融合Deep-ResUnet和PS-InSAR的城市道路网形变灾害监测方法——以合肥市为例

doi:10.13474/j.cnki.11-2246.2023.0234

测绘通报 ›› 2023, Vol. 0 ›› Issue (8): 67-71.doi: 10.13474/j.cnki.11-2246.2023.0234

融合Deep-ResUnet和PS-InSAR的城市道路网形变灾害监测方法——以合肥市为例

邹鑫^1,2,3, 王磊^1,2,3, 李靖宇⁴, 滕超群^1,2,3, 黄金中^1,2,3, 李忠^1,2,3, 李世保^1,2,3

1. 安徽理工大学空间信息与测绘工程学院, 安徽淮南 232001;
2. 安徽理工大学矿山采动灾害空天地协同监测与预警安徽普通高校重点实验室, 安徽淮南 232001;
3. 安徽理工大学矿区环境与灾害协同监测煤炭行业工程研究中心, 安徽淮南 232001;
4. 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083

收稿日期:2023-03-01 发布日期:2023-09-01
通讯作者: 王磊。E-mail:austwlei@163.com
作者简介:邹鑫(1998-),男,硕士生,主要从事遥感图像智能提取方面的研究工作。E-mail:17755457268@163.com
基金资助:
国家自然科学基金(52074010)；安徽省优秀青年科学基金(2108085Y20)

A method of urban road settlement monitoring combining Deep-ResUnet and PS-InSAR:a case study of Hefei city

ZOU Xin^1,2,3, WANG Lei^1,2,3, LI Jingyu⁴, TENG Chaoqun^1,2,3, HUANG Jinzhong^1,2,3, LI Zhong^1,2,3, LI Shibao^1,2,3

1. School of Spatial Informatics and Geomatics Engineering, Anhui Universiy of Scienceand Technology, Huainan 232001, China;
2. Key Laboratory of Aviation-aerospace-ground Cooperative Monitoring and Early Warning of Coal Mining-induced Disasters of AnhuiHigher Education Institutes, Anhui University of Science and Technology, Huainan 232001, China;
3. Coal Industry Engineering Research Center of Mining Area Environmental and Disaster Cooperative Monitoring, Anhui University of Science and Technology, Huainan 232001, China;
4. College of Geoscience and Surveying Engineering, China University of Mining and Technology, Beijing 100083, China

Received:2023-03-01 Published:2023-09-01

摘要/Abstract

摘要： 针对城市道路网变形监测存在的高分辨率影像获取难、道路人工提取效率低、传统变形监测工作量大等难题,本文提出了一种基于融合Deep-ResUnet和PS-InSAR的城市道路网形变监测方法。主要思路为: 首先对目标区的哨兵-1A(Sentinel-1A)影像数据进行伪彩色变换建立道路数据集;然后训练深度残差网络(Deep-ResUnet)模型并对道路网栅格进行提取;最后利用永久散射体干涉测量(PS-InSAR)技术获取PS点形变信息与道路网栅格融合。研究结果表明,Sentinel-1A影像经过伪彩色处理后,能提高城市道路网提取的完整性,交并比提高6%~9%,道路提取精度平均提高10%左右,得到的城市道路网形变信息专题图能为城市道路变形监测和健康状况评估提供科学依据。

关键词: 永久散射体雷达干涉, 语义分割, 道路提取, 道路形变, 哨兵-1A

Abstract: In view of the problems of deformation monitoring of urban road network, such as difficulty in obtaining high-resolution images, low efficiency of manual road extraction, and heavy workload of traditional deformation monitoring, this paper proposes a deformation monitoring method of urban road network based on fusion of Deep-ResUnet and PS-InSAR. The main idea is to first perform pseudo color transformation on Sentinel-1A image data in the target area to establish a road dataset, then train a Deep-ResUnet model and extract the road network grid. Finally, the permanent scatterer interferometry (PS-InSAR) technique is used to obtain PS point deformation information and fuse it with the road network grid. The research results show that after the Sentinel-1A image is processed with pseudo color, the integrity of urban road network extraction can be improved, the intersection and merge ratio can be improved by 6%~9%, and the accuracy of road extraction can be improved by about 10% on average. The thematic map of urban road network deformation information obtained can provide scientific basis for urban road deformation monitoring and health assessment.

Key words: PS-InSAR, semantic segmentation, road extraction, road deformation, Sentinel-1A

中图分类号:

邹鑫, 王磊, 李靖宇, 滕超群, 黄金中, 李忠, 李世保. 融合Deep-ResUnet和PS-InSAR的城市道路网形变灾害监测方法——以合肥市为例[J]. 测绘通报, 2023, 0(8): 67-71.

ZOU Xin, WANG Lei, LI Jingyu, TENG Chaoqun, HUANG Jinzhong, LI Zhong, LI Shibao. A method of urban road settlement monitoring combining Deep-ResUnet and PS-InSAR:a case study of Hefei city[J]. Bulletin of Surveying and Mapping, 2023, 0(8): 67-71.

参考文献

[1] 秦晓琼,杨梦诗,廖明生,等.应用PSInSAR技术分析上海道路网沉降时空特性[J].武汉大学学报(信息科学版),2017,42(2):170-177.
[2] 戴激光,王杨,杜阳,等.光学遥感影像道路提取的方法综述[J].遥感学报,2020,24(7):804-823.
[3] 王龙飞,严春满.道路场景语义分割综述[J].激光与光电子学进展,2021,58(12):44-66.
[4] 吴强强,王帅,王彪,等.空间信息感知语义分割模型的高分辨率遥感影像道路提取[J].遥感学报,2022,26(9):1872-1885.
[5] WU Qiangqiang,LUO Feng,WU Penghai,et al.Automatic road extraction from high-resolution remote sensing images using a method based on densely connected spatial feature-enhanced pyramid[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2020,14:3-17.
[6] LI Peikang,ZANG Yu,WANG Cheng,et al.Road network extraction via deep learning and line integral convolution[C]//Proceedings of 2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS).Beijing:IEEE,2016:1599-1602.
[7] 胡煦航,程小龙,朱滨,等.基于改进ResUnet的高分辨率遥感影像道路信息提取[J].遥感信息,2022,37(4):87-93.
[8] ZHANG Zhijie,ZHANG Chuanrong,LI Weidong.Semantic segmentation of urban buildings from VHR remotely sensed imagery using attention-based CNN[C]//Proceedings of 2020 IGARSS IEEE International Geoscience and Remote Sensing Symposium.Waikoloa:IEEE,2021:1833-1836.
[9] 闫志恒,任超,李毅,等.一种改进的融合不同尺度特征的遥感影像道路提取新方法[J].测绘通报,2022(9):58-62.
[10] ZHANG Zhengxin,LIU Qingjie,WANG Yunhong.Road extraction by deep residual U-net[J].IEEE Geoscience and Remote Sensing Letters,2018,15(5):749-753.
[11] 吴仁哲,蔡嘉伦,刘国祥,等.针对高分影像的RDU-Net乡村路网提取方法[J].遥感信息,2021,36(1):29-36.
[12] 张倩雯,陈明,秦玉芳,等.基于3D ResUnet网络的肺结节分割[J].中国医学物理学杂志,2019,36(11):1356-1361.
[13] 张长书.利用InSAR技术监测城市地表沉降研究[D].长沙:中南大学,2008.
[14] 徐弘毅.InSAR技术在城市道路和地铁沉降监测的应用研究:以深圳市为例[D].深圳:深圳大学,2018.
[15] 滕超群.基于InSAR技术的形变灾害监测预测方法及其应用研究[D].淮南:安徽理工大学,2021.
[16] 冯颖.基于深度学习的SAR特征提取与目标识别研究[D].成都:电子科技大学,2017.
[17] WEI Xiaochen,LV Xiaolei,ZHANG Kaiyu.Road extraction in SAR images using ordinal regression and road-topology loss[J].Remote Sensing,2021,13(11):2080.
[18] 张志华,胡长涛,张镇,等.基于PS-InSAR上海地区地表沉降监测与分析[J].自然资源遥感,2022,34(3):106-111.
[19] 麻源源,左小清,麻卫峰.基于PS-InSAR的天津地区沉降监测及分析[J].遥感技术与应用,2019,34(6):1324-1331.

融合Deep-ResUnet和PS-InSAR的城市道路网形变灾害监测方法——以合肥市为例

A method of urban road settlement monitoring combining Deep-ResUnet and PS-InSAR:a case study of Hefei city

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	姚萌萌, 李晓明, 王伟玺, 谢林甫, 黄俊杰, 黄鸿盛, 汤圣君. 几何特征与神经网络联合优化的室内三维点云语义分割方法[J]. 测绘通报, 2023, 0(5): 56-61.
[2]	齐建伟, 王伟峰, 张乐, 王光彦. 基于改进DeepLabV3+算法的遥感影像建筑物变化检测[J]. 测绘通报, 2023, 0(4): 145-149.
[3]	佘佐明, 申勇智, 宋剑虹, 向玉瑨. 利用经典CNN网络方法构建贵阳市道路要素遥感影像自动提取模型[J]. 测绘通报, 2023, 0(4): 177-182.
[4]	向煜, 黄志, 华媛媛, 邓剑峰. 深度学习支持下的宅基地复垦项目真实性智能审查技术研究与应用[J]. 测绘通报, 2023, 0(1): 163-167.
[5]	闫志恒, 任超, 李毅, 徐宁辉, 张胜国. 一种改进的融合不同尺度特征的遥感影像道路提取新方法[J]. 测绘通报, 2022, 0(9): 58-62.
[6]	任月娟, 葛小三. 改进DeepLabV3+网络的遥感影像道路综合提取方法[J]. 测绘通报, 2022, 0(6): 55-61.
[7]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[8]	王玮琦, 游雄, 苏明占, 张蓝天, 周雪莹, 赵耀. SANet:空间注意力机制下的LiDAR点云实时语义分割方法[J]. 测绘通报, 2022, 0(11): 32-38.
[9]	刘茂华, 李曼雯. 融合高分影像和LiDAR数据的城市道路提取[J]. 测绘通报, 2021, 0(6): 1-5,60.
[10]	武花, 张新长, 孙颖, 蔡伟男, 颜军, 邓剑文, 张建国. 融合多特征改进型PSPNet模型应用于复杂场景下的建筑物提取[J]. 测绘通报, 2021, 0(6): 21-27.
[11]	吴永静, 吴锦超, 林超, 窦宝成, 黎珂. 基于深度学习的高分辨率遥感影像光伏用地提取[J]. 测绘通报, 2021, 0(5): 96-101.
[12]	彭赤, 毛先胤, 杨柳青, 马晓红, 吕乾勇, 杜昊, 王迪, 余容. 多山地区输电通道内道路提取方法[J]. 测绘通报, 2021, 0(4): 105-110,125.
[13]	郑恬静, 黄金彩, 周宝定, 张德津. 基于众源轨迹数据的行人路网提取[J]. 测绘通报, 2021, 0(3): 69-74.
[14]	谢梦, 刘伟, 李二珠, 杨梦圆, 王晓檀. 深度卷积神经网络支持下的遥感影像语义分割[J]. 测绘通报, 2020, 0(5): 36-42.
[15]	周继苗, 李必军, 陈世增. 一种多层特征融合的道路场景实时分割方法[J]. 测绘通报, 2020, 0(1): 10-15.