Please wait a minute...
 
国土资源遥感  2019, Vol. 31 Issue (4): 159-166    DOI: 10.6046/gtzyyg.2019.04.21
  技术应用 本期目录 | 过刊浏览 | 高级检索 |
基于深度学习的新增建设用地信息提取试验研究——全国土地利用遥感监测工程创新探索
吴海平1, 黄世存2
1. 中国国土勘测规划院,北京 100035
2. 中国资源卫星应用中心,北京 100094
Research on new construction land information extraction based on deep learning: Innovation exploration of the national project of land use monitoring via remote sensing
Haiping WU1, Shicun HUANG2
1. Institute of China Land Surveying and Planning, Beijing 100035, China
2. China Center for Resources Satellite Data and Application, Beijing 100094, China
全文: PDF(2883 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

以全国土地利用遥感监测工程积累的几百万个新增建设用地图斑为训练样本,利用卷积神经网络完成深度学习变化检测模型的训练,实现重大工程中新增建设用地信息的自动提取。与人工提取结果进行的对比分析表明,基于深度学习的新增建设用地自动检测技术在全国土地利用遥感监测工程中有很好的适用性,当新增建设用地信息提取查全率达80%左右时,辅以少量的人工干预可大大提高工程实施效率。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
吴海平
黄世存
关键词 深度学习土地利用遥感监测新增建设用地    
Abstract

The national project of land use monitoring via remote sensing has created millions of samples of new construction land. Based on these data, the authors conducted a preliminary research on applying the deep learning technology to automatically detect new constructions in comparison with the results generated by specialists. This study demonstrates that the deep learning technology has a great potential for completing the task of monitoring land use via remote sensing. It is believed that the efficiency of the project would be increased dramatically with minor manual assistance when a recall accuracy reaches 80%.

Key wordsdeep learning    land use    remote sensing monitoring    new construction land
收稿日期: 2018-11-30      出版日期: 2019-12-03
:  TP79  
基金资助:自然资源部专项项目“全国土地利用变更调查监测与核查”资助(ZX180901)
作者简介: 吴海平(1978-),女,硕士,高级工程师,主要从事土地资源调查、土地利用遥感监测等方面的研究。Email: wuhaiping@mail.clspi.org.cn。
引用本文:   
吴海平, 黄世存. 基于深度学习的新增建设用地信息提取试验研究——全国土地利用遥感监测工程创新探索[J]. 国土资源遥感, 2019, 31(4): 159-166.
Haiping WU, Shicun HUANG. Research on new construction land information extraction based on deep learning: Innovation exploration of the national project of land use monitoring via remote sensing. Remote Sensing for Land & Resources, 2019, 31(4): 159-166.
链接本文:  
https://www.gtzyyg.com/CN/10.6046/gtzyyg.2019.04.21      或      https://www.gtzyyg.com/CN/Y2019/V31/I4/159
Tab.1  新增建设用地分类体系
Fig.1  训练样本流程图
测试区域 1号区域 2号区域 3号区域 4号区域 5号区域
程序检测图斑/个 721 2 734 5 231 1 643 1 756
人工提取图斑/个 441 1 827 3 436 1 193 896
计算耗时/h 0.5 1 1.5 1.2 1
人工提取耗时/h 8 32 62 22 16
数量查全率/% 81.9 78.0 83.0 85.0 74.0
数量虚警率/% 99.7 91.9 83.5 62.0 164.9
数量漏检率/% 18.1 22.0 17.0 15.0 26.0
面积查准率/% 21.1 18.3 17.9 25.5 20.4
Tab.2  深度学习检测精度评价表
Fig.2  基于深度学习的变化监测结果
图斑类型 图斑个数 图斑面积/亩
1A 11 148.9
1B 249 1 395.2
1C 2 15.3
1D 9 91.0
1E 42 6 485.3
1F 7 29.3
2 197 4 747.8
3A 7 125.5
3B 100 581.4
3D 6 41.1
3E 12 1 536.1
3F 3 15.3
7A 32 146.2
7B 108 3 712.5
7D 1 5.4
Tab.3  通州区新增建设用地统计表
图斑类型 图斑个数 图斑面积/亩
1A 5 45.9
1B 135 312.5
1D 2 21.5
1E 1 15.4
2 43 1 000.6
3A 3 59.1
3B 30 245.0
3D 2 3.6
7A 24 121.1
7B 3 76.8
Tab.4  雁江区新增建设用地统计表
图斑类型 数量查全率 数量虚警率 数量漏检率 面积查准率
1A 100.0 218.2 0.0 31.5
1B 83.5 109.1 16.5 16.9
1C 50.0 600.0 50.0 20.3
1D 44.4 500.0 55.6 14.9
1E 45.2 131.6 54.8 19.2
1F 28.6 1 400.0 71.4 25.3
2 76.1 116.0 23.9 15.9
3A 100.0 85.7 0.0 27.8
3B 67.0 307.5 33.0 16.3
3D 33.3 950.0 66.7 16.8
3E 41.7 720.0 58.3 29.7
3F 33.3 2 600.0 66.7 18.3
7A 93.8 183.3 6.3 24.5
7B 82.4 431.5 17.6 9.3
7D 50.0 3 000.0 50.0 37.0
合计 75.9 212.1 24.1 17.2
Tab.5  通州区各类型精度统计表
图斑类型 数量查全率 数量虚警率 数量漏检率 面积查准率
1A 80.0 375.0 20.0 17.7
1B 85.7 265.0 14.3 12.9
1D 50.0 600.0 50.0 8.4
1E 0.0 400.0 100.0 0.0
2 69.8 516.7 30.2 16.7
3A 100.0 500.0 0.0 23.4
3B 90.0 118.5 10.0 18.7
3D 100.0 1 300.0 0.0 25.0
7A 83.3 325.0 16.7 8.1
7B 66.7 500.0 33.3 17.1
合计 82.6 309.6 17.4 15.9
Tab.6  雁江区试验结果统计表
[1] Hinton G E, Salakhutdinov R . Reducing the dimensionality of data with neural networks[J]. Science, 2006,313(5786):504-507.
[2] Mnih V, Hinton G E. Learning to detect roads in high resolution aerial images [C]//Proc.of 2010 European Conf.Computer Vision(ECCV2010).Piscataway,NJ:IEEE, 2010: 210-223.
[3] 刘大伟, 韩玲, 韩晓勇 . 基于深度学习的高分辨率遥感影像分类研究[J].光学学报,2016(4):306-314.
Liu D W, Han L, Han X Y . High spatial resolution remote sensing image classification based on deep learning[J].Acta Optica Sinica,2016(4):306-314.
[4] 高常鑫, 桑农 . 基于深度学习的高分辨率遥感影像目标检测[J].测绘通报,2014(s1):108-111.
Gao C X, Sang N . Deep learning for object detection in remote sensing image[J].Bulletin of Surveying and Mapping,2014(s1):108-111.
[5] 韩洁, 李盛阳, 张涛 . 基于深度学习的遥感影像城市扩展方法研究[J]. 载人航天, 2017,23(3):414-419.
Han J, Li SY, Zhang T . Research on urban expansion method based on deep learning of remote sensing image[J]. Manned Spaceflight, 2017,23(3):414-419.
[6] 张鑫龙, 陈秀万, 李飞 , 等. 高分辨率遥感影像的深度学习变化检测方法[J]. 测绘学报, 2017,46(8):999-1008.
Zhang X L, Chen X W, Li F , et al. Change detection method for high resolution remote sensing images using deep learning[J]. Acta Geodaeticaet Cartographica Sinica, 2017,46(8):999-1008.
[7] 阚希, 张永宏, 曹庭 , 等. 利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识[J]. 测绘学报, 2016,45(10):1210-1221.
Kan X, Zhang Y H, Cao T , et al. Snow cover recognition for Qinghai-Tibetan Plateau using deep learning and multispectral remote sensing[J]. Acta Geodaeticaet Cartographica Sinica, 2016,45(10):1210-1221.
[8] 陈洋, 范荣双, 王竞雪 , 等. 基于深度学习的资源三号卫星遥感影像云检测方法[J]. 光学学报, 2018,38(1):354-359.
Chen Y, Fan R S, Wang J X , et al. Cloud detection of ZY-3 satellite remote sensing images based on deep learning[J]. Acta Optica Sinica, 2018,38(1):354-359.
[9] 朱祺夫, 赵俊三, 陈磊士 , 等. 基于深度学习的遥感影像城市建筑用地提取[J] 软件导刊, 2018,17(10):18-21.
Zhu Q F, Zhao J S, Chen L S , et al. Urban construction land extraction of the remote sensing image based on depth learning[J]. Software Guide, 2018,17(10):18-21.
[10] 常亮, 邓小明, 周明全 , 等. 图像理解中的卷积神经网络[J]. 自动化学报, 2016,42(9):1300-1312.
doi: 10.16383/j.aas.2016.c150800
Chang L, Deng X M, Zhou M Q . Convolutional neural networks in image understanding[J]. Acta Automatica Sinica, 2016,42(9):1300-1312.
[11] 朱寿红, 王胜利, 舒帮荣 . 基于深度学习的高光谱遥感影像分类[J].城市勘测,2017(4):84-88.
Zhu S H, Wang S L, Shu B R . Classification of hyperspectral remote sensing image based on deep learning[J]Urban Geotechnical Investigation & Surveying, 2017(4):84-88.
[12] 余凯, 贾磊, 陈宇强 , 等. 深度学习的昨天、今天和明天[J]. 计算机研究与发展, 2013,50(9):1799-1804.
Yu K, Jia L, Chen Y Q , et al. Yesterday,today and tomorrow of deep learning[J]. Computer Research and Development, 2013,50(9):1799-1804.
[13] 郭丽丽, 丁世飞 . 深度学习研究进展[J]. 计算机科学, 2015,42(5):28-33.
Guo L L, Ding S F . Research progress of deep learning[J]. Computer Science, 2015,42(5):28-33.
[14] 黄昕 . 高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 武汉:武汉大学, 2009: 71-76.
Huang X , Multiscale Texture and Shape Feature Extraction and Object-oriented Classification for Very High Resolution Remotely Sensed Imagery[D]. Wuhan:Wuhan University, 2009: 71-76.
[15] Hinton G . A practical guide to training restricted Boltzmann machines[J]. Momentum, 2010,9(1):926.
[16] Larochelle H, Bengio Y, Louradour J , et al. Exploring strategies for training deep neural networks[J]. Journal of Machine Learning Research, 2009,10(1):1-40.
[1] 吴琳琳, 李晓燕, 毛德华, 王宗明. 基于遥感和多源地理数据的城市土地利用分类[J]. 自然资源遥感, 2022, 34(1): 127-134.
[2] 宋奇, 冯春晖, 马自强, 王楠, 纪文君, 彭杰. 基于1990—2019年Landsat影像的干旱区绿洲土地利用变化与模拟[J]. 自然资源遥感, 2022, 34(1): 198-209.
[3] 吕品, 熊丽媛, 徐争强, 周学铖. 基于FME的矿山遥感监测矢量数据图属一致性检查方法[J]. 自然资源遥感, 2022, 34(1): 293-298.
[4] 薛白, 王懿哲, 刘书含, 岳明宇, 王艺颖, 赵世湖. 基于孪生注意力网络的高分辨率遥感影像变化检测[J]. 自然资源遥感, 2022, 34(1): 61-66.
[5] 郭晓征, 姚云军, 贾坤, 张晓通, 赵祥. 基于U-Net深度学习方法火星沙丘提取研究[J]. 自然资源遥感, 2021, 33(4): 130-135.
[6] 王娟娟, 毋兆鹏, 王珊珊, 尹慧慧. 干旱区河谷绿洲土地利用冲突格局分析[J]. 自然资源遥感, 2021, 33(4): 243-251.
[7] 桑潇, 张成业, 李军, 朱守杰, 邢江河, 王金阳, 王兴娟, 李佳瑶, 杨颖. 煤炭开采背景下的伊金霍洛旗土地利用变化强度分析[J]. 自然资源遥感, 2021, 33(3): 148-155.
[8] 肖东升, 练洪. 顾及参数空间平稳性的地理加权人口空间化研究[J]. 自然资源遥感, 2021, 33(3): 164-172.
[9] 邓小进, 井长青, 郭文章, 闫豫疆, 陈宸. 准噶尔盆地不同土地利用类型地表反照率研究[J]. 自然资源遥感, 2021, 33(3): 173-183.
[10] 汪清川, 奚砚涛, 刘欣然, 周文, 徐欣冉. 生态服务价值对土地利用变化的时空响应研究——以徐州市为例[J]. 自然资源遥感, 2021, 33(3): 219-228.
[11] 冯东东, 张志华, 石浩月. 基于多元数据的省会城市城中村精细提取[J]. 自然资源遥感, 2021, 33(3): 272-278.
[12] 宋奇, 冯春晖, 高琪, 王明玥, 吴家林, 彭杰. 阿拉尔垦区近30年耕地变化及其驱动因子分析[J]. 国土资源遥感, 2021, 33(2): 202-212.
[13] 陈栋, 姚维岭. 基于ArcPy与定制ArcToolbox的矿山新增图斑自动编号及方法改进[J]. 国土资源遥感, 2021, 33(2): 262-269.
[14] 武宇, 张俊, 李屹旭, 黄康钰. 基于改进U-Net的建筑物集群识别研究[J]. 国土资源遥感, 2021, 33(2): 48-54.
[15] 卢麒, 秦军, 姚雪东, 吴艳兰, 朱皓辰. 基于多层次感知网络的GF-2遥感影像建筑物提取[J]. 国土资源遥感, 2021, 33(2): 75-84.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编:100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发