土地管理遥感

基于遥感数据的创新

从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目的的土地管理。

土地管理 (LA) 系统，包括地籍和土地登记系统，旨在支持土地价值、土地使用权、土地开发和土地使用规划的管理。这些系统对于实现联合国可持续发展目标 (SDG) 至关重要。正在开发用于数据采集、处理和维护的创新方法，以支持适合用途的土地管理 (FFP-LA)。这些利用了遥感和地理空间信息科学的进步，包括无人驾驶飞行器（无人机或“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，自动图像定向、表面重建、场景分析、变化检测、分类和自动特征提取也正在开发中。

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法绘制详细地籍图的能力（图 1 和图 2）。任何关于在土地管理中使用摄影测量和遥感的怀疑现在都很难证明是正确的。也就是说，许多地区仍然主要使用地面方法。这是因为抵制变革、行业自身利益还是成本效益分析，尚待商榷。与此同时，传感器数据采集、云计算和图像处理等技术在近几年取得了长足的发展。考虑到所有这些因素，不同国家的测量界必须努力寻找将图像驱动的地籍制图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。 （改编自 Bennett RM 等人，https://doi.org/10.3390/rs13214198）

最近的发展表明，地面和摄影测量/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越来越模糊，所制作的工具、技术、数据和地图以及培训计划也越来越一体化。

遥感技术并不总是需要密集的技术实地考察（尽管与所有者和土地使用者进行一定程度的面对面咨询和宣传总是必要的）。卫星图像或航拍照片可用作参与式测绘活动的底图，其中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，边界可以位于绘制的卫星图像上，并可以通过手动或自动特征提取方法来标定或勾勒出轮廓。图像的分辨率必须适合地形和土地使用。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，或者由于频繁的云层覆盖而难以获得时间上最新的数据，尤其是在热带地区。无人机可以帮助克服其中一些问题，因此被视为捕获航拍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：审查地理描述的结果。 （改编自 Bennett RM 等人，https://doi.org/10.3390/rs13214198）

在土地管理遥感中，“无形边界”的考虑是必不可少的。这些是在地面上不可见的合法边界（即没有纪念碑）。因为它们有效地存在于人们的脑海中，所以目前无法用遥感技术检测到它们，尽管对此的进一步研究可能包括预测无形边界的可能位置，结合地面实况调查和人类专家知识。尽管存在这一挑战，但在这些情况下使用图像还是非常有价值的。土地管理部门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（桩或纪念碑）、法律权威、社会认可、文本描述（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，数字表示。没有任何技术方法可以涵盖所有这些方面。然而，遥感和摄影测量当然可以支持其中的一些。

无人机的兴起

在过去十年中，无人机在科学和商业方面都具有巨大优势。在过去的五六年里，无人机的成本和尺寸都大幅下降，使其成为在短时间内进行测绘和研究的一种经济高效的方式。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，它们迅速获得了重要性。

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。任务包括三个阶段：计划飞行、获取数据和处理数据。无人机飞行虽然是重头戏，但只占任务总时间的20%；参考数据收集和图像处理的劳动强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。

在欧洲和非洲进行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的影响。结果表明，这些因素中的每一个都对最终数据质量产生重大影响。自动检测到的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会有很大差异。

图 3：用于空间精度实验评估的 GCP 分布。（来源 Stocker C. 等人，https://doi.org/10.3390/rs12213625）

改进无人机数据收集

对陆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：

– 土地使用会极大地影响图像中连接点的数量。对于植被比例较高的场景，如树木或森林，需要 80-90% 的重叠以确保足够的图像对应。

– 无论研究区域的大小如何，当七个 GCP 均匀分布（如图 3 所示）并且正向重叠和侧面重叠都至少为 70% 时，平面残差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）的质量在很大程度上取决于飞行配置。增加图像重叠可以提高生成的正射影像的可靠性。另一方面，屋顶的描绘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，在生成的正射影像中测量它们非常重要，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很大的不利条件下。

该分析的结果对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是有风险的。这可能会产生高质量的最终产品，但相关特征的空间偏移、变形或重建结果不佳未被检测到。然而，与此同时，该分析的结果为自定义无人机工作流程开辟了巨大的机会。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，同时也满足陆上客户的需求和要求。这使得无人机工作流程成为一种可行且可持续的工具，可以为当前和未来的地籍挑战提供可靠且具有成本效益的信息。

GeoAI 和深度学习

近年来，使用遥感图像描绘可见地籍边界的概念越来越受到关注。这导致用于提取此类边界的自动化方法的活动增加。最近对人工智能 (AI)、机器学习，甚至更具体的以地籍边界提取为目的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。这些是通过将多个参数组合为输入（包括比例、紧凑度、层权重和形状/颜色）来开发的，以预测分段的矢量多边形。基于这些方法探索了各种输出，例如图像中每个像素值代表边界的概率或输出以闭合像素轮廓的形式出现。与传统的无监督方法相比，有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经得到证明，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：通过调查技术获得的参考和分类图。可见的边界参考是绿线，不可见的是红线，检测到的边界是黄线。 （来源：Xia X. 等人，https://doi.org/10.3390/rs11141725）

深度学习模型由多个层组成，这些层在不同的抽象层次上学习数据表示，从像素、角和边缘开始，一直到复杂的空间模式。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)。一种特殊类型的 CNN 是所谓的完全卷积网络 (FCN)，它旨在执行语义图像分割。这两种方法都被证明对边界划分很有前景，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更优（图 4 和 5）。

与传统方法相比，深度学习模型最显着的优势是所有表示都是在监督下学习的，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上。

图 5：预测土地边界图的比较：（a）用 U-Net 检索的预测边界图，阈值 ‘boundary’ ≤ 0.9； (b) 使用 ENVINet5 检索到的预测边界图。 （来源：Fetai B. 等人，https://doi.org/10.3390/rs13112077）

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。在波兰，基于改进的 U-Net 深度学习算法提出了一种用于提取建筑物屋顶轮廓的自动化系统。该算法旨在使用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，分析是使用公开数据进行的，包括数字表面模型 (DSM) 中的正射影像和密集分类的激光雷达数据。

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具有成本效益的方法来获取用于地籍目的的建筑物轮廓。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区域的建筑物时具有适应性。但是，这可能不适用于其他具有不同建筑特征的区域。

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。 （来源：Wierzbicki D.，https://doi.org/10.3390/rs13040611）

成本效益更公平

考虑另一个超越地籍或保有权边界的案例应用，财产估价——土地管理的一个基本要素——通常由一系列因素决定，如地理位置、物理特征、法律影响和经济考虑。虽然财产估值对经济增长至关重要，但许多发展中国家往往缺乏官方法规或特定数据要求。因此，卢旺达的一项研究探讨了三种遥感技术在征税方面的有效性：1）使用数码相机拍摄的航拍图像，2）WorldView2 卫星图像，以及 3）使用 DJI Phantom 2 Vision Plus 四轴飞行器获得的无人机图像。无人机被证明是最有前途的收集数据的方法，以支持税收的财产估价。他们可以提供准确和最新的信息，这对于公平征税至关重要。

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应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，让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。也就是说，人员仍将是流程的核心。最后，必须由他们来确定、使用和执行边界。

图7：基于遥感数据的卢旺达Nyarutarama街区的遥感数据覆盖范围（来源：Koeva. et al., https://doi.org/10.3390/rs13183563）