利用Hexagon间谍卫星图像和深度学习技术对全球四座城市的多年城市发展情况进行量化分析

《Landscape and Urban Planning》：Quantifying multi-decadal urban growth using Hexagon spy satellite imagery and deep learning building detection across four global cities

利用1970年代Hexagon spy卫星图像和Mask R-CNN模型检测建筑足迹，评估其在四个全球城市（美国圣迭戈、麦迪逊，津巴布韦哈拉雷，印度海得拉巴）的精度，发现美国城市模型精度较高（0.71-0.77），而高密度非洲和印度城市精度较低（0.51-0.57），但为研究近半个世纪城市扩张提供了数据基础，揭示美国城市扩张350%，非洲和印度城市达482%。

　　建筑物的分布、大小、功能和排列方式对于构建可持续和具有韧性的居住区至关重要。这些模式不仅影响人类福祉，还对环境状况和气候变化产生直接影响。因此，精确获取和分析建筑数据对于城市规划、生态研究和环境管理具有重要意义。遥感技术在提供建筑信息方面表现出色，尤其在中等至高分辨率的卫星图像中，可以捕捉到城市区域的建筑存在情况。然而，大规模的分析通常依赖于中等分辨率的卫星图像，这些图像由于像素尺寸较大，无法识别单个建筑。而多光谱高分辨率卫星图像虽然能够检测单个建筑，但这类数据在2000年之前并不普遍，而许多世界地区的城市在这一时期经历了快速扩张。因此，研究者们一直在寻找能够填补这一数据空白的方法。

本文探讨了一种利用高分辨率全色图像进行城市扩张研究的新方法。具体来说，研究者们使用了20世纪70年代的KH-9 Hexagon侦察卫星图像，这些图像具有极高的空间分辨率，能够提供详细的建筑信息。Hexagon卫星图像自1971年至1986年间运行，其全景相机系统（PCS）能够以0.6米甚至更高的分辨率捕捉地球表面图像，为城市研究提供了独特的数据来源。由于这些图像在2011年才被解密，因此在近年来才逐渐被用于各种研究领域，包括地形测绘、冰川研究、森林调查、土地覆盖分析、野生动物栖息地研究以及城市扩张分析。

研究团队在四个城市扩张热点地区应用了Mask R-CNN深度学习模型，这些地区分别是美国的圣地亚哥县、威斯康星州的麦迪逊市、津巴布韦的哈拉雷市和印度的海得拉市。这些地区不仅在地理上分布广泛，而且具有截然不同的城市结构和环境条件。通过比较不同模型架构在麦迪逊地区的性能，研究团队发现Mask R-CNN在建筑识别任务中表现最佳。此外，研究团队选择了ResNet50作为模型的主干网络，并采用默认的数据增强方法，以确保模型的稳定性和准确性。研究还发现，使用16个样本批次和限制模型训练至100个周期，可以实现良好的模型内在精度。

在实际应用中，研究团队利用Hexagon的全景相机系统拍摄的图像，提取了建筑轮廓数据，并将其与现代建筑数据进行对比，以量化城市扩张和结构变化。研究结果表明，在美国的两个研究站点，城市扩张率达到了350%，而在哈拉雷市则达到了482%。这一发现表明，Hexagon图像能够有效捕捉城市长期发展的趋势，特别是在缺乏现代高分辨率卫星图像数据的早期阶段。尽管Hexagon图像的精度略低于现代高分辨率卫星图像，但其提供的数据在时间和空间上具有独特的优势，使得研究人员能够追溯城市扩张的历史轨迹。

在研究过程中，团队还注意到，Hexagon图像存在一些技术挑战。例如，图像在两端的条带区域可能会出现变形，这需要在预处理阶段进行调整。此外，图像中还可能存在噪声和亮度异常，这些因素可能会影响建筑识别的准确性。为了应对这些问题，研究团队采用了多种预处理技术，包括创建空间子集、去除图像边缘的变形区域以及调整图像的亮度和对比度。这些步骤有助于提高建筑识别的可靠性，并减少误判的可能性。

研究团队还强调了Hexagon图像在城市研究中的潜在价值。由于这些图像能够提供详细的建筑轮廓信息，因此可以用于多种应用，包括城市气候研究、土地利用变化分析、城市基础设施规划以及环境影响评估。此外，Hexagon图像的全球覆盖能力使得研究人员能够在不同地区进行比较研究，从而揭示城市扩张的普遍规律和区域差异。这种能力对于理解全球范围内的城市发展趋势以及制定相应的政策和管理措施具有重要意义。

值得注意的是，尽管Hexagon图像在城市研究中表现出色，但其应用仍面临一些限制。首先，这些图像的分辨率虽然较高，但在某些复杂的城市环境中，如哈拉雷和海得拉这样的高密度城市区域，建筑识别的召回率较低，这意味着部分建筑可能被遗漏。其次，Hexagon图像的获取和处理需要一定的技术能力和计算资源，这可能对某些研究团队构成挑战。此外，由于这些图像的解密时间较晚，部分地区的数据可能并不完整，这需要研究人员在使用这些数据时加以注意。

为了克服这些挑战，研究团队提出了一个半自动的建筑识别流程。该流程结合了深度学习模型和人工校正，以确保建筑识别的准确性和可靠性。通过这种方式，研究人员能够在不同地区进行标准化的建筑识别，从而提高数据的可比性和实用性。此外，研究团队还强调了这种方法的可复制性，即通过使用常见的软件和算法，其他研究者也可以在不同地区重复这一研究过程，从而推动城市研究的进一步发展。

在研究的最后部分，团队讨论了Hexagon图像在未来城市研究中的应用前景。他们认为，随着遥感技术的进步和计算能力的提升，Hexagon图像可以与其他高分辨率卫星图像结合使用，以提供更全面的城市数据。此外，Hexagon图像还可以用于研究城市扩张对环境的影响，例如土地覆盖变化、生态系统的破坏以及气候变化的反馈机制。通过分析这些数据，研究人员可以更好地理解城市扩张的长期趋势，并为可持续城市规划提供科学依据。

总之，本文通过利用20世纪70年代的Hexagon侦察卫星图像，展示了一种新的城市扩张研究方法。这种方法不仅能够提供高分辨率的建筑轮廓数据，还能追溯城市扩张的历史轨迹，为全球范围内的城市研究提供了重要的数据支持。尽管存在一些技术挑战，但通过合理的预处理和半自动识别流程，Hexagon图像仍然能够为城市研究提供有价值的参考。未来的研究可以进一步优化这一方法，以提高其在复杂城市环境中的适用性，并探索其在其他领域的潜在应用。