化检测实证研究。采用国产高分辨率遥感卫星（航拍）系列数据，在北京市通州区（城建发展迅速属城乡结合部，样本在全国范围具有一定代表性）开展遥感地表覆盖（要素）对象化变化检测实施方案设计与实证研究。