土地管理遥感 - 基于遥感数据的创新

无人机和卫星到机载传感器和激光雷达，遥感和地理空间信息科学的进步正在推动数据采集、处理和维护创新方法的发展。本文着眼于这些如何支持适合用途的土地管理。

土地管理系统 (LA)，包括地籍和土地登记系统，旨在支持土地价值、土地保有权、土地开发和土地利用规划的管理。这些系统对于实现联合国可持续发展目标（SDG）至关重要。正在开发创新的数据采集、处理和维护方法，以支持符合目的的土地管理（FFP-LA）。这些传感器利用了遥感和地理空间信息科学的进步，无人驾驶飞行器（UAV 或“无人机”）、卫星和机载传感器以及激光雷达，所有这些都具有高空间、光谱、辐射和时间分辨率。在人工智能、空间统计和机器学习的帮助下，自动图像定位、表面重建、场景分析、变化检测、分类和自动特征提取也在开发中。

良好的记录

一百多年前，欧洲国家首次展示了使用摄影测量来创建详细地籍地图的能力（图 1 和图 2）。现在，对摄影测量和遥感在土地管理中使用的任何怀疑都很难证明是合理的。尽管如此，许多地区仍然主要使用地面方法。这是否是因为对变革的抵制、部门自身利益或成本效益分析，还有待商榷。与此同时，传感器数据采集、云计算和图像处理近年来也取得了巨大的发展。考虑到所有这些，不同国家的测量界必须努力寻找将图像驱动的地籍测绘与地面方法相结合的最佳方法。

图 1：摄影测量和遥感应用于土地管理的起源和发展。

最近的发展表明，地面技术和摄影测量/遥感技术正在融合。由于数字化，地面和空中方法之间的区别变得模糊，所生成的工具、技术、数据和地图以及培训计划日益一体化。

遥感技术并不总是需要密集的技术实地工作（尽管始终需要与业主和土地使用者进行一定程度的面对面协商和宣传）。卫星图像或航空照片可以用作参与式测绘活动的底图，其中可以识别代表财产边界的物理特征（例如道路和小径、相连的地块或建筑物）。研究证实，边界可以在绘制的卫星图像上定位，并通过手动或自动特征提取方法进行划分或概述。图像的分辨率必须适合地形和土地利用。卫星图像可能存在一些缺点，例如城市环境的分辨率不足、处理时间长且成本高昂，或由于频繁的云层覆盖而难以获得暂时的最新数据，尤其是在热带地区。无人机可以帮助克服其中一些问题，因此被视为捕捉航空图像以进一步划定边界的可行解决方案。

图 2：应用于土地管理的遥感和摄影测量：按地理描述的审查结果。

在土地管理遥感中，考虑“无形边界”至关重要。这些是在地面上不可见的法定边界（即没有纪念碑）。由于它们实际上存在于人们的头脑中，因此目前无法通过遥感技术检测到它们，尽管对此的进一步研究可能会结合地面实况调查和人类专家知识来预测隐形边界的可能位置。尽管面临这一挑战，在这些背景下使用图像仍然非常有价值。土地管理部门很早就认识到地籍边界具有不同的表现形式。它们以不同的方式表示为物理自然特征、人造特征（木桩或纪念碑）、法律权威、社会认可、文字描述（边界和边界）、图形描述（无论是否准确缩放）、数字或协调描述以及最近的数字表示。没有任何技术方法可以涵盖所有这些方面。然而，遥感和摄影测量肯定可以支持其中一些。

无人机的兴起

在过去的十年中，无人机在科学和商业目的方面都具有巨大的优势。在过去的五到六年中，无人机的成本和尺寸大幅下降，使其成为一种在短时间内进行测绘和研究的经济高效的方式。作为快速收集高分辨率图像作为地籍测绘基础数据的工具，它们很快就变得重要起来。

基于无人机的测绘需要无人机、飞行员和飞行任务的法律许可。该任务包括三个阶段：计划飞行、获取数据和处理数据。尽管无人机飞行是核心，但它只占任务总时间的20%；参考数据收集和图像处理的劳动密集度可能是原来的两到三倍。然而，事实证明，飞行配置对为创建和更新地籍图而收集的无人机数据的质量有重大影响。

欧洲和非洲的实验评估了土地覆盖、地面控制点 (GCP) 的设置，和飞行计划对自动检测地籍特征的准确性和完整性影响。结果表明，每个因素对最终数据质量都有重大影响。自动检测到地籍特征的准确性和完整性在不同飞行计划生成的正射影像之间可能存在很大差异。

图 3：用于空间精度实验评估的 GCP 分布。

改进无人机数据收集

针对土地专业人员改进现有和未来无人机数据收集工作流程的一些关键建议总结如下：

• 土地利用会极大地影响图像中连接点的数量。 对于树木或森林等植被比例较高的场景， 需要 80-90% 的重叠才能确保足够的图像对应。

• 无论研究区域大小如何， 当七个 GCP 均匀分布（如图 3 所示）并且前向重叠和侧向重叠均至少为 70% 时， 平面和垂直残差的误差水平是一致的。 由于额外的 GCP 不会显着改变绝对精度， 因此七个 GCP 是最佳调查设计。

• 重建的薄地籍物体（例如混凝土墙）的质量高度依赖于飞行配置。 增加图像重叠提高了生成的正射影像的可靠性。 另一方面，屋顶的勾画结果显示对飞行配置的敏感性较低。

• 检查点残差可能表明正射影像的绝对精度很高。 然而，除了在束块平差 (BBA) 之后之外， 在生成的正射影像中测量它们也很重要， 以便准确评估重建场景对象的可靠性， 特别是在高度分量变化较大的不利条件下。

该分析的结果对于无人机在土地管理任务中的使用具有重大意义。在不了解摄影测量原理和定制飞行配置的可用选项的情况下使用无人机存在风险。这可以带来高质量的最终产品，但相关特征的空间偏移、变形或重建结果不佳却未被检测到。然而，与此同时，该分析的结果为定制无人机工作流程提供了巨大的机会。不同的飞行配置和各种参考数据提供了一系列选项，使数据收集任务适合财务、人员和时间能力，同时也满足陆地部门的客户需求和要求。

GeoAI 和深度学习

近年来，利用遥感图像来描绘可见地籍边界的概念引起了人们的兴趣。这导致提取此类边界的自动化方法的活动增加。最近关于人工智能（AI）、机器学习，尤其是用于地籍边界提取的深度学习和遥感图像的研究一直令人鼓舞。传统的无监督方法严重依赖于参数调整，例如所需分割对象的形状、颜色和大小。这些是通过组合多个参数作为输入（包括比例、紧凑性、层重量和形状/颜色）来预测分段矢量多边形而开发的。基于这些方法探索了各种输出，例如每个像素值代表边界概率的图像或输出为闭合像素轮廓的形式。与传统的无监督方法相比，监督方法使用可训练网络，将标记数据作为模型输入。传统的无监督和监督方法的有效性已得到证明，特别是在输入数据有限的情况下。另一方面，当有大型数据集可用时，深度学习通常是更合适的选择。

图 4：通过研究技术获得的参考图和分类图。可见边界参考是绿线，不可见边界参考是红线，检测到的边界是黄线。

深度学习模型由多个层组成，这些层学习不同抽象级别的数据表示，从像素、角和边缘开始，逐步发展到复杂的空间模式。图像分类中经常使用的一种深度学习架构是卷积神经网络（CNN）。CNN 的一种特殊类型是所谓的全卷积网络 (FCN)，它旨在执行语义图像分割。这两种方法都已被证明对于边界描绘很有希望，但是，最终结果的成功在很大程度上取决于图像上物理划分的边界的可见性。不同自动边界提取方法之间的比较也表明机器学习方法的性能优越（图 4 和 5）。

与传统方法相比，深度学习模型最显着的优点是所有表示都是以监督方式学习的，而不是由人类操作员手工制作的。显然需要进一步开发方法，特别是在检测或预测不可见地籍边界位置的方向方面。

图 5：预测土地边界图比较：(a) 用 U-Net 检索的预测边界图，阈值 'boundary' ≤ 0.9；(b) 使用 ENVINet5 检索的预测边界图。

激光雷达的新角色

重要的工作着眼于激光雷达在地籍测绘中的作用。波兰提出了一种基于改进的 U-Net 深度学习算法的自动提取建筑物屋顶轮廓的系统。该算法旨在通过有限数量的训练图像提供准确的屋顶分割。使用的 U-Net 架构的特征图大小为 416 × 416 × 1，并使用公开数据进行分析，包括数字表面模型 (DSM) 中的正射影像和密集分类激光雷达数据。

利用深度学习技术、高分辨率航空图像和土地管理数据（来自激光扫描）可以提供一种高效且经济高效的方法来获取用于地籍目的的建筑轮廓。尽管由于地面和屋顶轮廓之间的差异，自动提取的轮廓不能直接应用到地籍数据中，但它们仍然可以在地籍现代化过程中使用。实验表明，所提出的方法产生了令人满意的结果，并且当参数调整到该地区的建筑物时具有适应性。然而，这可能不适用于具有不同建筑特征的其他区域。

图 6：从高分辨率航空正射影像和机载激光雷达中提取建筑物的方法。

性价比更高、更公平

以地籍或保有权边界之外的另一个案例为例，财产估价（土地管理的基本要素）通常由一系列因素决定，例如地理位置、物理特征、法律影响和经济考虑。虽然房地产估值对于经济增长至关重要，但许多发展中国家往往缺乏官方法规或具体数据要求。因此，卢旺达的一项研究探讨了三种遥感技术征税的有效性： 1）用数码相机拍摄的航空图像，2）WorldView2 卫星图像，3）用 DJI Phantom 2 Vision Plus 四轴飞行器获得的无人机图像。事实证明，无人机提供了最有前途的数据收集方法，以支持税收财产估价。

尽管过去的趋势可能无法可靠地预测未来的进展，但遥感技术在土地管理中的广泛使用似乎是不可否认的。数字化转型正在降低变革的法律和制度障碍，使初创企业和其他土地管理服务提供商更容易进入市场。人工智能和特征提取技术将继续被利用并与其他数据源融合，例如法定和非法定以及社会和环境数据，以创建更先进的边界识别算法。换言之，人仍将是流程的核心。最终，他们必须决定、使用和执行边界。

图7：根据遥感数据对卢旺达 Nyarutarama 街区的遥感数据进行房地产估价。