遙感影像在電網(wǎng)工程建設(shè)的應(yīng)用研究

導(dǎo)語(yǔ)：遙感影像在電網(wǎng)工程建設(shè)的應(yīng)用研究一文來(lái)源于網(wǎng)友上傳，不代表本站觀點(diǎn)，若需要原創(chuàng)文章可咨詢(xún)客服老師，歡迎參考。

摘要：基于衛(wèi)星遙感技術(shù)的電網(wǎng)工程建設(shè)過(guò)程的質(zhì)量監(jiān)控，能夠規(guī)范工程建設(shè)各方主體及有關(guān)機(jī)構(gòu)的質(zhì)量行為，并對(duì)電網(wǎng)工程產(chǎn)生的環(huán)境和安全影響進(jìn)行評(píng)估。以某變電站為研究對(duì)象，通過(guò)對(duì)某變電站建設(shè)前后三期的遙感影像進(jìn)行變化檢測(cè)，來(lái)對(duì)該工程施工進(jìn)程進(jìn)行監(jiān)測(cè)。通過(guò)實(shí)驗(yàn)研究得出，利用多時(shí)相的高分遙感數(shù)據(jù)，不僅可以及時(shí)地監(jiān)測(cè)項(xiàng)目的總體施工狀況和進(jìn)度、實(shí)現(xiàn)大范圍通道或場(chǎng)地清理的監(jiān)控，而且可以及時(shí)有效地監(jiān)測(cè)建設(shè)范圍的生態(tài)環(huán)境變化動(dòng)態(tài)和對(duì)施工工作量進(jìn)行復(fù)核、評(píng)估。

關(guān)鍵詞：高分辨率影像；變化檢測(cè)；深度學(xué)習(xí)；動(dòng)態(tài)監(jiān)測(cè)

1研究背景及應(yīng)用現(xiàn)狀

電網(wǎng)在現(xiàn)代能源供應(yīng)的體系中發(fā)揮著極其重要的樞紐作用，是一個(gè)國(guó)家經(jīng)濟(jì)的重要命脈。如何全面保障和提升電網(wǎng)工程建設(shè)過(guò)程中的安全質(zhì)量是電網(wǎng)工程管理工作的重中之重。保證電網(wǎng)工程建設(shè)的安全、可靠開(kāi)展，不僅僅關(guān)乎電網(wǎng)工程建設(shè)的順利進(jìn)行，更關(guān)系到國(guó)家能源安全和國(guó)計(jì)民生。隨著我國(guó)經(jīng)濟(jì)的飛速發(fā)展，國(guó)民經(jīng)濟(jì)對(duì)電力工程等基礎(chǔ)設(shè)施建設(shè)的依賴(lài)和需求也日益增加，穩(wěn)定、安全的電網(wǎng)基建對(duì)國(guó)民經(jīng)濟(jì)的貢獻(xiàn)極大。但是由于電網(wǎng)工程建設(shè)的施工現(xiàn)場(chǎng)情況復(fù)雜，區(qū)域跨度大，管控的難度也大，因而給施工項(xiàng)目帶來(lái)了極大的安全隱患。在傳統(tǒng)的工程施工現(xiàn)場(chǎng)，電網(wǎng)工程的質(zhì)量監(jiān)控主要受工程管理人員經(jīng)驗(yàn)的影響，缺乏及時(shí)監(jiān)測(cè)與監(jiān)督的能力，對(duì)于工程施工現(xiàn)場(chǎng)的不規(guī)范現(xiàn)象和不確定因素?zé)o法實(shí)時(shí)地發(fā)現(xiàn)并及時(shí)地做出反應(yīng)，難以完全滿(mǎn)足現(xiàn)代工程施工現(xiàn)場(chǎng)的管理需求，因此在工程施工現(xiàn)場(chǎng)實(shí)行全面的自動(dòng)化監(jiān)控顯得極其重要，國(guó)內(nèi)外的眾多專(zhuān)家學(xué)者也一直在探尋新的工程質(zhì)量監(jiān)控模式。全球范圍內(nèi)，高分辨率遙感衛(wèi)星經(jīng)過(guò)了幾十年的飛速發(fā)展，已經(jīng)逐步實(shí)現(xiàn)了商業(yè)化、市場(chǎng)化和產(chǎn)業(yè)化。進(jìn)入21世紀(jì)以后，全球近30個(gè)國(guó)家和地區(qū)的政府機(jī)構(gòu)和私人企業(yè)每年都投入了巨額的資金，用以研究和發(fā)展地球觀測(cè)衛(wèi)星，因而高分商業(yè)遙感衛(wèi)星進(jìn)入了全新的發(fā)展階段。其特點(diǎn)是實(shí)用性更強(qiáng)、效率更高、周期更短等，高分商業(yè)遙感衛(wèi)星的快速發(fā)展為社會(huì)的發(fā)展和生產(chǎn)帶來(lái)了新的動(dòng)力。衛(wèi)星遙感技術(shù)的飛速發(fā)展為電網(wǎng)工程建設(shè)過(guò)程中動(dòng)態(tài)監(jiān)控的實(shí)現(xiàn)提供了可能。因此，本文利用高分衛(wèi)星遙感技術(shù)進(jìn)行電網(wǎng)工程建設(shè)過(guò)程的監(jiān)控。首先，快速獲取工程建設(shè)區(qū)域內(nèi)的高分衛(wèi)星遙感影像，然后，基于深度學(xué)習(xí)模型，對(duì)遙感影像進(jìn)行判讀、解譯，最后，對(duì)前后期影像進(jìn)行變化檢測(cè)，實(shí)現(xiàn)電網(wǎng)工程建設(shè)過(guò)程中的動(dòng)態(tài)監(jiān)控。目的在于規(guī)范電網(wǎng)工程建設(shè)過(guò)程中各方主體及相關(guān)機(jī)構(gòu)的質(zhì)量行為，通過(guò)利用高分衛(wèi)星遙感影像，對(duì)電網(wǎng)工程施工過(guò)程進(jìn)行實(shí)時(shí)的動(dòng)態(tài)監(jiān)控，及時(shí)發(fā)現(xiàn)施工過(guò)程中的質(zhì)量、安全隱患，并對(duì)電網(wǎng)工程建設(shè)產(chǎn)生的環(huán)境及安全影響進(jìn)行評(píng)估。其意義在于確保電網(wǎng)工程建設(shè)的安全，保證人民生命財(cái)產(chǎn)安全，保護(hù)當(dāng)?shù)氐纳鷳B(tài)環(huán)境，維護(hù)社會(huì)大眾的利益，充分發(fā)揮電網(wǎng)工程項(xiàng)目的經(jīng)濟(jì)效益與社會(huì)效益。

2算法原理

2．1深度學(xué)習(xí)模型。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，簡(jiǎn)稱(chēng)CNN）是近年來(lái)模式識(shí)別領(lǐng)域一種圖片高效的分類(lèi)方法，它將人工神經(jīng)網(wǎng)絡(luò)技術(shù)與深度學(xué)習(xí)的方法相結(jié)合，最大的特點(diǎn)是稀疏連接和權(quán)值共享，它使用了一種基于梯度改進(jìn)的反向傳播算法來(lái)訓(xùn)練網(wǎng)絡(luò)中的權(quán)重，在實(shí)際應(yīng)用中極大地避免了輸入數(shù)據(jù)復(fù)雜的前期處理過(guò)程，可以直接輸入原始圖像或其他數(shù)據(jù)。CNN具備擬合任意復(fù)雜函數(shù)的特點(diǎn)，擁有非常強(qiáng)的擬合能力及表征能力，能夠獨(dú)立完成比較復(fù)雜的非線(xiàn)性映射。在面對(duì)復(fù)雜的地物分類(lèi)上，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法具有比較突出的分類(lèi)能力。利用深度的卷積網(wǎng)絡(luò)，將整個(gè)遙感衛(wèi)星影像作為輸入數(shù)據(jù)，引入全局優(yōu)化以及類(lèi)別的空間關(guān)系信息作為約束條件，然后訓(xùn)練這個(gè)深度學(xué)習(xí)模型就可以進(jìn)行遙感衛(wèi)星影像的分類(lèi)。大多數(shù)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型是為了分類(lèi)任務(wù)而設(shè)計(jì)的，這類(lèi)網(wǎng)絡(luò)通常的設(shè)計(jì)思路一般都是在整個(gè)網(wǎng)絡(luò)的最后一個(gè)卷積層之后再增加一個(gè)全連接層，將最后一組的特征圖直接映射到固定長(zhǎng)度的特征向量上，然后通過(guò)一層甚至幾層全連接層把特征向量再映射到分類(lèi)向量上，用來(lái)實(shí)現(xiàn)對(duì)原始輸入數(shù)據(jù)的分類(lèi)。CNN實(shí)現(xiàn)的是基于圖像級(jí)的分類(lèi)任務(wù)，它可以判斷輸入的圖像屬于哪種類(lèi)別?？墒牵?dāng)要實(shí)現(xiàn)對(duì)輸入的圖像進(jìn)行基于像素級(jí)的分類(lèi)任務(wù)時(shí)，一般的CNN將難以實(shí)現(xiàn)這種需求。此時(shí)，可以通過(guò)調(diào)整或改變網(wǎng)絡(luò)的輸入、輸出來(lái)完成基于像素級(jí)的圖像分類(lèi)任務(wù)?；诙喑叨攘餍闻判騼?yōu)化方法的基本流程為：以圖像像素為基礎(chǔ)，在此基礎(chǔ)之上建立圖像的深度學(xué)習(xí)網(wǎng)絡(luò)，然后通過(guò)每一層網(wǎng)絡(luò)的學(xué)習(xí)得到圖像的表達(dá)式。為了更好地表達(dá)目標(biāo)，基于多尺度流形排序優(yōu)化方法中深層網(wǎng)絡(luò)的每一層都被賦予了特別的意義。深度學(xué)習(xí)方法的本質(zhì)上就是通過(guò)構(gòu)造具有多個(gè)隱含層的機(jī)器學(xué)習(xí)模型，然后從大量的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)和挖掘更多有用的特征，用來(lái)提高分類(lèi)結(jié)果的準(zhǔn)確性。因此，深度學(xué)習(xí)方法也是一種特征學(xué)習(xí)方法，可以從輸入的圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí)出最能表達(dá)目標(biāo)的特征。在得到可以表征圖像的特征后，再利用目標(biāo)標(biāo)記、目標(biāo)上下文和場(chǎng)景上下文的信息來(lái)調(diào)整深度網(wǎng)絡(luò)的權(quán)重，并通過(guò)上下文的信息形成“擴(kuò)展－非擴(kuò)展”的卷積層，來(lái)增強(qiáng)深度網(wǎng)絡(luò)的識(shí)別能力，最大程度上消除分類(lèi)的不確定性或模糊性，進(jìn)一步減少處理時(shí)間，最終提高目標(biāo)的檢測(cè)性能。許多傳統(tǒng)的分類(lèi)方法都是基于局部特征的，但是實(shí)際上高層語(yǔ)義的描述更加穩(wěn)定。因此，基于上下文的語(yǔ)義描述可以彌補(bǔ)底層特征與高層語(yǔ)義之間的空白。在目標(biāo)層的基礎(chǔ)上，增加一個(gè)目標(biāo)群層和一個(gè)場(chǎng)景層，再通過(guò)多尺度、多方向?yàn)V波特征的空間分布提取場(chǎng)景的上下文特征，并采用流形排序優(yōu)化的方法提高圖像的分類(lèi)精度，這樣就可以在目標(biāo)層、目標(biāo)群層以及場(chǎng)景層之間形成一個(gè)有監(jiān)督的網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)指導(dǎo)了整個(gè)模型的學(xué)習(xí)，通過(guò)不斷調(diào)整深度網(wǎng)絡(luò)的參數(shù)，最終實(shí)現(xiàn)了目標(biāo)檢測(cè)性能的提高［3］。2．2基于深度學(xué)習(xí)解譯的變化檢測(cè)方法?；谏疃葘W(xué)習(xí)解譯的變化檢測(cè)方法首先利用深度學(xué)習(xí)的方法對(duì)同一地區(qū)前后期遙感影像進(jìn)行全自動(dòng)解譯，在此基礎(chǔ)上在對(duì)這兩景影像進(jìn)行變化檢測(cè)。2．2．1基于深度學(xué)習(xí)的遙感影像全自動(dòng)解譯。這里用的深度學(xué)習(xí)方法是多尺度流形排序優(yōu)化方法，此方法進(jìn)行遙感影像解譯的解決方案是：首先，利用高分辨率和對(duì)應(yīng)的標(biāo)記數(shù)據(jù)生成規(guī)定格式的樣本訓(xùn)練集；然后，針對(duì)遙感影像的特點(diǎn)，設(shè)計(jì)多尺度流形排序語(yǔ)義分割網(wǎng)絡(luò)模型；其次，利用第一步構(gòu)建好的樣本，對(duì)模型進(jìn)行訓(xùn)練［4］。接著對(duì)訓(xùn)練模型進(jìn)行測(cè)試，若測(cè)試不通過(guò)，則返回第二步修改網(wǎng)絡(luò)模型，若通過(guò)測(cè)試則模型訓(xùn)練完畢，可以進(jìn)行地物自動(dòng)分割，具體流程如圖1所示。2．2．2多時(shí)相遙感影像的變化檢測(cè)。基于衛(wèi)星遙感影像的變化檢測(cè)是通過(guò)利用不同時(shí)期的同一地區(qū)的多源衛(wèi)星遙感影像以及相關(guān)的地理空間數(shù)據(jù)，再結(jié)合遙感成像機(jī)理和相應(yīng)的地物特性，判斷該地區(qū)地物是否變化，這些變化主要包括地物的增減和地物性質(zhì)或狀態(tài)的改變［5］。根據(jù)不同的應(yīng)用場(chǎng)合，變化檢測(cè)解決方案可以分為無(wú)矢量變化檢測(cè)和有矢量變化檢測(cè)，并對(duì)變化檢測(cè)進(jìn)行加速處理。對(duì)任意兩組影像首先進(jìn)行降采樣處理，得到降采樣后的兩期正射影像，采用面向?qū)ο蟮淖兓瘷z測(cè)方法是指將前后兩期影像使用mean－shift分割算法將前后兩期影像分別進(jìn)行分割［6］。通過(guò)計(jì)算前后兩期影像的分割對(duì)象的光譜差異，紋理差異，結(jié)合分割對(duì)象的語(yǔ)義信息、上下文特征提取出兩期影像的變化置信度圖，通過(guò)EM算法或最大類(lèi)間方差等前背景分割算法二值化變化置信度圖最后輸出變化圖斑，具體技術(shù)路線(xiàn)如圖2所示。

3實(shí)驗(yàn)與結(jié)果評(píng)價(jià)

3．1研究區(qū)概況及數(shù)據(jù)來(lái)源。本文影像成果采用的數(shù)據(jù)源包括：2017年高景一號(hào)影像3景，2019年第一期高景一號(hào)影像2景，2019年第二期高景一號(hào)影像2景。將三期影像分別進(jìn)行區(qū)域網(wǎng)平差，全色多光譜影像單景配準(zhǔn)，平差處理后的影像正射糾正，影像融合，勻色，三期影像配準(zhǔn)后進(jìn)行鑲嵌。3．2基于深度學(xué)習(xí)解譯的變化檢測(cè)軟件操作流程本文針對(duì)同一地區(qū)前后兩期的遙感衛(wèi)星影像，基于遙感影像以及相關(guān)的地理信息數(shù)據(jù)，應(yīng)用深度學(xué)習(xí)方法來(lái)進(jìn)行自動(dòng)的變化檢測(cè)［7］。通過(guò)先進(jìn)的基于深度學(xué)習(xí)變化檢測(cè)技術(shù)能夠快速、自動(dòng)發(fā)現(xiàn)影像上疑似變化的區(qū)域，從而大大減少人工檢測(cè)變化的工作量從而提高作業(yè)效率。本項(xiàng)目擬選用EasyFeature軟件的DeepFinder：深度學(xué)習(xí)變化檢測(cè)模塊來(lái)進(jìn)行變化檢測(cè)（圖3）。（a）前期影像（b）后期影像3．3基于深度學(xué)習(xí)解譯的變化檢測(cè)結(jié)果分析。利用EasyFeature軟件的DeepFinder：深度學(xué)習(xí)變化檢測(cè)模塊對(duì)某變電站附近的前后兩期影像進(jìn)行無(wú)矢量變化檢測(cè)。從圖4可以看到，紅框部分就是地物發(fā)生變化并被軟件成功檢測(cè)出來(lái)的部分。由圖可知，某變電站所在的位置地物發(fā)生了很大的變化，變化的區(qū)域也較為準(zhǔn)確地檢測(cè)出來(lái)了，且某變電站附近其他有地物變化的地方也被成功的檢測(cè)出來(lái)了。（a）前期影像（b）后期影像圖4某變電站附近前后兩期影像變化檢測(cè)結(jié)果3．3．1總體施工狀況和進(jìn)度監(jiān)控?？傮w施工狀況和進(jìn)度監(jiān)控主要是對(duì)線(xiàn)路以及換流站（變電站）的施工進(jìn)度和施工范圍進(jìn)行一個(gè)總體的監(jiān)控。通過(guò)獲取施工過(guò)程中范圍內(nèi)的多期衛(wèi)星遙感影像，通過(guò)基本的影像處理得到可以直接輸入網(wǎng)絡(luò)的影像，然后進(jìn)行分類(lèi)并對(duì)分類(lèi)結(jié)果進(jìn)行變化檢測(cè)，提取施工范圍內(nèi)地物目標(biāo)發(fā)生的變化，從而進(jìn)一步判斷施工進(jìn)度和范圍度是否滿(mǎn)足要求和規(guī)范。通過(guò)對(duì)某變電站前后兩期的影像進(jìn)行變化檢測(cè)，可以清楚地看到變電站這塊范圍發(fā)生了較為明顯的變化，整體來(lái)講由山地變成了施工現(xiàn)場(chǎng)，大部分的建筑物都檢測(cè)出來(lái)了，施工堆倔地的變化也順利檢測(cè)出來(lái)了，通過(guò)提取站址范圍內(nèi)（圖5）地物目標(biāo)發(fā)生的變化，從而可以實(shí)現(xiàn)施工范圍和進(jìn)度的監(jiān)控。另外，可以利用多期遙感衛(wèi)星數(shù)據(jù)生成連續(xù)變化的動(dòng)態(tài)圖，這樣就能更加直觀地展示站址建設(shè)過(guò)程中的進(jìn)展情況，也能更有效地對(duì)施工范圍和進(jìn)度進(jìn)行監(jiān)控。從圖5可以看到，某變電站所在的位置，地物發(fā)生了巨大的變化，地物由之前的植被、山地變成了建筑用地或人工堆倔地，圖5（c）中的白塊就是變化檢測(cè)的結(jié)果，可以看到變化的區(qū)域較為準(zhǔn)確地檢測(cè)出來(lái)了。通過(guò)多期的影像數(shù)據(jù)，我們就能及時(shí)地監(jiān)測(cè)項(xiàng)目的總體施工狀況和進(jìn)度。3．3．2通道或場(chǎng)地清理大范圍質(zhì)量監(jiān)控。主要監(jiān)控通道或者站址范圍內(nèi)林木砍伐的范圍和房屋拆遷范圍是否滿(mǎn)足規(guī)定和要求。利用深度學(xué)習(xí)的分類(lèi)方法，提取通道或者站址范圍內(nèi)的房屋和植被信息，再結(jié)合勘測(cè)設(shè)計(jì)數(shù)據(jù)（輸電線(xiàn)路房屋分布圖、林木分布圖或者站址地形圖等）進(jìn)行疊加對(duì)比，從而做出判斷。通過(guò)多時(shí)相的遙感衛(wèi)星影像變化監(jiān)測(cè)，就能實(shí)現(xiàn)大范圍通道或場(chǎng)地房屋拆遷、植被清理情況的監(jiān)控。再輔以勘測(cè)設(shè)計(jì)數(shù)據(jù)，就能有效的判斷房屋拆遷以及林木砍伐的范圍是否滿(mǎn)足設(shè)計(jì)的要求，以及判斷通道或者站址范圍內(nèi)是否存在新增房屋（圖6）。（a）（b）圖6房屋變化檢測(cè)結(jié)果從圖6可以看到，某變電站附近村莊有部分的新建房屋，圖6（a）中的線(xiàn)框選中的部分就是變化檢測(cè)的結(jié)果，可以看到之前的裸地上有新建房屋。通過(guò)多期的遙感衛(wèi)星數(shù)據(jù)，就能及時(shí)地監(jiān)測(cè)變電站附近或者線(xiàn)路上房屋的變化情況，從而實(shí)現(xiàn)大范圍通道或場(chǎng)地清理的監(jiān)控。3．3．3大范圍環(huán)境影響監(jiān)控。主要監(jiān)控電網(wǎng)工程施工過(guò)程中的棄土堆放、垃圾堆放，以及對(duì)生態(tài)環(huán)境的影響和恢復(fù)情況。通過(guò)獲取施工過(guò)程中范圍內(nèi)的多期衛(wèi)星遙感影像，通過(guò)基本的影像處理得到可以直接輸入網(wǎng)絡(luò)的影像，然后進(jìn)行分類(lèi)并對(duì)多期的分類(lèi)結(jié)果進(jìn)行連續(xù)的變化檢測(cè)，提取通道或場(chǎng)地75m范圍內(nèi)地物目標(biāo)發(fā)生的變化，再進(jìn)一步篩選結(jié)果，從而判斷施工過(guò)程中棄土堆放、垃圾堆放是否符合規(guī)定。在環(huán)境影響及恢復(fù)方面，歸一化植被指數(shù)（NDVI）等典型植被指數(shù)可以較好的反應(yīng)研究區(qū)內(nèi)的植被情況，132衛(wèi)星遙感數(shù)據(jù)可以通過(guò)提取植被指數(shù)及土地利用分類(lèi)結(jié)果來(lái)實(shí)時(shí)準(zhǔn)確地監(jiān)測(cè)電網(wǎng)施工過(guò)程中環(huán)境影響及恢復(fù)情況（圖7）。（a）（b）圖7植被變化檢測(cè)結(jié)果如圖7所示，圖7（a）中線(xiàn)框選中的部分就是變化檢測(cè)的結(jié)果，某變電站附近大塊的植被和耕地變成了建筑用地或人工堆倔地，這對(duì)環(huán)境影響是顯而易見(jiàn)的，利用多時(shí)相的遙感衛(wèi)星數(shù)據(jù)對(duì)施工范圍內(nèi)影像的植被指數(shù)進(jìn)行分析，可以及時(shí)有效地監(jiān)測(cè)施工范圍內(nèi)的生態(tài)環(huán)境變化。

4結(jié)語(yǔ)

本文通過(guò)分析電網(wǎng)工程施工過(guò)程中的常見(jiàn)質(zhì)量監(jiān)控問(wèn)題，研究質(zhì)量監(jiān)控的關(guān)鍵技術(shù)手段，提出詳細(xì)的設(shè)計(jì)方案，全面提高質(zhì)量監(jiān)控的效率和范圍，有效地降低電網(wǎng)工程建設(shè)過(guò)程中對(duì)環(huán)境的影響和安全隱患，有效地對(duì)電網(wǎng)工程建設(shè)過(guò)程中每一個(gè)重要環(huán)節(jié)進(jìn)行嚴(yán)格的動(dòng)態(tài)監(jiān)控。通過(guò)試驗(yàn)研究得到，利用多時(shí)相的高分遙感數(shù)據(jù)，不僅可以及時(shí)地監(jiān)測(cè)項(xiàng)目的總體施工狀況和進(jìn)度、實(shí)現(xiàn)大范圍通道或場(chǎng)地清理的監(jiān)控，而且可以及時(shí)有效地監(jiān)測(cè)建設(shè)范圍的生態(tài)環(huán)境變化動(dòng)態(tài)和對(duì)施工工作量進(jìn)行復(fù)核、評(píng)估。據(jù)此，可以總結(jié)出一套有效的動(dòng)態(tài)監(jiān)控方法流程，形成科學(xué)的質(zhì)量監(jiān)控管理辦法，構(gòu)建基于高分衛(wèi)星遙感技術(shù)的全過(guò)程的質(zhì)量監(jiān)控工作體系，有效地服務(wù)于質(zhì)量監(jiān)控工作，使成果達(dá)到能被實(shí)際推廣應(yīng)用的水平。

參考文獻(xiàn)：

［1］李德仁．利用遙感影像進(jìn)行變化監(jiān)測(cè)［J］．武漢大學(xué)學(xué)報(bào)（信息科學(xué)版）．2003，28（3）：7～12．

［2］何蕓，胡翔云．基于圖模型和流形排序的遙感影像人工地物提取［J］．地理與地理信息科學(xué)，2017（2）．

［3］高常鑫桑農(nóng)．基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測(cè)［J］．測(cè)繪通報(bào)．2014（S1）：108～111．

［4］曹善遜，周楊梅．一種基于樣本塊的圖像超分辨率方法研究［J］．河北省科學(xué)院學(xué)報(bào)，2010（2）．

［5］肖恰，于涵．遙感影像監(jiān)測(cè)城市變化的關(guān)鍵技術(shù)概述［J］．科學(xué)導(dǎo)報(bào)，2015（14）．

［6］董璐，惠文華．一種面向?qū)ο筮b感變化檢測(cè)的影像分割策略［J］．遙感信息，2016（2）．

［7］張松陽(yáng)．基于Spark的遙感影像多時(shí)相變化檢測(cè)系統(tǒng)［D］．杭州：浙江大學(xué)，2017．

作者:洪巧章 賴(lài)余斌 彭飛 單位:南方電網(wǎng)能源發(fā)展研究院有限責(zé)任公司