康停軍,陳汭新,孫 穎,夏義雄,王 彬

(1. 佛山市測(cè)繪地理信息研究院,廣東 佛山 528000; 2. 中山大學(xué)地理科學(xué)與規(guī)劃學(xué)院,廣東 廣州 510275)

近年來(lái),隨著工業(yè)化和城市化進(jìn)程的不斷推進(jìn),違法建設(shè)冒頭的現(xiàn)象屢見(jiàn)不鮮,給城市管理部門(mén)帶來(lái)了巨大挑戰(zhàn)[1]。違法建設(shè)是制約城市發(fā)展的毒瘤,侵占了社會(huì)公共資源和城市空間,帶來(lái)了嚴(yán)重的環(huán)境和安全問(wèn)題[2]。為阻斷違法建設(shè)行為,維護(hù)規(guī)劃?rùn)?quán)威性,科學(xué)開(kāi)展新增違法建設(shè)監(jiān)測(cè),促進(jìn)智慧化轉(zhuǎn)型,已成為城市高質(zhì)量發(fā)展的必然選擇。

人工巡查、群眾舉報(bào)等傳統(tǒng)手段存在時(shí)效性差、效率低、成本高等諸多不足[3],而遙感技術(shù)具有覆蓋面廣、重返時(shí)間短等優(yōu)勢(shì),已成為監(jiān)測(cè)新增違法建設(shè)的主流手段[4]。文獻(xiàn)[5]運(yùn)用遙感和地理信息技術(shù),在北京六環(huán)內(nèi)建立了違章建筑監(jiān)測(cè)系統(tǒng),實(shí)現(xiàn)了對(duì)違章建筑的及時(shí)監(jiān)測(cè)、查處和預(yù)警。文獻(xiàn)[6]提出了一種基于高分辨率遙感影像的違法土地快速檢測(cè)方法,提高了工作效率并取得了較好的應(yīng)用效果。文獻(xiàn)[7] 實(shí)現(xiàn)了多源遙感影像的空間網(wǎng)格組織和實(shí)時(shí)影像服務(wù),大幅提高了土地監(jiān)測(cè)的時(shí)效性和準(zhǔn)確性。文獻(xiàn)[8]利用微型無(wú)人機(jī)監(jiān)測(cè)城市重點(diǎn)區(qū)域的違法用地和違法建設(shè)。文獻(xiàn)[9]提出了基于無(wú)人機(jī)影像的最佳分割尺度定量化評(píng)價(jià)指標(biāo)和影像多時(shí)相特征分析方法,并成功應(yīng)用于監(jiān)測(cè)威海市經(jīng)濟(jì)技術(shù)開(kāi)發(fā)區(qū)的違法建設(shè)?，F(xiàn)有研究多關(guān)注于發(fā)現(xiàn)新增建設(shè)行為,然而違法建設(shè)的管理涉及職能部門(mén)多、監(jiān)管重點(diǎn)差異大、處置法律法規(guī)復(fù)雜[10],快速發(fā)現(xiàn)違法建設(shè)行為只是第一步。如何打破行政執(zhí)法壁壘、準(zhǔn)確定性、合理分派,形成全閉環(huán)的監(jiān)測(cè)管理機(jī)制,構(gòu)建融合多個(gè)監(jiān)管部門(mén)的、多層級(jí)的違法建設(shè)處置體系,是新增違法建設(shè)治理亟須解決的關(guān)鍵問(wèn)題。

面對(duì)違法建設(shè)類(lèi)型多樣、隱蔽性強(qiáng)、行政交叉、信息不暢等問(wèn)題,本文基于多期高分辨率遙感影像與職能部門(mén)管理數(shù)據(jù),利用耦合特征金字塔網(wǎng)絡(luò)(feature pyramid network,FPN)[11]與基于掩膜區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(mask region-based convolutional neural network,Mask R-CNN)[12]的建筑物邊界提取算法與空間分析技術(shù),構(gòu)建發(fā)現(xiàn)、分析、分派新增違法建設(shè)的綜合管理體系,完善多部門(mén)聯(lián)動(dòng)的協(xié)同治理模式,以期為嚴(yán)控新增違法建設(shè)提供技術(shù)支撐。

1 研究方法

1.1 總體框架

本文提出了“建設(shè)行為監(jiān)測(cè)—多源數(shù)據(jù)融合分析—協(xié)同分派治理”的新增違法建設(shè)全鏈條管理框架(如圖1所示)。首先聚焦建設(shè)行為監(jiān)測(cè),利用衛(wèi)星、無(wú)人機(jī)進(jìn)行高頻次觀測(cè),獲取測(cè)區(qū)最新的高分辨率影像圖,進(jìn)而基于耦合FPN與Mask-RNN多任務(wù)的建筑物邊界提取算法得到現(xiàn)狀建筑物的矢量范圍線(xiàn)。其次為多源數(shù)據(jù)融合分析,通過(guò)整合各職能部門(mén)歷年形成的空間數(shù)據(jù)(如自然資源的權(quán)籍調(diào)查數(shù)據(jù)、地形圖、不動(dòng)產(chǎn)登記數(shù)據(jù)、衛(wèi)片執(zhí)法數(shù)據(jù)等,住房和城鄉(xiāng)建設(shè)部門(mén)的建筑物災(zāi)害普查底圖數(shù)據(jù)等),形成歷史建筑物分布底圖。然后利用空間分析與人工判別,提取新增建設(shè)行為圖斑。最后為協(xié)同分派治理,根據(jù)自然資源、住建和水利、農(nóng)業(yè)農(nóng)村等各職能部門(mén)管轄范圍,標(biāo)識(shí)相關(guān)職能部門(mén)的審批數(shù)據(jù),并按照事件屬性分派至各審核部門(mén)。

圖1 研究框架

1.2 耦合FPN與Mask-RNN的多任務(wù)建筑物邊界提取算法

利用計(jì)算機(jī)視覺(jué)的方法對(duì)遙感影像進(jìn)行分割已經(jīng)成為遙感圖像處理的熱點(diǎn)[13],語(yǔ)義分割和實(shí)例分割[14-15]是其中具有代表性的兩類(lèi)網(wǎng)絡(luò)模型。語(yǔ)義分割網(wǎng)絡(luò)模型強(qiáng)大的學(xué)習(xí)能力和特征表達(dá)能力可以快速準(zhǔn)確地識(shí)別遙感影像中不同類(lèi)別的地物,常見(jiàn)的網(wǎng)絡(luò)有全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional network,FCN)[16]、U-Net[17]等。相比于語(yǔ)義分割,實(shí)例分割不僅能識(shí)別像素類(lèi)別,還能獲取對(duì)象的位置、大小和形狀,能更好地分割每個(gè)對(duì)象輪廓并精化對(duì)象邊緣,常見(jiàn)的算法有YOLO系列、Mask-R-CNN等。本文綜合了實(shí)例分割和語(yǔ)義分割的優(yōu)勢(shì),耦合了FPN與Mask R-CNN算法,有效提升了傳統(tǒng)模型邊界不準(zhǔn)、內(nèi)部空洞等問(wèn)題。

算法框架采用ResNet50網(wǎng)絡(luò)進(jìn)行特征提取,使用轉(zhuǎn)置卷積實(shí)現(xiàn)反卷積,并利用二元交叉熵?fù)p失優(yōu)化網(wǎng)絡(luò),即

(1)

首先中間層使用FPN網(wǎng)絡(luò)構(gòu)建自頂向下、自底向上和同層連接3個(gè)特征圖;然后對(duì)淺層特征與高層特征進(jìn)行融合,并利用區(qū)域候選網(wǎng)絡(luò)對(duì)FPN獲取的多尺度特征處理;最后將原圖ROI與特征ROI對(duì)齊后,采用平滑L1損失重新進(jìn)行分類(lèi)、回歸得到目標(biāo)建筑物目標(biāo)框。平滑L1損失公式為

(2)

式中,當(dāng)y比較小時(shí),等價(jià)于L2 損失,解決回歸任務(wù)中的平滑問(wèn)題;當(dāng)y比較大時(shí),等價(jià)于L1 損失,解決高噪聲、離群值等問(wèn)題以保持平滑。

同時(shí),將對(duì)齊特征輸入到目標(biāo)框掩膜識(shí)別網(wǎng)絡(luò),也利用交叉熵?fù)p失進(jìn)行網(wǎng)絡(luò)優(yōu)化,得到建筑物掩膜。

最后,設(shè)定建筑物面積ST作為閾值對(duì)兩種方法的結(jié)果融合。面積大于閾值ST的建筑物,取FPN和Mask R-CNN的結(jié)果的并集,以彌補(bǔ)Mask R-CNN對(duì)部分建筑物的漏檢;面積小于ST的建筑物,選擇Mask R-CNN的檢測(cè)結(jié)果,以確保小型建筑物邊界的清晰。

1.3 協(xié)同分派

新增違法建設(shè)的監(jiān)測(cè)與治理是一項(xiàng)復(fù)雜的系統(tǒng)工程,涉及自然資源、城管、住建、農(nóng)業(yè)農(nóng)村、供電單位、工商等多個(gè)職能部門(mén)。其中,自然資源管理部門(mén)需對(duì)違反土地法、城市規(guī)劃法的建設(shè)進(jìn)行認(rèn)定;供水、供電單位要對(duì)逾期沒(méi)有拆除的違法建設(shè)停止供水、供電;農(nóng)業(yè)農(nóng)村管理部門(mén)需對(duì)涉及宅基地的建設(shè)行為出具相關(guān)證明材料;水利管理部門(mén)要對(duì)違反水法的建設(shè)行為定性等。本文通過(guò)分析各職能部門(mén)違法建設(shè)管理流程與認(rèn)定標(biāo)準(zhǔn),設(shè)計(jì)了信息共享、協(xié)同分派、聯(lián)合行動(dòng)的管理機(jī)制,形成上下聯(lián)動(dòng)、齊抓共管的強(qiáng)大合力,協(xié)同分派流程如圖2所示。

圖2 協(xié)同分派流程

對(duì)于疑似新增違法建設(shè),通過(guò)收集各職能部門(mén)所認(rèn)定的違法建設(shè)管理空間范圍判別該建設(shè)行為涉及的職能部門(mén),并標(biāo)識(shí)各職能部門(mén)的審批數(shù)據(jù)。若該建設(shè)行為涉及多個(gè)職能,則成立工作小組,確定牽頭單位,依次分派至各部門(mén)進(jìn)行認(rèn)定。各部門(mén)上傳涉及本部門(mén)職能的相關(guān)材料,并在必要時(shí)組織相關(guān)部門(mén)進(jìn)行現(xiàn)場(chǎng)核查,待核查結(jié)束后,工作小組聯(lián)合各職能部門(mén),共同判斷該建設(shè)行為是否符合法規(guī)和監(jiān)管要求。若該案件判定為新增違法建設(shè),分派至各職能部門(mén)進(jìn)行處置,將治理成功共享至各參與部門(mén);若該案件判定為合法建設(shè),則上傳相關(guān)證明材料供其他部門(mén)調(diào)取使用。

2 試驗(yàn)結(jié)果與分析

為檢驗(yàn)本文使用建筑物提取算法的有效性,利用高分辨率影像與人工標(biāo)簽的矢量數(shù)據(jù),通過(guò)常用的精度指標(biāo)和局部影像提取結(jié)果對(duì)算法進(jìn)行評(píng)價(jià),并選取佛山市順德區(qū)某城鄉(xiāng)接合部作為試驗(yàn)區(qū),驗(yàn)證本文監(jiān)測(cè)框架的合理性。

2.1 試驗(yàn)環(huán)境

建筑物遙感提取試驗(yàn)采用的硬件環(huán)境為:CPU為Intel Core i7-9700KF,GPU為 Nvidia GeForce RTX 2080 Super(8 GB顯存),RAM為64 GB。軟件環(huán)境采用的操作系統(tǒng)為Ubuntu,開(kāi)發(fā)語(yǔ)言為Python,開(kāi)發(fā)環(huán)境為Pycharm,深度學(xué)習(xí)模型主要基于Pytorch框架。空間分析部分的環(huán)境為ArcGIS Engine 10.2,開(kāi)發(fā)語(yǔ)言為C#,協(xié)同分派依托于佛山市違法建設(shè)治理信息平臺(tái)。

2.2 建筑物提取結(jié)果分析

研究數(shù)據(jù)為佛山市空間分辨率優(yōu)于0.5 m的高清正射影像圖,利用LabelImg軟件人工篩選和標(biāo)注樣本數(shù)據(jù),并將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集,比例為8∶1∶1。經(jīng)過(guò)127次訓(xùn)練與迭代,模型收斂并達(dá)到最優(yōu),算法精度OA系數(shù)與F1[18-19]分別為82.36%、76.52%,基本能滿(mǎn)足實(shí)際使用需求。

為更直觀地展現(xiàn)建筑物提取質(zhì)量,選取了兩幅不同場(chǎng)景的局部影像進(jìn)行結(jié)果可視化(如圖3所示)。由圖中的局部細(xì)節(jié)對(duì)比可以明顯看到,FPN算法能較為準(zhǔn)確地提取建筑物輪廓,但是對(duì)細(xì)小變化不敏感,會(huì)出現(xiàn)漏分、建筑物邊界粘連的情況,Mask R-CNN較為完整地識(shí)別出了建筑物信息,但也出現(xiàn)了較為明顯的誤提取。相比上述兩種情況,本文采取的算法表現(xiàn)良好,圖3(a)展現(xiàn)了建筑物間隔較小、密度較高的區(qū)域,基本沒(méi)有出現(xiàn)陰影、植被、硬化道路等錯(cuò)分現(xiàn)象,但是仍存在多個(gè)細(xì)小斑塊、邊界偏移或建筑物邊界粘連的問(wèn)題。圖3(b)展現(xiàn)了建筑物間距較大、密度較低的區(qū)域,本文的算法較為正確地分割了建筑物邊界,較好地識(shí)別出了建筑物輪廓,但是在連片廠(chǎng)房、棚頂?shù)让娣e較大且形狀特別的地物,雖然能有效識(shí)別建筑物的主體形態(tài),但是由于建筑物投影差的問(wèn)題,容易出現(xiàn)錯(cuò)誤區(qū)域粘連和壓蓋周邊建筑物。

綜上所述,本文所采取的算法綜合了FPN算法與Mask R-CNN算法的優(yōu)點(diǎn),建筑物分割結(jié)果邊界清晰,與真實(shí)建筑物輪廓一致性較高,可作為監(jiān)測(cè)新增建筑的主要手段。

2.3 新增違法建設(shè)監(jiān)測(cè)應(yīng)用

選取了佛山市順德區(qū)約3.5 km2的區(qū)域作為試驗(yàn)區(qū),在2022年10月21日—22日,使用大疆M300 RTK無(wú)人機(jī)搭載禪思P1鏡頭采集了該區(qū)域空間分辨率為5 cm的正射影像。試驗(yàn)區(qū)為典型村級(jí)工業(yè)園附近城中村場(chǎng)景,建筑物以宅基地為主,形狀、大小和結(jié)構(gòu)各異,屋頂大多搭有棚或種植綠植,少許建筑物周邊有林地、草地。此外,東南方向分布少許連片低矮廠(chǎng)房,相鄰廠(chǎng)房間隔較小,頂棚色彩差異性大,屬于人工巡查較難管控的區(qū)域。

利用本文算法提取的建筑物范圍線(xiàn)對(duì)比建筑物分布底圖與歷史遙感影像,發(fā)現(xiàn)該區(qū)域的新增建設(shè)行為主要以宅基地的改擴(kuò)建與棚房的搭建、擴(kuò)建為主,圖4(a)、(c)、(e)為前時(shí)影像,圖4(b)、(d)、(f)為后時(shí)影像。對(duì)比圖4(a)和(b)監(jiān)測(cè)區(qū)域,前時(shí)影像中該區(qū)域植被覆蓋,后時(shí)影像中大面積綠地變?yōu)橛不孛?區(qū)域上有明顯建造行為,疑似為施工前期的土地平整工作。在圖4(c)、(d)區(qū)域中,前時(shí)影像中的建筑在后時(shí)影像中發(fā)生明顯改建擴(kuò)建行為,建筑物形態(tài)、高度、外輪廓等空間特征變化顯著。圖4(e)、(f)中棚房的面積和遮蔽范圍有明顯增加,前時(shí)影像左側(cè)的空地在后時(shí)影像中已被白色棚房遮蔽,存在明顯的搭擴(kuò)建行為。

疊加審批數(shù)據(jù)后對(duì)比發(fā)現(xiàn),該區(qū)域新增168處建設(shè)行為。其中,99宗有合法報(bào)建手續(xù),航拍照片與歷史數(shù)據(jù)對(duì)比未發(fā)現(xiàn)異常。另外,64處為疑似違法建設(shè),分布如圖5所示。其中,16處正在建設(shè)過(guò)程中,需分派至自然資源管理部門(mén)與住建管理部門(mén)聯(lián)合研判其合法性;10處涉及河道管理范圍線(xiàn),需由水利、住建、自然資源管理部門(mén)共同審核;38處新增宅基地建房,需由農(nóng)業(yè)農(nóng)村管理部門(mén)、自然資源管理部門(mén)共同評(píng)估合法性。

圖5 疑似新增違法建設(shè)結(jié)果

由圖5可以看出,新增疑似違法建設(shè)行為分布零散、隱蔽性強(qiáng),以新增住宅用房為主,少部分為搭建的棚房,集中在已有廠(chǎng)房附近。相比傳統(tǒng)人工巡查,本文采用的監(jiān)測(cè)手段顯著提高了巡檢效率,能更客觀、全面地從高空視角觀察區(qū)域全貌,并在一定程度上解決了當(dāng)前違法建設(shè)治理工作中的多頭執(zhí)法、信息不暢、重復(fù)處置等問(wèn)題。

3 結(jié) 語(yǔ)

本文以高分辨率遙感影像、深度學(xué)習(xí)等技術(shù)為支撐,結(jié)合實(shí)際工作中對(duì)新增違法建設(shè)快速識(shí)別、精準(zhǔn)分派、信息共享的需求,構(gòu)建了“建設(shè)行為監(jiān)測(cè)—多源數(shù)據(jù)融合分析—協(xié)同分派治理”的全鏈條管理監(jiān)測(cè)管理框架。研究成果能夠較好地解決高分辨率遙感影像智能化處理、違法建設(shè)性質(zhì)分析、案件分派等難題,并為不同職能、不同需求的違法建設(shè)監(jiān)管部門(mén)提供了解決思路,為持續(xù)創(chuàng)新城市管理模式和提高城市管理水平提供了有力支撐。