2021年秋季学生聚焦

原文链接：https://www.nv5geospatialsoftware.com/Learn/Blogs/Blog-Details/student-spotlight-fall-2021

8863 评价本文：

4.7

2021年秋季学生聚焦

Erin Eckles 2021年12月2日，星期四

ENVI 深度学习助力世界制图

NV5 Geospatial 最新一期学生聚焦人物 Bujar Fetai，是斯洛文尼亚卢布尔雅那大学大地测量学系博士生，隶属于土木与大地测量工程学院。Fetai 热衷于研究土地管理系统，他的研究重点是改进地籍图。作为其博士研究的一部分，他致力于利用无人机影像自动化描绘可见土地边界的过程。“ENVI® 是我研究中的一个重要工具。我使用 ENVI 来处理和分析所有遥感数据，包括无人机影像。”

Fetai 关于使用 ENVI 深度学习进行可见土地边界检测的研究（如下文所示）最近发表在 Remote Sensing for Land Administration 2.0 上。(Fetai, B.; Račič, M.; Lisec, A. “Deep Learning for Detection of Visible Land Boundaries from UAV Imagery” https://doi.org/10.3390/rs13112077)。“就深度学习而言，ENVI 扮演着至关重要的角色，可以被视为一种无需编程的稳健制图方法。后者非常重要，因为并非所有土地管理者都具备编程技能，而 ENVI 深度学习是一个极佳的替代方案。”

Fetai 拥有荷兰特文特大学地球信息科学与对地观测学院的地球信息科学与对地观测硕士学位。他的研究兴趣包括土地权属、地籍、地理信息系统以及无人机和卫星影像分析。他的博士研究在 Anka Lisec 博士的指导下进行，并在图像处理、遥感和摄影测量领域与 Krištof Oštir 博士和 Mojca Kosmatin Fras 博士进行合作。

可见地籍边界示例。

世界地籍系统现状

全球超过 70% 的土地权利未登记，不属于任何地籍系统。这使得确定土地权属变得困难，在许多情况下甚至不可能。测绘土地权利边界、创建完整的地籍系统并能够保持其更新是土地管理中的首要任务。然而，实现这一目标存在多重挑战，低成本、快速的地籍测量与制图技术可以克服其中许多难题。

间接制图技术基于从高分辨率遥感影像中描绘可见的地籍边界。基于影像的地籍制图应用建立在一个认识上：许多地籍边界与自然或人造边界（如树篱、土地覆盖边界、建筑墙体、道路等）重合，并且可以很容易地从遥感或无人机影像中识别出来。

除了高可见性的无人机影像，以往的许多案例研究报告了手动描绘，仅有有限数量的研究探索了自动提取可见地籍边界的方法。主要是使用定制的图像分割和边缘检测算法来自动化地籍制图。

ENVI 深度学习高效处理地籍制图

深度学习在可见地籍边界提取中的应用正变得越来越重要，特别是对于基于无人机的地籍制图。作为其博士论文的一部分，Fetai 使用 ENVI 深度学习来自动化提取无人机影像中的可见地籍边界。为了训练和验证模型，使用了来自不同地点、包含乡村场景的三个不同的无人机影像数据集。模型的训练是基于图像块（patch）的。

测试无人机影像的结果如下图所示。

左：测试无人机影像；中：地面真实可见边界；右：使用 ENVI 深度学习 - ENVINet5 提取的可见边界

深度学习所需的大量训练数据和数据准备可能是一个主要障碍。然而，Fetai 应用了一种数据增强技术，这在使用 ENVI 深度学习（版本 1.1.2）时是可行的。通过在 ENVI 中将参考地籍边界作为感兴趣区（ROIs）上传来创建栅格标签——与手动创建栅格标签相比，这是一种快速的方法。

基于 ENVINet5 模型检测可见土地边界的工作流程 – ENVI 深度学习

在斯洛文尼亚测试模型

该模型在斯洛文尼亚 Odranci 的一个案例研究中进行了测试。结果表明，ENVI 深度学习具有提取可见地籍边界的潜力，尤其是在乡村地区，准确率达到 84%。预测的边界图经过了地理配准，无需额外的后处理步骤。

(a) 斯洛文尼亚 Odranci 的无人机影像，划分为训练和测试区域。(b) 斯洛文尼亚 Ponova vas 的无人机影像，用于训练。(c) 北马其顿 Tetovo 的无人机影像，用于训练。(a, b, c) 地面采样距离为 0.25米。

研究结果对未来地籍系统的意义

“这些发现表明，ENVI 深度学习可以有效地作为一种稳健的制图方法，”Fetai 说。“因为 ENVI 深度学习不需要任何编程，这种方法可以成为通常不具备编程技能的土地管理者的重要工具。”

使用 ENVI 深度学习预测的边界图可用于地籍覆盖率低的发展中地区，以加速地籍制图。这在乡村地区尤其有用，因为与密集的城市地区相比，图像上地籍边界的可见度更高。在已经拥有完整地籍的较发达地区，ENVI 深度学习可用于自动化修订现有地籍地图，以自动界定需要更新地籍图的区域。

然而，需要注意的是，地籍边界的自动化并未终结。这是由于地籍边界的复杂性所致，其几何结构可能非常简单，但解释起来可能很困难。预测的可见边界在被视为最终地籍边界之前，应由土地所有者和其他受益方进一步验证。尽管如此，使用 ENVI 深度学习提取的边界正在加速地籍制图自动化的步伐，提取的边界可以被视为初步地籍边界。

ENVI 深度学习是商用现成技术，专门设计用于处理遥感影像以解决地理空间问题。欲了解更多信息，请点击此处或发送邮件至 GeospatialInfo@NV5.com。