导读

党和国家历来十分重视规划工作，城乡规划学和规划工作不仅是我国现代化建设和可持续发展的重要组成，也事关亿万城乡居民的日常生活。学会组织梳理规划领域重大问题难题，是推进规划工作进一步朝着科学化方向发展的需要，也是学会的基础工作之一。

在2022/2023中国城市规划年会的全体大会上发布了学会组织研制的2022/2023规划领域重大问题难题清单，希望以此为有关决策部门研判规划科技未来发展趋势、前瞻谋划和布局科研方向提供支撑，引导规划编制单位、科研机构、高校和规划科技工作者加强相关问题研究，强化科技协同攻关和成果转化应用，推动提高城市规划、建设、治理水平。本文为2022规划领域重大问题难题。

问题类型：工程技术难题

推荐者：陈明辉，东莞市地理信息与规划编制研究中心

作  者：李建新，东莞市地理信息与规划编制研究中心

关键词：深度学习；变化检测；建筑物提取；高分辨率遥感影像

问题描述

随着建设水平不断提高，各类建筑纷纷拔地而起，但同时违法建筑也日益增多，屡禁不止，侵占了公共权益，严重破坏了城市规划和景观，极易造成安全隐患、引发社会矛盾。如何解决城市违法建筑问题，首先需要解决如何发现、识别违法建筑。传统的违法建筑巡查识别主要是依靠人眼，该方式在时间成本、巡查效率、巡查范围等各方面受到了很大的制约。而高分辨率遥感影像在国土资源管理应用领域具有效率高、信息量丰富、现实性强、层次多等特点，同时深度学习也在目标识别，变化检测等领域展现其优势。因此突破深度学习应用于高分辨率遥感影像建筑物提取和变化检测难题迫切而重要。

问题背景

改革开放以来，我国经济水平快速提升，城市建设和城镇化水平取得了显著的成就。建筑物作为城市最重要的基础设施之一，是人类生活以及社会生产的主要载体。建筑物的空间分布状况以及所占城市面积比是否合理，不仅对经济发展有着极大的推动作用，同时在城市规划、防灾减灾以及国防安全等领域具有重要的实用前景。同时，建筑物变更、土地覆被变化作为城市化进程中最为明显的变化之一，对于建筑物变更的城市化信息采集，已成为政府管理、经济建设、社会学研究的迫切需要。

目前，建筑物的建造、拆除、改造、扩建等土地监察工作主要通过两种方法：一是依靠人工现场调查来获取证据，但是对于大城市，仅依靠自然资源部门对整个城市进行巡查会耗费大量的人力、物力和财力，而且不能全面掌握土地资源的利用现状；二是在各地安装高清视频采集设备，通过视频监控的方式来实现土地资源管理，然而该方法存在成本较高，时间跨度较长的缺点，无法适用于大区域开展。随着中国城镇化进程的不断推动，关于大型违章建筑、土地利用规划的报道时常出现在报刊或网络视频中，为解决国土资源管理中众多的实际性问题，更多的学者需要深入研究土地理论和内容，并依托我国城镇发展的现状和未来趋势，开发相关技术以促进智能城市的发展与繁荣。因此，对于探索从传统的土地管理方式到智能化管理方式的路径，已成为促进现代城市管理学科发展的迫切需要。

最新进展

变化检测的目的是识别同一区域的多时序图像之间感兴趣的差异，并滤除作为干扰因素的不相关变化信息。遥感数据以其宏观性、实时性、多波段、多时相性等特点成为变化检测的主要数据源。目前遥感变化检测广泛应用于土地覆盖和土地利用、城市发展、灾害评估和林业等实际社会需求中。根据变化检测所选择的分析对象可以分为基于像元、基于对象和基于深度学习的检测方法。一般情况下，低分辨率图像主要用于大尺度变化检测，基于像元的技术已被广泛应用于这些低分辨率遥感数据。如图像差分、图像比值和回归分析通过假设一幅图像是其它图像的线性函数，来定位变化的像元。例如，学者使用主成分变换突出显示多光谱卫星图像中明显的局部变化区域，并应用于丛林大火损害以及火灾后的再生区域变化。许多机器学习算法作为基于像元的变化检测的一部分(特征提取器或分类器)被引入，如人工神经网络、支持向量机和决策树。使用高分辨率或超高分辨率影像(如 QuickBird、高分二号)能够提供更多地表覆盖变化的细节信息。然而，基于像元的变化检测方法，仅仅强调单个像素的光谱值的变化，而不考虑图像中相邻像素之间的关系，忽略了空间上下文信息，对于 HR 图像高频成分不可预测、几何配准错误和辐射校正不完善的特点，可能会导致出现大量的错误变化，而基于对象的方法已经可以针对这些问题在 HR 或 VHR 图像上取得更好的结果。基于对象的变化检测是将对象不是以像元作为检测变化单位，而是通过比较从对象中提取的光谱信息、几何属性或高语义特征，来减少边界效应和错位带来的问题。尽管基于对象的变化检测方法综合考虑了原始图像的空间环境和光谱信息，但对配准误差和目标阴影敏感，可能会限制检测精度。

重要意义

近些年，我国遥感类卫星的发射频率持续增加，为人们提供了海量的遥感影像数据，这些数据资源对于城镇发展具有诸多用途。相对于传统方法，遥感技术在国土资源管理应用领域具有效率高、信息量丰富、现实性强、层次多等特点。但是，面对大量的遥感影像数据，手动地对感兴趣的地物信息进行预处理、融合和标注等操作会特别耗时费力，同时也导致了这些数据在政府事务中使用非常有限，其价值尚未得到充分挖掘。因此，迫切需要一种新的技术手段，为政府相关机构充分地利用土地资源和加快智慧城市建设提供服务，以使城市能够自动识别、感知人们所处的环境状态。

计算机视觉技术和图像图形学的发展，为高分辨率遥感影像与有效的算法结合提供了巨大的便利，这些技术不仅可以在实现建筑物的提取和变化检测时避免了大量社会资源的利用，同时，也提高了提取和变化检测的准确率。目前，不同的遥感影像数据源出现，建筑物的提取和变化检测方法也变得多样，例如，不同的分析单元与框架、遥感影像数据中的参数信息和特征等，提出了很多方法。如今，以卷积神经网络为代表的深度网络模型及其优化方法具有通用的泛化能力，可以在分析海量遥感大数据时，对影像中的数据信息进行表征。通过将这种方法应用到高分辨率遥感影像数据处理中，不仅在很大程度上降低了高分辨率遥感影像上所有建筑物的建模成本，而且可以减少对影像中建筑物标注的时间消耗。这对跟踪实时的城市建设进程和变化很有作用，也为我们社会和政府的管理决策提供很好的依据。