面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

龚健雅, 张展, 贾浩巍, 周桓, 赵元昕, 熊汉江

龚健雅, 张展, 贾浩巍, 周桓, 赵元昕, 熊汉江. 面向多源数据地物提取的遥感知识感知与多尺度特征融合网络[J]. 武汉大学学报 ( 信息科学版), 2022, 47(10): 1546-1554. DOI: 10.13203/j.whugis20220580
引用本文: 龚健雅, 张展, 贾浩巍, 周桓, 赵元昕, 熊汉江. 面向多源数据地物提取的遥感知识感知与多尺度特征融合网络[J]. 武汉大学学报 ( 信息科学版), 2022, 47(10): 1546-1554. DOI: 10.13203/j.whugis20220580
GONG Jianya, ZHANG Zhan, JIA Haowei, ZHOU Huan, ZHAO Yuanxin, XIONG Hanjiang. Multi-source Data Ground Object Extraction Based on Knowledge-Aware and Multi-scale Feature Fusion Network[J]. Geomatics and Information Science of Wuhan University, 2022, 47(10): 1546-1554. DOI: 10.13203/j.whugis20220580
Citation: GONG Jianya, ZHANG Zhan, JIA Haowei, ZHOU Huan, ZHAO Yuanxin, XIONG Hanjiang. Multi-source Data Ground Object Extraction Based on Knowledge-Aware and Multi-scale Feature Fusion Network[J]. Geomatics and Information Science of Wuhan University, 2022, 47(10): 1546-1554. DOI: 10.13203/j.whugis20220580

面向多源数据地物提取的遥感知识感知与多尺度特征融合网络

基金项目: 

国家自然科学基金 42090011

国家自然科学基金 41971402

详细信息
    作者简介:

    龚健雅,博士,教授,中国科学院院士,长期从事地理信息理论和摄影测量与遥感基础研究。gongjy@whu.edu.cn

    通讯作者:

    张展,博士生。zhangzhanstep@whu.edu.cn

  • 中图分类号: P237

Multi-source Data Ground Object Extraction Based on Knowledge-Aware and Multi-scale Feature Fusion Network

Funds: 

The National Natural Science Foundation of China 42090011

The National Natural Science Foundation of China 41971402

More Information
    Author Bio:

    GONG Jianya, PhD, professor, Academician of Chinese Academy of Sciences, specializes in geo-informatics and photogrammetry. E-mail: gongjy@whu.edu.cn

    Corresponding author:

    ZHANG Zhan, PhD candidate. E-mail: zhangzhanstep@whu.edu.cn

  • 摘要: 遥感地物自动提取是遥感智能解译中的关键问题,对空间信息的理解和知识发现具有重要意义。近年来,使用全卷积神经网络(fully convolutional networks, FCN)从高分影像和三维激光雷达(light detection and ranging, LiDAR)数据中提取地物信息因取得了较好效果而受到广泛关注。现有FCN网络在地物提取精度和效率等方面仍存在不足,由此提出一种基于多源数据的遥感知识感知与多尺度特征融合网络(knowledge-aware and multi-scale feature fusion network, KMFNet)。在网络编码器端融入遥感知识感知模块(knowledge-aware module, KAM),高效挖掘多源遥感数据中的遥感知识信息;在网络编码器和解码器之间添加了串并联混合空洞卷积模块(series-parallel hybrid convolution module, SPHCM),提高网络对地物多尺度特征的学习能力;在解码器端使用了渐进式多层特征融合策略,细化最终的地物分类结果。基于公开的ISPRS语义分割标准数据集,在LuoJiaNET遥感智能解译开源深度学习框架上将KMFNet与当前主流方法进行了对比。实验结果表明,所提方法提取出的地物更为完整,细节更加精确。
    Abstract:
      Objectives  In recent years, the automatic ground object extraction from remote sensing images has been dramatically advanced by the fully convolutional networks (FCNs). It is an effective method to fuse high-resolution images and light detection and ranging (LiDAR) data in FCNs to improve the extraction accuracy and the robustness. However, the existing FCN-based fusion networks still face challenges in efficiency and accuracy.
      Methods  We propose a knowledge-aware and multi-scale fusion network (KMFNet) for robust and accurate ground object extraction. The proposed network incorporates a knowledge-aware module in the network encoder for better exploiting remote sensing knowledge between pixels. A series-parallel hybrid convolution module is developed to enhance multi-scale representative features from ground objects. Moreover, the network decoder uses a gradual bilinear interpolation strategy to obtain fine-grained extraction results.
      Results  We evaluate KMFNet in the LuoJiaNET with four current mainstream ground object extraction methods (GRRNet, V-FuseNet, DLR and Res-U-Net) on ISPRS 2D semantic segmentation dataset. The comparative evaluation results show that KMFNet can obtain the best overall accuracy. Compared with the other four methods, KMFNet achieves a better effect by improving the overall accuracy by 3.20% and 2.82% on average in ISPRS-Vaihingen dataset and ISPRS-Potsdam dataset, respectively.
      Conclusions  KMFNet achieves the best extraction results by capturing the intrinsic pixel relationships and strengths the multi-scale representative and detailed features of ground objects. It shows great potential in high-precision remote sensing mapping applications.
  • 陕西安康机场始建于2016年,竣工于2020-05,正式通航于2020-09-25。机场位于以膨胀土为主要土体的安康月河盆地[1]。膨胀土是自然形成的一种多裂隙地质体,具有显著胀缩性、超固结性和多裂隙性等不良性质[2]。此外,安康机场场址地形复杂,机场建设中填土3 000万方,挖填垂直高差94 m,目前是国内最大体量的膨胀土高填、挖方机场[3],大规模填方土的固结压缩性也是地面沉降的常见诱因[4]。因此,安康机场区域存在填方土固结压缩、膨胀土潜在形变等灾害隐患,时刻威胁着安康机场安全通航,十分有必要对安康机场实时进行监测和稳定性分析,获取机场正式运营前期形变监测及稳定性分析评价则是保证机场安全通航的关键组成部分。

    目前针对机场区域地表形变问题的常规监测方法有全球定位系统(global positioning system,GPS)测量、水准测量、分层标定技术等。但上述监测方法人工设备成本较高,只能获取较为离散的点位形变数据,可能遗漏形变信息,较难对研究区域进行整体形变监测。合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术作为一种新型对地观测手段,可以克服传统观测手段的不足,通过强度和相位两种观测值,获取高分辨率地表形变信息,实现空间大范围探测和长周期精密监测[5]。目前,时序InSAR技术已广泛应用于以缓慢形变为主的各类机场进行长时序形变监测与机理分析,如以填海土为沉降主因的中国上海浦东机场[6]、厦门翔安机场[7-8]和香港赤腊角机场[9],沉降与高填方强相关的康定机场[10]和九寨黄龙机场[11],以及热带泥炭特殊性质导致沉降的马来西亚吉隆坡国际机场[12]等机场区域。近年来,通过分析InSAR观测结果与土壤环境之间的规律性,证明了时序InSAR技术用于监测与土壤性质相关的地表形变的可靠性[13],时序InSAR技术的特点同样被证明契合于监测膨胀土特殊水力学性质导致的周期性缓慢形变问题[14]

    本文采用一种基于高程改正的InSAR形变监测策略,结合永久散射体干涉测量(persistent scatterer InSAR,PS-InSAR)技术与小基线集干涉测量(small baseline subset InSAR,SBAS-InSAR)技术对膨胀土机场区域进行运营前稳定性分析,并结合膨胀土胀缩特性、填方层厚度以及区域降水量分布对膨胀土形变规律进行分析。

    安康机场位于秦岭南麓月河盆地北缘台地区域,存在大量膨胀土,成分包括粘性土、粉质粘土、碎石类土、砂岩、泥岩与砾岩等。膨胀土特殊水力作用是膨胀土土体失稳的根本原因,主要包括水分和应力变化造成胀缩变形、裂隙发育和强度降低的作用[15]。这些特性极易对土体上的基础设施造成潜在的地质危害。

    综合研究区域水文条件与地质环境,首先,安康机场兼备高强降雨期集中与膨胀土大量分布等膨胀土灾害发生必要条件。强降雨期,膨胀土土体吸水,发生膨胀现象;旱期,膨胀土土体失水,发生收缩现象,雨期与旱期反复胀缩,造成安康机场区域表层土体裂隙发育。其次,在罗家河、俭沟等复杂地貌条件下进行高填方工程会导致两类潜在地质病害,即原有地基固结与构筑体自身压缩导致的高填方地基沉降变形,以及填方体施工后变形和施工进度差异造成的不均匀沉降[16]。因此,有必要结合降水量分布对安康膨胀土机场地面形变进行持续监测。

    哨兵1号A星(Sentinel-1A)提供覆盖安康地区、重访周期为12 d的卫星数据,满足对安康机场区域进行时序InSAR监测的数据条件。实验数据如图 1所示,通过对图1(b)1(c)中不同时期高分系列光学影像目视解译发现,直至2020-04,机场区域仍有较为明显的施工痕迹;2020-05后,机场地形基本固定,跑道施工已经完成,满足InSAR监测的必要条件,而后续合成孔径雷达(synthetic aperture radar,SAR)影像中干涉对的相干性也证明了这一点。因此,本文选择2020-05-2021-01共17景Level-1 Sentinel-1A升轨影像单视复数(single look complex,SLC)数据进行实验,研究区域及数据覆盖范围如图 1(a)所示。

    图  1  实验数据
    Figure  1.  Study Data

    使用Sentinel-1A卫星SAR数据成像模式为干涉宽幅(interferometric wide swath,IW),极化方式为VV与VH双极化,入射角为39.5°,方位向×距离向分辨率为2.33 m×13.99 m,影像数据如下:轨道号100,轨道配置ASCENDING,获取日期分别为2020年5月24日,6月5、17、29日,7月11、23日,8月4、16、28日,9月21日,10月3、15、27日,11月8、20日,12月2、26日。

    在InSAR数据处理中,用SRTMGL1[17](shuttle radar topography mission global 1 arc second)扣除地形相位。SRTM计划提供的分辨率为1″的SRTMGL1产品相较于3″分辨率的数字高程模型(digital elevation model,DEM)数据细节信息更为丰富,更符合真实地貌;相较于其他分辨率为1″的DEM产品,如ASTER GDEM(advanced spaceborne thermal emission and reflection radiometer global digital ele‑vation model)颗粒感更弱,丢失信息更少。因此,在DEM偏差估计与改正中,采用NGA自2015年7月提供的分辨率为1″(约30 m) 的SRTMGL1作为外部DEM产品。在有关DEM的相关研究中,SRTMGL1被验证在平地区域垂直精度小于9 m[18],在多山丘陵区域,垂直精度为4.31~14.09 m[19]

    针对安康膨胀土机场施工历史中挖填方程度较大,而外部DEM数据采用的SRTMGL1时效性较差的问题,在InSAR数据处理中需要重点考虑DEM误差的改正。对此,本文利用GAMMA与StaMPS软件,同时采用基于高质量干涉对并顾及DEM误差的SBAS-InSAR与PS-InSAR进行形变监测。整体数据处理流程如图 2所示,具体步骤为:(1)利用精密轨道数据以及SRTMGL1作为外部DEM产品对覆盖研究区域的Sentinel-1A数据进行预处理,包括影像裁剪、多普勒效应的消除以及影像配准;(2)选取短时间基线、长空间基线的干涉对子集来计算DEM误差,将得到的DEM误差迭代更新到原始DEM数据中[20];(3)选取短时间基线、短空间基线的干涉对子集,使用SBAS-InSAR技术计算研究区域的形变时间序列;(4)使用PS-InSAR技术计算研究区域累计形变与形变时间序列。

    图  2  数据处理流程
    Figure  2.  Flowchart of Data Processing

    IW成像模式下的Sentinel-1A影像数据以循序扫描地形观测(terrain observation by progressive scans,TOPS)成像实现250 km幅宽的扫描成像,但在TOPS模式下,不同burst之间存在较大多普勒中心频率变化,配准误差将会引起干涉相位的偏移[21],这导致不同burst之间容易出现明显的相位跳变现象,因此需要利用GAMMA软件进行数据预处理。由于安康机场位于两景Sentinel-1A数据接缝处,因此先将对应时间两景影像拼接并进行burst选取。所有影像需添加精密轨道参数,并精确配准到某一参考影像雷达坐标下。为实现SLC影像间的精确配准,利用主副影像参数文件和DEM计算初始查找表,将辅影像重采样到参考影像的几何框架下。结合距离向和方位向配准偏移多项式对影像进行重采样。在此基础上,有少量数据需进一步基于频谱多样性进行重叠区配准,消除差分干涉图中burst间的相位不连续造成的误差。

    在InSAR数据处理中,引入了1″(约30 m)分辨率的SRTMGL1作为外部DEM剔除地形相位。考虑研究区域进行了高挖、填方工程,以及外部DEM产品相对于Sentinel-1A影像数据时效性较低,这会导致差分干涉图中出现与垂直基线相关的DEM误差相位[22],此外地形坡度、地表植被覆盖等因素也会影响SRTMGL1的精度质量[23],因此本文对DEM偏差值进行了估计并改正。

    时序InSAR技术从覆盖同一地区多幅SAR影像中提取地形相位,再根据高程与相位间的关系解算出DEM误差。基于文献[24]提出的SBAS算法对DEM误差进行估计并校正。假设地表形变为完全线性,则图上像素点的线性形变及其DEM误差z的求解函数模型如下:

    ΔAX=[v¯a¯a¯z]X=δφ

    式中,A为系数矩阵,反映了待求参数向量X与观测值δφ间的关系;X由平均速率v¯、平均加速度a¯、平均加速度的增量a¯以及待求DEM误差z共同组成。A的计算式为:

    AM×4=[BM×NMN×3CM×1]

    其中,BM×NMN×3X的形变部分对应的系数矩阵,反映形变速率与差分干涉图解缠相位之间的关系;CM×1X的DEM误差z对应的系数矩阵,反映了DEM误差与差分干涉图解缠相位之间的关系,表达式为:

    CM×1T=[4πλB1/rsinθ4πλB2/rsinθ4πλBM/rsinθ]

    式中,λ表示雷达波长;B1表示垂直基线长度;r表示轨道半径;θ表示卫星入射角。将式(3)式(1)联立,基于奇异值分解,即可求取最小二乘准则下的DEM误差值。式(3)中反映的DEM误差与干涉对垂直基线之间的关系说明,干涉对垂直基线越长,差分干涉解缠相位对DEM误差越敏感。此外,大气伪影和相位噪声的影响在时间上是不相关的,因此具有长垂直基线子集的多干涉图的加权平均可以大大减少最终DEM上的相位伪影。综上,为更加准确地解算DEM误差,选取兼顾高质量与长垂直基线的干涉对子集。

    相比于差分InSAR方法,为了更好地降低空间失相干影响,SBAS-InSAR[24]依据短基线原则选取影像对。求解形变时,利用奇异值分解方法(singular value decomposition,SVD)将由于基线限制而分开的独立数据集联系起来,解出基于最小二乘准则的地表形变解[25]。SBAS-InSAR基线图如图 3(a)所示。

    图  3  SBAS-InSAR和PS-InSAR基线图
    Figure  3.  SBAS-InSAR and PS-InSAR Baseline Maps

    针对小区域、高填方、膨胀土机场的特殊性质,通过迭代更新外部DEM改正DEM误差后,采用SBAS-InSAR技术进行地表形变监测,主要处理步骤如下:(1)生成干涉图,本文选取空间基线阈值为±100 m,时间基线阈值为36 d,共生成56对干涉对;(2)计算相干性,相干性是衡量InSAR干涉图质量的一个重要指标,通过对相干性的计算,不依赖外部测量数据[26],结合地质踏勘资料以及DEM误差分布,得到较为可靠的安康机场InSAR形变监测结果;(3)选取地面相干性稳定且良好的解缠点,采用基于最小费用流的相位解缠;(4)去除趋势向与大气误差;(5)通过SVD方法解算形变时序相位的加权最小二乘解。

    利用PS-InSAR[26]技术获取地表形变信息的数据处理流程可分为永久散射体(persistent scatterer,PS)点选取、相位解缠、时空滤波和形变量计算4个部分。基于StaMPS选取长时间间隔内保持良好稳定性的PS点,所选点受外界噪声影响较小,所以具有较高相干性。这样既可以避免不稳定地面点参与数据解算,又削弱了时间、空间失相干和大气延迟对形变监测结果的影响。为生成具有较短时空基线的干涉对,选取2020-09-21的影像为主影像,时空基线图图 3(b)所示。PS-InSAR技术适用于研究长时间缓慢的地表形变变化规律,同时其监测精度更高,可用于与SBAS-InSAR获取的研究区域形变时间序列进行精度检核。

    将预处理后17幅影像数据都进行差分干涉,经过干涉对质量挑选后,共生成56对干涉对。由§2.3中所述DEM误差与垂直基线的关系,为了估计更准确的DEM误差相位,以100 m为垂直基线阈值,将干涉对分为两个子集:(1)长垂直基线(> 100 m)和短时间基线的DEM子集;(2)短垂直基线(< 100 m)和短时间基线的形变子集,子集干涉对组合见图 3(a)。得到了13对干涉对计算DEM误差和42对干涉对计算地表形变。

    利用SBAS-InSAR技术,将用于DEM误差的干涉对子集,经过滤波、解缠去除干扰相位等处理步骤后,基于最小二乘准则,得到DEM误差并将其对应至机场挖填方分布,如图 4所示。

    图  4  DEM误差分布图
    Figure  4.  DEM Error Distribution

    结合图 4中阴影区域所示施工挖填方资料分析,SBAS-InSAR方法获取的DEM误差分布与施工期挖填方资料基本符合,这从一定程度上说明了本文InSAR数据处理结果的可靠性。图 4中安康机场由西向东依次分布两个较大的挖方区(DEM误差最大值达到了52 m)和3个较明显的填方区,填方造成DEM误差最大值达到61 m。这类高挖填方区域存在的潜在形变问题需要在InSAR结果中重点关注。

    综上,虽然使用SBAS-InSAR技术估计的DEM误差精度有一定局限,但其反映的地表变化的空间分布情况较为准确,可以作为一种辅助判别资料选取潜在形变区域,从而进行重点分析。

    使用小基线集InSAR技术进行DEM误差改正后,迭代更新DEM产品,分别采用SBAS-InSAR与PS-InSAR进行处理,计算地表形变时序分布情况,其累计形变情况如图 5所示。

    图  5  时序InSAR累计形变情况
    Figure  5.  Time-Series InSAR Cumulative Deformation

    图 5(a)中结果表明,安康膨胀土机场竣工后7个月累计形变量小于26 mm,机场内部最大形变量为-15.9 mm,未出现较大形变,基本稳定。监测区域内较大形变均出现在机场周围膨胀土填方边坡区,分别为图 5(a)P1P2P3P4。其中最大形变量出现在机场北侧膨胀土边坡(图 5(d))上P2点,为-21.7 mm。计算SBAS-InSAR结果标准差作为精度评定标准之一。标准差分布于0~-4 mm,最大值为-3.9 mm,说明SBAS-InSAR获取研究区域累计形变结果较为可靠。由图 5(c)可以看出,累计形变分布与SBAS-InSAR高度吻合,最大形变点行列号一致,均出现在机场北侧膨胀土边坡影响区,PS-InSAR解算出该点最大形变量为-19.4 mm,分别提取PS-InSAR与SBAS-InSAR累计形变结果中机场跑道两侧膨胀土边坡上形变最大两个点P1P2的形变时间序列(见图 6)。

    图  6  膨胀土边坡区特征点位时序形变图
    Figure  6.  Time-Series Deformation of Point Position in Terminal Area

    图 6中可以看出,SBAS-InSAR与PS-InSAR获取同一像元点的形变时间序列分布基本吻合,将数据解算方法作为影响因子,对选取两个点时间序列分别进行方差分析,结果见表 1。通过一元方差分析可以看出,在99%的置信区间下,SBAS-InSAR与PS-InSAR监测结果不存在显著性差异,结合表 1图 6说明了监测方法的可靠性与有效性。

    表  1  方差分析表
    Table  1.  Variance Analysis
    统计项 P1 P2
    离差平方和 自由度 均方离差 F 离差平方和 自由度 均方离差 F
    组间 12.644 1 12.644 0.68 7.314 1 7.314 0.2
    组内 596.589 32 1 159.334 32 36.229
    下载: 导出CSV 
    | 显示表格

    根据文献[27],下面主要对机场膨胀土填方边坡、机场飞行区以及航站区稳定影响区进行稳定性分析。

    1) 膨胀土边坡稳定影响区稳定性分析。填方膨胀土边坡稳定影响区分布于机场飞行区两侧,均属于高填方区域。施工过程中进行了混凝土浇筑以及建设防滑挡墙等防护性措施,但由于其地基与填方土均以膨胀土为主要成分,该区域可能出现与膨胀土水力作用相关的形变。图 6所选取的形变特征点均位于安康膨胀土机场膨胀土填方厚度最大的区域。两个点位形变趋势相似,最大累计形变达到-21.7 mm,但仍然处于民用机场岩土工程设计规范规定范围内。结合现场踏勘与丰水期形变趋势分析,特征点位于机场外侧的膨胀土边坡,顶部存在未进行混凝土浇筑防雨防水处理的裸露土壤区域。雨季出现的持续抬升形变趋势,判断为大量降雨后,水分下渗导致膨胀土发生胀缩性形变,最终造成膨胀土边坡稳定影响区发生抬升形变。

    2) 飞行区与航站区稳定性分析。从图 6可以看出,安康机场飞行区基本稳定,累计形变量较小,区域形变分布在-15.9~3 mm范围内。根据§3.1中估算的DEM误差分布情况与挖填方资料,对安康机场飞行区的跑道区和机(站)坪区的挖填方施工区域,分别提取特征点进行时序形变分析,如图 7所示。

    图  7  跑道及航站区点位时序形变图
    Figure  7.  Deformation Diagrams of Point Position of Runway and Terminal Area

    图 7(a)为提取的机场跑道挖填方厚度最大区域特征点形变时间序列,可以看出,跑道填方区在丰水期出现小范围内的地面回弹,最大形变值为3 mm,挖方区形变时间序列基本未出现明显形变,形变分布在-3 mm以内,均属于合理工后沉降范围内,跑道形变趋势平稳,整体稳定,足以满足通航等功能性需求。图 7(b)为机场机(站)坪内挖填方最大区域特征点形变时间序列,可以看出,机场机(站)坪区填方区与跑道填方区形变趋势相似,竣工后发生较小形变后于丰水期出现回弹现象,最大形变量达到3.6 mm,累计形变量较小,为2 mm,基本处于稳定状态;从机(站)坪内挖方区点位时序形变信息可以看出,该点发生持续形变,累计形变量小于-3 mm。机(站)坪区整体形变较小,趋于稳定。

    根据文献[27]对飞行区规定使用年限内的形变标准(跑道:工后沉降2~3 cm;滑行道和机坪:工后沉降3~4 cm),安康膨胀土机场飞行区累计形变远小于使用年限内的形变标准的该时间跨度的允许平均形变值,且考虑到工后沉降随时间逐渐减小,机场飞行区稳定性将进一步增强,可知安康膨胀土机场运营前夕飞行区较为稳定。

    一般情况下,高填方建筑体发生形变的主要原因有填方土下地基的固结沉降、填方部分自身压缩导致的工后沉降以及施工不连续导致的不均匀沉降。此外,在膨胀土区域需要考虑干湿循环对压实膨胀土微观结构的影响造成的地面形变。综合考虑上述潜在影响因素,分别结合填方层深度及降水量对形变进行分析。安康膨胀土机场最大填方厚度超过了56 m,填土超过3 000万方,结合§3.1中DEM误差估计结果表明造成DEM误差达到了64 m。为分析安康膨胀土机场填方体与地表形变的关系,结合DEM变化,提取研究区域监测点的累计形变及其所处位置的填方体深度进行分析(见图 8)。

    图  8  累计形变与填方体厚度关系
    Figure  8.  Relationship Between Cumulative Deformation and Filling Thickness

    图 8中可以看出,随着填方体厚度的增加,沉降观测点的数量及形变程度明显增加,填方土的分布及其厚度明显影响着地表形变的分布和大小。形变最明显的区域均分布在填方层深度 > 30 m的区域,该区域的形变监测点占全部形变沉降监测点的70%,尤其只有在填方层深 > 20 m的区域,才出现累计形变 > 20 mm的监测点,相反,填方层深 < 15 m的区域,沉降点较少,累计形变值较小。由于填方土不同深度的压缩变形以及对下方原状土的压力随填方层深增加而增大[28],因此,安康机场填方土的压缩变形是地表形变的诱因之一。

    安康地区处于亚热带季风气候,降水量资料表明,机场所处月河流域降雨较多且集中分布在6月下旬至8月下旬。对研究区域时序形变的分析中发现,整个机场区域填方区形变趋势较为相似,具有一定规律性,即形变速率均在雨季逐渐减缓,发生回弹。为分析膨胀土填方区形变规律与降水量分布之间的关系,在监测区域中出现较大形变的膨胀土填方边坡上(图 5(a)P1~P4)提取特征点时序形变分布与降水量分布(见图 9)。

    图  9  填方区点位时序形变图
    Figure  9.  Time-Series Deformation Diagram of Fill Area Points

    图 9中可以看出,安康机场膨胀土填方区形变时间序列分布普遍在雨季出现减缓,甚至在7月降雨最丰沛时发生回弹。结合膨胀土填方区特征点时序形变分布与降水量分析,推测为安康6月-8月,降雨量增加,安康机场膨胀土吸水膨胀的水力学性质抵偿了机场地表由于工后形变、填方土固结压缩等因素引起的微小形变。这种现象与膨胀土和土壤湿度相关的胀缩性形变特征相吻合,因此分析其特殊形变分布是由于填方土工后沉降和膨胀土胀缩性的联合作用导致。

    本文结合估计高程改正的SBAS-InSAR与PS-InSAR技术,基于Sentinel-1A与高分系列影像数据,通过适宜的数据处理策略进行DEM误差校正并获取区域时序形变分布,结合区域时序形变分布与降水量数据进行分析。结果表明:

    1) 利用SBAS-InSAR技术估算的DEM误差结果较为可靠,可以在一定程度上作为筛查潜在形变区域的辅助性资料。

    2) 在SBAS-InSAR数据处理过程中,采用构建不同用途的干涉对子集的干涉对组合策略,可以在进行高挖填方区域形变监测时校正DEM误差造成的相位噪声。

    3) SBAS-InSAR监测结果中,监测点密度明显多于PS-InSAR监测结果,两种方法监测精度相当,SBAS-InSAR监测结果能够更完整地显示机场形变信息的优势。

    4) 安康膨胀土机场地表形变是由于填方土以及膨胀土湿胀干缩特性的联合作用导致。

    5) 安康膨胀土机场跑道以及航站区地面形变量较小,整体稳定满足设计要求,可以满足机场正式运营需要。

    总体上,基于高程改正的时序InSAR监测技术对安康机场区域的监测结果表明,机场区域形变规律与膨胀土胀缩特性高度吻合。机场虽然暂时未发生显著的地表形变,但其与降水量相关的时序形变变化趋势说明,机场开始运营后,对安康膨胀土机场进行长期形变监测是十分必要的,相关研究需要进一步结合更长时序的多源遥感数据与实时降水资料,进行更长时间的形变监测与机理分析。

  • 图  1   遥感知识感知与多尺度特征融合网络

    Figure  1.   Structure of KMFNet

    图  2   遥感知识感知模块

    Figure  2.   Knowledge-Aware Module

    图  3   遥感知识感知卷积运算示意图

    Figure  3.   Calculation Process of Knowledge-Aware Convolution

    图  4   串并联混合空洞卷积模块

    Figure  4.   Series-Parallel Hybrid Convolution Module

    图  5   不同方法地物提取结果

    Figure  5.   Results of Ground Object Extraction Using Different Methods

    表  1   数据集属性与训练分配

    Table  1   Basic Attribute and Training Assignment of Datasets

    数据集 分辨率
    /m
    图块尺寸
    /像素
    训练集
    /张
    验证集
    /张
    测试集
    /张
    Vaihingen 0.09 512×512 1 200 150 350
    Potsdam 0.05 512×512 6 000 800 2 000
    下载: 导出CSV

    表  2   KMFNet在不同数据集上的分类精度/%

    Table  2   Classification Accuracy of KMFNet in Different Datasets /%

    数据集 不透水面 建筑 低矮植被 树木 车辆 平均
    IoU OA IoU OA IoU OA IoU OA IoU OA IoU OA
    Vaihingen 79.21 86.21 85.32 90.27 67.35 86.36 76.54 88.44 55.78 77.18 72.84 85.69
    Potsdam 78.05 85.32 86.76 91.71 68.12 86.44 74.92 87.26 60.02 82.63 73.69 86.67
    下载: 导出CSV

    表  3   本文所提模块在不同数据集上的消融实验结果/%

    Table  3   Ablation Study of the Proposed Modules in Different Datasets /%

    模型 Vaihingen数据集 Potsdam数据集
    mIoU OA mIoU OA
    Baseline 67.32 80.11 67.45 83.21
    Baseline+KAM 70.43 82.87 69.57 84.22
    Baseline+KAM+SPHCM 72.84 85.69 73.69 86.67
    下载: 导出CSV

    表  4   不同地物自动提取方法在不同数据集上的分类精度/%

    Table  4   Classification Accuracy of Different Methods in Different Datasets /%

    方法 Vaihingen数据集 Potsdam数据集
    不透水面 建筑 低矮植被 树木 车辆 总体精度 不透水面 建筑 低矮植被 树木 车辆 总体精度
    GRRNet 84.23 90.11 82.56 85.32 75.26 83.50 85.56 89.21 83.21 86.01 81.77 85.15
    V-FuseNet 82.61 86.88 80.2 83.11 72.48 81.06 84.01 87.33 82.64 83.06 79.02 83.21
    DLR 81.24 88.25 84.27 87.02 78.01 83.76 83.65 89.69 84.23 85.23 81.79 84.92
    Res-U-Net 81.99 86.31 81.21 84.94 73.92 81.67 81.22 85.98 80.26 83.54 79.67 82.13
    KMFNet 86.21 90.27 86.36 88.44 77.18 85.69 85.32 91.71 86.44 87.26 82.63 86.67
    下载: 导出CSV
  • [1] 龚健雅. 人工智能时代测绘遥感技术的发展机遇与挑战[J]. 武汉大学学报·信息科学版, 2018, 43(12): 1788- 1796 doi: 10.13203/j.whugis20180082

    Gong Jianya. Chances and Challenges for Development of Surveying and Remote Sensing in the Age of Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 1788- 1796 doi: 10.13203/j.whugis20180082

    [2] 李彦胜, 张永军. 耦合知识图谱和深度学习的新一代遥感影像解译范式[J]. 武汉大学学报·信息科学版, 2022, 47(8): 1176- 1190 doi: 10.13203/j.whugis20210652

    Li Yansheng, Zhang Yongjun. A New Paradigm of Remote Sensing Image Interpretation by Coupling Knowledge Graph and Deep Learning[J]. Geoma-tics and Information Science of Wuhan University, 2022, 47(8): 1176- 1190 doi: 10.13203/j.whugis20210652

    [3] 徐恩恩, 郭颖, 陈尔学, 等. 基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型[J]. 武汉大学学报·信息科学版, 2022, 47(8): 1298- 1308 doi: 10.13203/j.whugis20210001

    Xu Enen, Guo Ying, Chen Erxue, et al. An Estimation Model for Regional Forest Canopy Closure Combined with UAV LiDAR and High Spatial Resolution Satellite Remote Sensing Data[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8): 1298- 1308 doi: 10.13203/j.whugis20210001

    [4] 张成龙, 李振洪, 张双成, 等. 综合遥感解译2022年Mw 6.7青海门源地震地表破裂带[J]. 武汉大学学报·信息科学版, 2022, 47(8): 1257- 1270 doi: 10.13203/j.whugis20220243

    Zhang Chenglong, Li Zhenhong, Zhang Shuang-cheng, et al. Surface Ruptures of the 2022 Mw 6.7 Menyuan Earthquake Revealed by Integrated Remote Sensing[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8): 1257- 1270 doi: 10.13203/j.whugis20220243

    [5]

    Su T F, Li H Y, Zhang S W, et al. Image Segmentation Using Mean Shift for Extracting Croplands from High-Resolution Remote Sensing Imagery[J]. Remote Sensing Letters, 2015, 6(12): 952- 961 doi: 10.1080/2150704X.2015.1093188

    [6]

    Kotaridis I, Lazaridou M. Remote Sensing Image Segmentation Advances: A Meta-Analysis[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173: 309- 322 doi: 10.1016/j.isprsjprs.2021.01.020

    [7]

    Du S J, Zhang Y S, Zou Z R, et al. Automatic Building Extraction from LiDAR Data Fusion of Point and Grid-Based Features[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 294- 307 doi: 10.1016/j.isprsjprs.2017.06.005

    [8]

    Zhang J X. Multi-Source Remote Sensing Data Fusion: Status and Trends[J]. International Journal of Image and Data Fusion, 2010, 1(1): 5- 24 doi: 10.1080/19479830903561035

    [9]

    Fu G, Liu C J, Zhou R, et al. Classification for High Resolution Remote Sensing Imagery Using a Fully Convolutional Network[J]. Remote Sensing, 2017, 9(5): 498 doi: 10.3390/rs9050498

    [10]

    Sun W W, Wang R S. Fully Convolutional Networks for Semantic Segmentation of very High Resolution Remotely Sensed Images Combined with DSM[J]. IEEE Geoscience and Remote Sensing Letters, 2018, 15(3): 474- 478 doi: 10.1109/LGRS.2018.2795531

    [11]

    Audebert N, Le Saux B, Lefèvre S. Beyond RGB: Very High Resolution Urban Remote Sensing with Multimodal Deep Networks[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 140: 20- 32 doi: 10.1016/j.isprsjprs.2017.11.011

    [12]

    Marmanis D, Schindler K, Wegner J D, et al. Classification with an Edge: Improving Semantic Image Segmentation with Boundary Detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 135: 158- 172 doi: 10.1016/j.isprsjprs.2017.11.009

    [13]

    Pan X R, Gao L R, Marinoni A, et al. Semantic Labeling of High Resolution Aerial Imagery and LiDAR Data with Fine Segmentation Network[J]. Remote Sensing, 2018, 10(5): 743 doi: 10.3390/rs10050743

    [14]

    Zhao H S, Shi J P, Qi X J, et al. Pyramid Scene Parsing Network[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, HI, USA, 2017

    [15]

    Liu Y C, Fan B, Wang L F, et al. Semantic La-beling in very High Resolution Images via a Self-Cascaded Convolutional Neural Network[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018, 145: 78- 95 https://www.sciencedirect.com/science/article/pii/S0924271617303854

    [16]

    Li Y H, Chen Y T, Wang N Y, et al. Scale-Aware Trident Networks for Object Detection[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV), Seoul, South Korea, 2019

    [17]

    He K M, Zhang X Y, Ren S Q, et al. Deep Resi-dual Learning for Image Recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 2016

    [18]

    Yu F, Koltun V. Multi-Scale Context Aggregation by Dilated Convolutions[EB/OL]. [2015-04-12] https://arxiv.org/abs/1511.07122

    [19]

    Shorten C, Khoshgoftaar T M. A Survey on Image Data Augmentation for Deep Learning[J]. Journal of Big Data, 2019, 6(1): 1- 48

    [20]

    Huang J F, Zhang X C, Xin Q C, et al. Automatic Building Extraction from High-Resolution Aerial Images and LiDAR Data Using Gated Residual Refinement Network[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 151: 91- 105

    [21]

    Xu Y Y, Wu L, Xie Z, et al. Building Extraction in very High Resolution Remote Sensing Imagery Using Deep Learning and Guided Filters[J]. Remote Sensing, 2018, 10: 144 doi: 10.1007/978-3-319-95168-3_22

  • 期刊类型引用(6)

    1. 赵霞,马新岩,余虔,王招冰. 高分辨率InSAR技术在北京大兴国际机场形变监测中的应用. 自然资源遥感. 2024(01): 49-57 . 百度学术
    2. 于建游,杜宪. 路桥膨胀土区域地表变形三维时序InSAR监测方法. 工程勘察. 2024(05): 54-59 . 百度学术
    3. 赵勇,张锐,邢学敏,凌时光,郑冠峰. 基于SBAS-InSAR技术的膨胀土边坡变形失稳特征. 公路交通科技. 2024(08): 22-30 . 百度学术
    4. 陈聪,董燕. 基于哨兵双极化数据的城市地表形变监测方法. 城市勘测. 2024(05): 100-105 . 百度学术
    5. 任志鹏,张双成,司锦钊,惠文华,李思洁子,胡兴群,张昌波. 综合SBAS-InSAR与CR-InSAR解译安康膨胀土机场形变. 大地测量与地球动力学. 2023(11): 1112-1116+1128 . 百度学术
    6. 赵峰,张雷昕,王腾,汪云甲,闫世勇,范洪冬. 城市地表形变的双极化Sentinel-1数据极化时序InSAR技术监测. 武汉大学学报(信息科学版). 2022(09): 1507-1514 . 百度学术

    其他类型引用(6)

图(5)  /  表(4)
计量
  • 文章访问数:  1452
  • HTML全文浏览量:  322
  • PDF下载量:  322
  • 被引次数: 12
出版历程
  • 收稿日期:  2022-09-07
  • 网络出版日期:  2022-10-17
  • 发布日期:  2022-10-04

目录

/

返回文章
返回