明長城(北京段)遙感動態監測與影響驅動分析

劉涵薇, 陳富龍, 廖亞奧

(1.中國科學院空天信息創新研究院數字地球重點實驗室,北京 100094; 2.可持續發展大數據國際研究中心,北京 100094; 3.中國科學院大學,北京 100049; 4.中國地質大學(北京),北京 100083)

0 引言

長城作為我國首個列入世界文化遺產名錄的遺產項目,承載著中華民族“創造、奮斗、團結與夢想” 的偉大精神?！侗本┏鞘锌傮w規劃(2016—2035年)》提出,北京長城文化帶總面積4 929.29 km2,為歷史文化名城保護體系中的重要組成部分,亦是全國文化中心建設的重要內容。注重保護其自然生態系統的原真性及完整性,對北部生態涵養功能區建設、北京歷史文化脈絡探索、京津冀一體化戰略協同發展都極為重要[1]。開展線性遺產文化帶環境要素動態變化及其驅動因子研究,能夠科學掌握其保護現狀和發展態勢,在監測評估中更好地落實自然生態系統的整體保護,為文化帶經濟、生態協調發展與遺產文化景觀可持續保護利用提供科學數據和技術手段。

明長城(北京段)景觀廊道范圍廣,傳統踏勘方法耗時耗力。衛星遙感技術具備宏觀、客觀、快速和精準等觀測優勢,在大型線性文化遺產景觀廊道環境要素一體化監測中具備應用潛力。遙感動態監測方法歷經了數理統計[2]、面向對象[3-4]、融合遙感大數據和機器學習[5-6]的技術革新過程。當前,深度學習方法為遙感科學與技術的縱深發展帶來了新的生命力。該方法能規避人工主觀性,依據損失函數自行抽取與任務最相關的特征; 且學習模型具備一定遷移性和多場景應用能力[7]。近年來,眾學者對深度學習方法在遙感數據分析中的作用機制、面臨挑戰、具備優勢和應用價值等進行了深入探索[8-9],提出了改進模型與算法[10-11],并成功應用于城市綠地分類、大型遙感建筑物變化檢測[12-14]以及文化遺產環境要素監測分析[15-17]等多種領域。然而,該方法在大型線性文化遺產景觀廊道整體性監測與方法適應性評估等方面的工作仍較為匱乏。綜合考慮明長城(北京段)文化帶監測評估工作相對不足和環境要素變遷機制相對不明的現狀,本文選取該文化帶為實驗對象,使用提出的集成面向對象變化向量分析和U-net深度學習遙感動態監測方法開展應用研究,旨在厘清2015—2020年度明長城(北京段)文化帶土地覆蓋類型變化趨勢及其與社會經濟之間的內在關聯,進而為該文化帶生態環境協調發展和文化景觀可持續保護提供技術支持。

1 研究區概況及數據源

1.1 研究區概況

北京市(E 115.7°～117.4°,N 39.4°～41.6°),地處于華北平原的西北邊緣,地勢西北高、東南低,三面環山,東南部為一片緩緩向渤海傾斜的平原。海拔范圍8～2 303 m,東鄰天津,南與河北交界。北京是全球擁有世界文化遺產(7處)最多的城市,也是全球首個擁有世界地質公園的首都城市。2020年全年接待旅游總人數達1.84億人次; 其中八達嶺長城、慕田峪長城是該城市文化遺產重要名片。

明長城(北京段)總長約527 km,整體走勢較連續。累計保存完整墻體比例約為12%,較完整約21%,存在損壞約67%,其保護工作仍有待加強。墻體周圍環境廊道作為該文化遺產的核心監控范圍,對于明長城本體的保護具有影響和承接作用。土地覆蓋類型的變化可反映自然生態變遷及社會經濟活動態勢,對于其整體的監測評估和驅動機制挖掘極為重要。本文以明長城(北京段)位置及走向為基準、向兩側各擴充2 km的文化帶為研究區域。該景觀廊道處于北京市北部,西臨軍都山,北靠燕山山脈,蜿蜒跨越延慶、懷柔等多個區域,空間展布范圍較大(圖1)。

圖1 明長城(北京段)文化帶研究范圍示意圖

1.2 數據源

覆蓋明長城(北京段)的2015年和2020年2期高分二號(GF-2)圖像,包含2 m分辨率全色和8 m分辨率多光譜(藍、綠、紅、近紅外)波段。經過ISH融合增強處理,得到2 m分辨率多光譜(RGB)真彩色圖像。

為了對明長城(北京段)文化帶進行多維度的影響因子驅動分析,收集了相關年份各行業產值及比例等社會經濟數據(北京統計年鑒: http: //nj.tjj.beijing.gov.cn/nj/main/2021-tjnj/zk/indexch.htm)。

2 研究方法

研究從GF-2圖像及明長城展布范圍出發,集成面向對象的變化向量分析(change vector analysis, CVA)掩模提取和U-net深度學習圖像分類技術,對2015—2020年間明長城(北京段)文化帶的環境要素進行遙感動態監測; 進而通過對重點靶區的精準聚焦和土地覆蓋變化矩陣的過程追溯,實現影響驅動因子的信息挖掘與科學詮析(圖2)。

圖2 明長城文化帶遙感動態監測與影響因子驅動分析技術流程圖

2.1 多尺度分割

將配準好的前后2個時相的圖像疊置,組合成兼顧二者信息的多時相組合圖像; 采用多尺度分割算法對其進行分割,得到矢量斑塊,作為后續變化區域掩模提取的尺度對象。分割中需要確定尺度因子、形狀因子、緊致度以及各個波段所占權重大小等。為了能夠將聚集的同質對象有效識別出來,在保證相鄰圖斑明顯差異性的基礎上,需要避免過度分割導致數據零碎[18]。

由于分割結果難以做到與實際地物類別分離情況完全吻合,分割后需進一步進行斑塊分離與合并?？傮w而言,分割參數的選用需要根據實際情況、影像分辨率、地物分布特點等優化選定。

2.2 變化向量分析

采用面向對象的CVA方法[19],將前后2期數據的斑塊特征值構成特征矢量,設定基準圖像(前時相)特征矢量為X,待檢測圖像(后時相)的特征矢量為Y,即

,

(1)

式中n為特征值數。

二者相減得到變化矢量ΔX,即

,

(2)

選取歐式距離值代表變化強度大小記為|ΔC|,即

,

(3)

式中|ΔC|包含了從前-后時相數據各個特征值變化的總和,代表著2期圖像的特征差異; 其值越大,表明2期圖像間的差別越大,即對應斑塊土地覆蓋類型變更概率越大; 反之亦然。進而,可以根據計算的變化強度閾值,判定斑塊變化屬性。

2.3 深度學習圖像分類

深度學習模擬人腦多層嵌套的神經系統,逐層進行數據特征的提取并學習其內在的規律特點,能夠從樣本中抽取更高層次的特征,為遙感圖像的處理提供了更為智能化的方式。

卷積神經網絡是根據輸入/輸出建立對應關系的網絡模型,主要由提取特征的卷積層、濃縮數據量并過濾提取信息的池化層、整合類別區分信息的全連接層以及輸入、輸出層構成[20]。而針對圖像語義分割,該方法通過全卷積網絡,確定遙感圖像像素類別并保留其位置信息。

本文采取一種U形對稱全卷積網絡—U-net,最初由Ronneberger等[21]提出。其體系結構主要分為2部分: 編碼器和解碼器。編碼器通過多個卷積層連續采樣,得到不同的圖像特征級別,在每次下采樣之后,特征通道的數量也增加了一倍; 由于最大池化層的存在,特征映射的大小也將逐級減小。解碼器對頂層特征圖進行多層反卷積,并在下采樣過程中結合不同的特征層,將特征圖恢復到原始輸入圖像大小,完成圖像的端到端語義分割任務[22]。

2.4 土地覆蓋變化率計算及變化矩陣生成

假設前后2時相分別為t1和t2,分類結果共有m種,則以灰度值0 ～(m-1)代表各類別,將2時相結果進行差分: 若像素值為0,代表前后類別相同,未產生變化; 若前后類別不同,則重新賦值為1,代表發生變化。計算變化區域占總研究區的百分比即為變化率,即

δ=nv=1/(nv=0+nv=1)

,

(4)

式中:δ為變化率;v為灰度值;n為像素個數。 土地覆蓋變化率綜合反映自然過程及人為活動影響下地表覆蓋變化的強度。

變化矩陣由分類后各類別的轉換情況構成,為m×m的矩陣,代表各類別轉換的數量及占比情況,能夠較為清晰地表達地表覆蓋的轉換過程。

3 實驗及結果

3.1 變化區域掩模提取

為了方便2期數據對比處理以及綜合考慮程序內存容量限制,將整體廊道通過棋盤分割方式,以5 000×5 000像素為基本單元,劃定為53個區塊(圖3),構成2015年和2020年53對區塊影像。

圖3 明長城(北京段)文化帶廊道影像分塊示意圖

將每對區塊影像疊置,進行多尺度分割。根據研究區地物整體特征,設置尺度因子為30,形狀因子0.1,緊致度0.5,實現人工用地細節信息地精細分割。根據分割后的矢量文件,通過CVA算法提取差異較大的斑塊,作為變化區域掩模圖層輸入。

3.2 深度學習遙感圖像分類

3.2.1 樣本制作及數量測試

依據已有土地利用分類體系標準,結合GF-2融合影像特征,選取人工用地、水體、林地、草地、耕地、裸地進行樣本勾畫和制作,以凸顯和刻畫明長城文化帶環境要素地動態變化過程[23]。選取全連接網絡U-net模型,將大尺寸影像及標簽圖像切割為若干256×256像素樣本集合,并通過旋轉、翻轉、改變對比度等方式對樣本集進行增廣,以提高模型學習的魯棒性。

通過控制樣本數量對模型進行分類精度測試,分類精度性能對比如表1與圖4。

表1 不同樣本量對U-net模型分類精度的影響

圖4 不同樣本量下U-net模型分類精度變化

從圖4可以看出,分類精度整體隨樣本量的增加而提高; 其次,當樣本數量從前期的千級到萬級跨越時,模型學習性能提升幅度明顯; 后期則隨著樣本量增加,精度提升呈現收斂趨勢。將所制作的樣本以7∶3的比例進行訓練樣本和測試樣本的分配,最終使用的學習樣本數量為: 2015年訓練樣本53 020個,驗證樣本22 640個; 2020年訓練樣本53 244個,驗證樣本22 788個。本研究樣本量在7萬～8萬之間,可實現優于85%的分類準確度。

3.2.2 模型訓練及預測

經過測試,設置batch_size=16,學習率為0.000 1時模型效果最佳,2期模型訓練精度及損失曲線如圖5。訓練均在5輪內收斂且繼續穩步提升。2015年模型訓練精度最高達99.3%,驗證精度達97.1%,訓練損失降至0.024,驗證損失降至0.123。2020年模型訓練精度最高達96.5%,驗證精度達96.8%,訓練損失降至0.223,驗證損失降至0.218。

(a) 2015年精度 (b) 2015年損失

針對整景或廣覆蓋遙感圖像的處理,本文采用待分類圖像分割批量預測和結果拼接的處理策略。CVA變化掩模圖層的輸入,可使U-net深度學習聚焦預變化重點區域,在提升數據處理效率的基礎上,進一步抑制基于像素處理的分類散斑噪聲。在整個研究區生成1 000個隨機驗證點位,人工判別確定真值類別,對分類結果通過混淆矩陣分析精度(表2、表3)。結果顯示: 2015年整體精度可達86.40%,Kappa系數為0.66; 2020年整體精度可達87.20%,Kappa系數為0.65; 揭示了模型預測結果的魯棒性以及研究區各類別面積占比變化的差異性。

表2 明長城(北京段)影像U-net分類結果混淆矩陣(2015年)

表3 明長城(北京段)影像U-net分類結果混淆矩陣(2020年)

3.3 景觀廊道環境要素動態監測

研究區GF-2圖像的獲取時相對應作物成熟/收割生長周期,光譜特征與同時期的草地、耕地、裸地相似(同譜異物)?？紤]這些土地覆蓋類型與人為擾動相關度不大,故對其進行合并處理為“裸土耕地等”,與原“人工用地”、“水體”、“林地”生成4大土地覆蓋類型。將重分類后的2015年和2020年度圖像進行差分,得到文化帶景觀廊道土地覆蓋變化圖及其對應類型變更信息(圖6); 子圖A—D為放大后的典型轉換類別。計算變化圖斑比例得到土地覆蓋總體變化率為:

δ=2 229 413/(2 229 413+2 280 197 447)= 0.098%

,

(5)

4 討論與分析

4.1 深度學習與傳統分類方法對比

為了驗證所選模型的適用性與有效性,選取一處含多種地物類型的圖像為示例,分別使用決策樹(decision tree classifier,DTC)、支持向量機(support vector machine,SVM)、隨機森林(random forest,RF)分類器與U-net進行對比試驗; 并隨機選取100個點位對分類結果進行精度評價,結果見表4。由圖7、圖8分類對照結果可知,圖像中裸地與耕地光譜差異較小,山體陰影造成林區易與水體混淆,即DTC,SVM,RF分類器按光譜等特征進行土地覆蓋分類,因同物異譜、異物同譜現象錯分明顯; 而U-net模型能通過樣本遷移,學習發現地物之間整體規律和語義信息,改善山體陰影等錯分現象,類別完整性好,分類精度提升明顯。

(a) 測試圖像分類結果 (b) U-net分類結果

(a) RF分類結果 (b) DTC分類結果 (c) SVM分類結果

4.2 變化矩陣與影響因子驅動分析

統計各地表要素變化類型像素的數量與比例,得到類別變化矩陣(表5)。

表5 明長城(北京段)文化帶2015—2020年土地覆蓋變化矩陣

由計算結果可知,總體變化率不到0.1%; 揭示明長城(北京段)所受影響較小。對變化矩陣作統計分析見圖9。由圖9可知,地表要素的變化主要體現在裸土耕地等與人工用地、林地的轉化,占比最大的為裸土耕地類別向林地轉化,是森林覆蓋面積增加的表征,貢獻文化帶生態正向變化(占比1/3)。其次是裸土耕地向人工用地轉化(占比約1/4),表現為自然空地、耕地等的人為占用,包括工業、商業以及居住用地的建設(圖10(a),(b)),揭示社會經濟建設對生態環境的人為干預與破壞。同時占比約12%的人工用地拆除與環境整治情況,貢獻林地面積增加和生態正向變化。林地與人工用地互為轉化比例相當,占比約11%; 另存在約6%的人工用地拆除或土地復耕。

圖9 不同變化類別占比情況

(a) 細節一: 2015年圖像、2020年圖像和變化標記 (b) 細節二: 2015年圖像、2020年圖像和變化標記

同時研究也發現了少量偽變化標記,見圖10,圖中每幅小圖從左到右分別為2015年圖像、2020年圖像和變化標記,如季節氣候等變化引起的農作物的不同生長周期表征(如圖10(c)為生長季與收割期差異); 冬季水體表面結冰導致的高反射與常態深色水體的差異(圖10(d))。

對比2015年及2020年的各類經濟數據(圖11),發現以養殖、種植、培育生物材料相關的第一產業逐年下降,對自然地類的使用率有所降低。而生產總值仍隨經濟發展而增長,含建筑土木、工業生產、房地產等的第二產業則呈現小比例提升,體現在土地覆蓋中人工用地的征用或退還,與經濟穩步發展整體協調。城市綠化覆蓋(由48.4%變更至49.0%)較為穩定,森林覆蓋率從41.6%小幅增加至44.4%,與變化矩陣中林地比例的上升情況相符。近年來,北京旅游人數緩慢增加(去除2020疫情重大社會事件因素),2015—2020年旅游產業數據呈上升趨勢,揭示對文化遺產保護與開發的更高要求。

圖11 各產值分布及各年份比率增長趨勢

綜上所述,2015—2020年明長城(北京段)文化帶人工用地對裸土、林地等自然地類的侵占使用整體可控,生態環境保護與開發呈現正向發展態勢。

5 結論

針對明長城大型線性文化遺產賦存環境一體化監測和評估研究需求,本文提出了一種集成面向對象變化向量分析和U-net深度學習的遙感動態監測方法,開展2015—2020年時相文化帶景觀廊道土地覆蓋遙感變化監測和社會經濟影響驅動機制詮析,實驗結果表明:

1)明長城(北京段)文化帶2015—2020年期間,土地覆蓋變化率約千分之一,主要表現在裸土、耕地等向林地轉化,以及人工用地部分占用; 社會經濟建設等擾動整體可控,文化帶生態環境正向發展態勢良好。

2)針對GF-2真彩色圖像中同物異譜、異物同譜等問題,深度學習圖像分類相較于傳統遙感分類方法具備優勢,可以保留地物完整紋理和影像語義信息,獲得更為精確的遙感地物分類結果。

3)深度學習模型分類精度直接受制于樣本數量,總體呈正比關系; 但達到一定量級之后,精度改善緩慢并趨于飽和。使用U-net全連接網絡進行語義分割需要保證樣本與標簽的全面對應,對典型性標簽樣本制作提出了更高要求。

總體來說,使用面向對象CVA變化掩模提取方法,輔助分類后變化檢測可高效、精準獲取土地覆蓋變化靶區,抑制基于像素分類的散斑效應,便于時相間地物類別變化檢測與變化矩陣定量分析。融合社會經濟數據的遙感智能處理和信息解譯,可以深層次挖掘、佐證變化驅動力因素,為文化帶景觀廊道環境要素動態變遷研究提供全新方案。未來我們將進一步細化樣本類別,提升其廣度與精度; 針對遙感圖像特征改進U-net模型結構,進一步提高模型的適配性與分類精度,為方法模型的普適性推廣與復雜場景應用奠定技術基礎。