行业｜高分卫星服务交通设施监测

高分二号拍摄的平潭海峡公铁大桥

随着空间分辨率的不断提高，遥感信息为地理信息库的更新带来了便利，高分辨率遥感影像开始广泛应用于路网信息的提取。

基于卷积神经网络算法的路网提取技术，通常需要使用训练数据进行网络模型的建立。道路典型特征库的建立首先是利用其形态、结构、连通性等特征进行典型遥感样本的提取、分类与统计分析，然后根据统计结果尽可能多地涵盖全部典型的道路特征单元，道路特征库的数量将直接影响算法的识别与提取精度。

典型道路特征库样例

近年来，随着深度学习技术的出现与发展，自主学习特征已成为可能，网络层数的增加也使得神经网络的分类能力更强。通过卷积神经网络对图像区域进行分类，可得到像素的分类结果，然后将分类结果看作是二值图像，通过分析二值图像联通区域的大小对识别结果进行筛选便可得到最终的提取结果。

路网提取结果示意图

利用SAR影像获取地表特征信息的原理在于不同地物的后向散射差异，当地表内部结构发生变化时，其卫星传感器接收到的信息也会随之变化。基于这一原理，多时相的SAR影像可广泛用于交通基础设施的形变调查研究中。

合成孔径雷达干涉（InSAR）技术是主动微波成像传感器的一种干涉测量模式，通过对同一区域具有一定角度差和相关性的影像进行干涉处理，检测其相位差，并按照一定的几何关系进行转换，最终实现对观测区域地形高度数据的获取。为保障数据精度，所基于的雷达影像通常要达到空间分辨率3m以上，多时相影像数量7景以上。在工程测量中，为保障数据精度，一般还可采用永久散射（PSInSAR）技术。PSInSAR技术对数据质量要求较高，如果研究区域自然永久散射点较少，可人为架设角反射器作为补充。

三角锥型人工角反射器示意图

区别于光学遥感影像的灰度信息，InSAR的分析结果能够提供直观的地表形变信息，但SAR遥感数据的可视化效果远不如光学影像，即虽然能获取某一空间坐标点的形变量，但是无法直观地看到这一点是什么地物。所以，通常需要将基于光学遥感影像所提取的道路影像和InSAR结果进行匹配融合，实现二者信息的叠加互补。然而，由于光学遥感影像和雷达影像在观测时间、成像模式上存在差异，在进行数据融合时，首先需要对两种影像进行空间匹配，而匹配的精度也将直接影响最终的数据分析以及数据挖掘的合理与准确性。针对这一问题，一种有效的融合方法是：1）建立目标区域内的标准格网；2）基于建立的标准格网对光学遥感影像和雷达遥感影像进行双线性差值，对不同空间分辨率影像的配准；3）将InSAR结果中的低置信度观测点剔除，按照上一步的配准映射关系，完成InSAR结果到光学影像数据间的匹配融合。

InSAR测量结果与光学遥感影像的匹配融合

完成影像间的信息融合后，利用归一化后的道路影像进行掩膜生成，并结合归一化形变数据提取出目标道路区域的地基形变信息，进行后续的数据分析与挖掘，从而实现对道路的提取与设施状态的监测，如道路使用损耗情况、灾后可通行能力以及区域内路网连通性的分析等方面。

相比传统人工手段，遥感数据不仅能够极大地缩减人力和物力成本，而且还可以进行大尺度下的数据分析与挖掘，极大地促进了相关研究的发展。对于交通行业来说，有效利用遥感技术服务交通安全应急，是遥感应用领域发展的一个重要方向。

来源：卫星应用

作者：夏威、钟南、张雨泽