使用融合的Sentinel-2与无人机影像和混合分类方法的新建建筑识别多传感器变化检测

《Advances in Space Research》：Multi-Sensor Change Detection for New Construction Identification Using Fused Sentinel-2 and UAV Imagery with Hybrid Classification Approaches

　　

研究人员发现，Sentinel-2与无人机（UAV）影像的融合能够可靠地实现年度新建建筑检测。Gram-Schmidt（GS）全色锐化技术增强了Sentinel-2影像的空间细节，有助于建筑制图。支持向量机（SVM）在基于像素的融合数据上取得了最高的土地利用分类精度。K近邻（KNN）在融合的Sentinel-2与无人机（UAV）影像上取得了最高的分类精度。使用融合的Sentinel-2与无人机（UAV）数据，约70%的新建建筑被正确识别。

随着人口增长和城市快速扩张，城乡结合部（peri-urban areas）的生态环境和自然覆盖经历了显著变化。城市扩张往往伴随无计划、不合规的土地利用与土地覆盖（Land Use and Land Cover, LULC）改变，尤其是在非正式定居点（informal settlements）中。这些转变导致城市热岛强度、地表径流模式、生态系统服务及居住条件恶化等多重环境与社会经济影响。因此，理解土地利用与土地覆盖变化，特别是城市内部及周边的变化，对规划者和决策者评估并预判挑战、确保规划法规合规、维护环境与社区标准至关重要。监测新建建筑有助于保障公共安全、预防无序定居增长，并为住房市场和社会经济隔离提供洞见。在许多发展中国家，农业耕地向居住和城市用地转化是一个普遍趋势，威胁粮食安全与农业稳定。因此，检测和监测新建建筑已成为政策制定者保护自然资源（如土壤、植被覆盖和农业生产）的关键优先事项。利用遥感技术识别土地利用变化和新建筑被公认为高效可靠的方法，具有广覆盖、易自动处理、定期获取及低成本等优势。然而，大多数研究聚焦于大空间和时间尺度，对于利用中分辨率卫星影像（如Sentinel-2）实现短期（如年度）特定特征（如新建建筑）检测的研究相对较少，主要原因是像元大小（10 m）与小型建筑（如10×10 m）尺度相当，导致检测困难。高分辨率卫星或无人机（Unmanned Aerial Vehicle, UAV）影像可提高检测精度，但成本高、限制多（如飞行限制、地理覆盖有限、数据量大）。因此，融合中分辨率卫星影像与无人机数据成为一种实用且经济的替代方案。近年来，影像融合和全色锐化（pan-sharpening）技术被广泛用于提升多光谱数据的有效空间分辨率，其中Gram-Schmidt（GS）方法因其保留光谱完整性而备受关注。机器学习（Machine Learning, ML）方法如支持向量机（Support Vector Machine, SVM）、K近邻（K-Nearest Neighbor, KNN）和随机森林（Random Forest, RF）因鲁棒性强、计算成本低、可解释性高而被广泛使用。基于上述背景，本研究旨在评估融合Sentinel-2与无人机影像结合卫星影像分类技术识别新建建筑的有效性，为短期城市变化监测提供实用且成本低的解决方案。

研究人员在伊朗亚兹德省梅赫里兹市（Mehriz city, Yazd Province, Iran）开展研究。该市面积超过10 km²，位于干旱区，年降雨量不足100 mm，自然覆盖以裸土为主，但却是历史花园城市，花园和耕地依赖坎儿井（qanats）和井水灌溉。过去二十年，人口增长和土地需求加速了农业用地和花园向住宅用地的转化。研究使用了2023年4月6日和2024年4月5日两景Sentinel-2影像（10 m分辨率，选用蓝、绿、红、近红外、SWIR-1、SWIR-2波段），以及2023年3月获取的无人机RGB影像和数字表面模型（Digital Surface Model, DSM）（原始分辨率0.05 m，重采样至0.20 m）。无人机数据作为静态高空间分辨率参考，通过Gram-Schmidt全色锐化方法与两个时期的Sentinel-2影像融合，以增强空间细节。地面真值数据来自无人机影像（2023年3月）、谷歌地球影像（2023年11月）及梅赫里兹市政记录（2023年11月至2024年4月期间施工的建筑），共410个验证点。研究评估了三种数据集场景：（1）仅Sentinel-2影像；（2）融合的Sentinel-2与无人机影像（有无DSM）；（3）融合影像加入DSM。采用五种像素基分类方法——马氏距离（Mahalanobis Distance, MaD）、最小距离（Minimum Distance, MiD）、最大似然（Maximum Likelihood, ML）、神经网络（Neural Network, NN）和支持向量机（SVM），以及五种对象基分类方法——贝叶斯（Bayes）、决策树（Decision Tree, DT）、K近邻（KNN）、随机森林（RF）和支持向量机（SVM）。所有分类器在一致实验条件下训练和评估，包括相同训练样本、输入特征、类别定义，并进行了归一化和超参数调优。分类后基于最佳方法生成年度变化图，识别新建建筑点，并用地面真值数据验证检测精度。

**3.1. Sentinel-2卫星影像分类**
**3.1.1. 基于像素方法的土地覆盖分类**：在仅使用Sentinel-2影像时，像素基ML算法在两个日期均取得最高精度，总体精度（Overall Accuracy, OA）约74%，Kappa系数0.67。MaD算法精度最低。
**3.1.2. 基于对象方法的土地覆盖分类**：对象基KNN算法表现最佳，OA约73%，Kappa系数0.65；RF次之；DT精度最低（OA约52-56%）。
**3.1.3. 最终土地利用分类**：像素基ML（Kappa=0.67）和对象基KNN（Kappa=0.65）为最优方法。分类结果显示了不同土地覆盖类的比例变化，但Sentinel-2单独数据受混合像元影响，短期变化可靠性有限。

**3.2. 融合Sentinel-2与无人机影像分类**
**3.2.1. 基于像素方法的土地覆盖分类**：融合后，像素基SVM取得最高精度（2023年：OA=82.62%，Kappa=0.76；2024年：OA=80.77%，Kappa=0.74）。加入DSM层后，SVM的OA提升约1-2%（2023年达83.50%）。
**3.2.2. 基于对象方法的土地覆盖分类**：对象基KNN和SVM表现最佳，OA约84%（2023年）和82%（2024年），Kappa约0.78和0.76。DSM的加入对多数算法有1-2%提升，但对KNN影响甚微；Bayes算法提升较明显。
**3.2.3. 融合Sentinel-2与无人机影像的最终土地覆盖分类结果**：像素基SVM和对象基KNN被选为最优方法。对象基KNN展现出较好的空间一致性和城市特征描绘能力。两种方法对建筑和裸土类的生产者精度（PA）和用户精度（UA）均高于75%和81%。融合处理显著降低了分类不一致性，提高了土地覆盖估计的稳定性。

**3.3. 变化检测与新建建筑识别**：基于SVM和KNN分类结果生成的变化图显示，主要转换为裸土→建筑（红色）、植被→建筑（灰色）、植被→裸土（黄色）和裸土→植被（绿色）。像素基结果存在边界伪影，但并非随机噪声，而是混合像元的系统伪影。为保持方法一致性，未采用后分类滤波。对410个地面验证点，像素基SVM正确识别了61.9%（254个）的新建建筑，对象基KNN正确识别了72.4%（297个），展示了融合方法检测新建建筑的能力。

**讨论部分总结**：本研究通过对比分析证实，多传感器数据融合显著提升了分类性能。融合Sentinel-2与无人机影像使总体精度提高约10-11%，Kappa系数提高0.11-0.13，主要归因于混合像元效应的减弱。SVM（像素基）和KNN/SVM（对象基）在融合数据上表现最优，表明能处理复杂决策边界的分类器受益于增强的空间-光谱信息。DSM的加入带来1-2%的精度提升，提供了垂直信息，有助于区分建筑与裸土等光谱相似类。但总体精度（约74%对Sentinel-2，约80-84%对融合数据）反映了真实操作条件（如训练数据有限、时间不一致、成本约束）的挑战。需要注意的是，本研究的首要目标并非单纯分类精度，而是新建建筑的变化检测，检测率（SVM 61.9%，KNN 72.4%）证明了框架的有效性。研究还指出了局限性：Sentinel-2的10 m空间分辨率限制了小或窄建筑的检测；光谱相似性（如临时建筑材料与裸土）导致误分类；无人机DSM受三维重建特性（如纹理、遮挡）影响，改进有限；静态无人机数据集引入时间不匹配。未来研究方向包括集成深度学习、结合雷达数据（如Sentinel-1 SAR）、引入更多光谱指数、发展自动化机器学习与深度学习工作流，以及探索机载激光扫描（Airborne Laser Scanning, ALS）数据以提升精度。

**结论部分翻译**：本研究评估了利用Sentinel-2卫星影像和融合的Sentinel-2/无人机数据集在伊朗梅赫里兹快速变化城市环境中检测新建建筑的能力。评估了三种分类场景：（1）仅Sentinel-2影像；（2）Sentinel-2影像与无人机数据融合；（3）融合的Sentinel-2/无人机影像加入DSM。系统比较了十种监督分类器（五种像素基、五种对象基），以确定短期城市变化检测的最有效方法。结果表明，融合Sentinel-2与无人机数据相较于单独使用Sentinel-2影像，显著提高了城市土地覆盖分类精度和新建筑检测准确性。该方法的关键优势在于利用免费的Sentinel-2影像结合单次无人机调查的成本效益。一旦获取参考年的无人机数据，即可为后续的Sentinel-2影像重复生成融合数据集，无需重复进行航空调查或昂贵的商业高分辨率卫星数据，实现一致的多年监测。这使该方法对地方政府、规划者和决策者具有操作可行性，特别是在资源有限的区域。研究结果还强调了多传感器数据融合在城市发展监测中的巨大潜力。无人机空间细节与Sentinel-2光谱信息的整合有效减少了混合像元效应，改进了建筑及其他城市特征的描绘能力。因此，基于融合的分类与变化检测框架为新建建筑活动提供了更可靠、更详细的信息——这些信息对于土地利用规划、防止无序开发以及城乡结合部可持续管理至关重要。未来研究应聚焦于通过探索替代融合算法、集成雷达数据（如Sentinel-1 SAR）、引入额外光谱指数（如NDVI、NDBI）、发展自动化机器学习与深度学习工作流，以及评估机载激光扫描（ALS）数据在提升分类精度方面的潜力，来进一步提高分类与变化检测性能。总体而言，本研究证明了免费卫星影像与有限无人机数据的融合为短期间隔检测新建建筑和监测城市变化提供了有效、经济且可操作的解决方案。