基于高分辨率遥感影像的管道高后果区识别方法-高分辨率遥感影像处理

管道高后果区识别工作主要依据GB 32167—2015《油气输送管道完整性管理规范》开展，但由于缺乏有效技术手段的支撑，标准中的定量识别判据对实际识别工作的指导作用受限，从而导致识别工作的效率以及识别结果的准确率不高。为此，提出基于高分辨率遥感影像的高后果区识别方法，采用卷积神经网络和条件随机场组合模型，通过管道中心线两侧缓冲区的建立和基于线性参考的管段划分，实现管道沿线建筑物的自动检测与提取，最后，应用几何计算完成全线高后果区识别。利用该方法对某管道高后果区进行了识别，识别的准确率与召回率分别为93%、90%，大幅提高了高后果区识别的效率与准确性。研究成果可为管道高后果区的高效、定量识别提供技术指导，具有良好的应用前景。

Part 1背景高后果区是管道泄漏后可能对公众和环境造成较大不良影响的区域。管道高后果区识别是高后果区安全管理的基础工作，高后果区识别的效率与准确性直接体现管道企业的高后果区管理水平，也决定了后续高后果区风险管控资源投入。当前长输管道高后果区识别与管理工作主要依据GB 32167—2015《油气输送管道完整性管理规范》第六章中有关管道中心线两侧的距离、长度、建筑物外边缘距离等定量准则，通过人员现场逐管段踏勘的方式进行识别。但由于识别标准难以量化、管道路由随环境与地势变化等原因，在实际识别工作中需要依靠工作人员对管道周边环境的熟悉程度以及对定量空间距离的感官判断。因此，往往存在识别工作的效率和准确率不高，甚至相同管段存在不同识别结果的情况。随着高分辨率遥感、无人机等技术的发展，遥感影像显著的光谱分辨率、时间分辨率、空间分辨率等优势为高后果区识别提供了可靠的数据源。同时，人工智能、机器学习等技术在油气管道领域的深入应用也为利用遥感影像开展高效、准确的高后果区识别提供了新的手段。为此，将高分辨率遥感影像（简称“高分影像”）技术应用于管道高后果区识别，结合卷积神经网络，并基于地理信息系统的缓冲区分析、线性参考等技术，对管道高后果区进行识别项自动提取、边界自动划定及管段准确划分，实现高后果区长度、范围及数量等的定量识别。Part 2识别方法中国高分辨率对地观测系统重大专项（简称“高分专项”），覆盖可见光、红外、多光谱、高光谱、微波、激光等观测载荷，具备较强的高空间分辨率、高光谱分辨率、高时间分辨率及高精度观测能力。其中高分一号、二号、四号、六号、八号、九号为光学遥感卫星，三号为雷达卫星，五号为高光谱卫星，七号为测绘卫星。高后果区识别过程中，首先将管道矢量数据叠加在卫星遥感影像上，以管道中心线为基准，制作其两侧200m范围的带状缓冲区；进而，针对带状缓冲区内包含的建筑物、运动场等目标以海量样本进行深度学习训练，并建立适用于卫星遥感影像的目标识别模型以完成识别项的提取；最后，结合提取的目标属性信息确定带状缓冲区内的特定场所，根据间距进行管段拆分与合并，完成高后果区的识别与结果输出。2.1识别项自动提取高后果区以人口户数为主要判据，而人口户数在遥感影像上表现为与房屋等构、建筑物的密集度较相关。房屋等构、建筑物在高分影像上具有很强的何结构特征、上下文特征。通过以几何结构特征识别为基础、上下文特征识别为辅的方式，采用卷积神经网络（CNN，Convolutional Neural Networks）与条件随机场（CRF，Conditional Random Field）两个模型组合的方式，实现对房屋等构、建筑物的轮廓提取。作为常见CNN 模型的一种，He等人提出的ResNet（Residual Neural Network）是计算机视觉领域常用的基础特征提取模型。该模型可最大程度地在神经网络信息传递中减少信息丢失，保护信息完整性。采用ResNet34网络模型对高分影像图进行处理，利用卷积层提取目标初始特征，主要包含影像中目标轮廓、纹理、颜色等相关信息；池化层利用网络局部特征替代影像整体特征，缓解背景噪声对目标识别的影响；特征提取过程中，通过激活函数在神经网络加入非线性因素进行模型训练，防止训练过程中出现过拟合现象，以提高提取结果的鲁棒性与准确性；最后利用分类器判别目标相关识别信息，得到高后果区识别项高分影像自动提取结果。模型训练时，将提取结果图分割为对象块，提取各对象块的多种特征以描述分割图斑，包括建筑物（群）的光谱、纹理、几何特征等，通过建立CRF 模型获取对象样本加权值并计算平滑项指标，使特征相似的对象在距离相近的情况下取相同标记，以保证提取结果标记的连续性，从而提高整体模型的判别能力。在CRF模型中，将识别项提取视为二值标记问题，即提取对象的类别属性分为背景与建筑物两种，在给定对象类别属性的条件下，将各对象的样本特征分解为若干个基于高斯概率密度函数，利用加权EM（Expectation Maximization）算法得到该类别下对象整体样本的加权值Lu（xi）：式中：xi为第i个对象的类别属性，i=0，1，2，...，n，当xi=0时其属性为背景，xi=1时其属性为建筑物；Lu（xi）为第i个对象的特征代价函数；下标c、t、s 分别为光谱、纹理、形状特征；wc、wt、ws 分别为光谱、纹理、形状特征代价函数的权值，依据工程经验分别取0.4、0.4、0.2；P（fixi）为对象i在属性为xi时特征向量fi的概率密度函数；k为第k 个高斯函数的权重值，k =1，2，...，K，且=1；Nk（fiek，Ck）是期望为ek、协方差为Ck的多维高斯函数。将光谱特征的相似程度与距离约束进行加权得到平滑项指标：式中：S（fi，fj）为对象i和j光谱特征的平滑项指标；w1、w2分别为相似程度与距离约束核函数的权值；Ai、Aj分别为两个对象的重心化坐标；Ii、Ij 分别为两个对象的光谱特征均值；、、为约束参数。平滑项指标中第一项反映两个对象的相似程度，即颜色特征越相似和距离越近的两个对象之间损失代价越小；第二项反映距离约束，有助于在识别项提取中去除独立的小型区域。依据工程经验，各参数取值分别为w1=8、w2=10、=40、=18/255、=3。2.2缓冲区建立地理信息系统缓冲区分析是在分析对象周围建立一定距离的面状区域，用以识别分析对象对邻近对象的辐射或影响。依据GB 32167—2015有关要求，形成缓冲区建立流程（图1）：基于高分影像栅格数据，沿管道中心线两侧各200m 范围，应用缓冲区分析技术，准确划定列入识别对象管段的面影像范围，结合潜在影响半径要求，确定潜在影响区域，解决管道与高后果区、潜在影响区域空间邻近度准确划定的基础问题。图1管道高后果区识别缓冲区建立流程图2.3管段划分管段敷设工艺、地形起伏、地物遮挡、地面标识变化等因素给现场识别工作带来了困难。管段长度是否能够准确划分，决定了高后果区识别结果的准确性。为解决这一突出问题，引入线性参考方法，采用高分影像结合管道中心线长度一维里程属性的方式予以解决。线性参考是根据已存在线性要素位置的相关性存储地理数据的一种方法。在高后果管段识别中，管段划分流程主要包括：具有唯一标识ID和测量系统的管道路径要素、具有管道内检测里程的测量值、具有在路径要素上根据内检测距离长度确定的事件以及将路径事件表达到高分影像上的动态。由此，得到基于管段划分流程图（图2），可以概括为采用沿管道路由，用相对距离定位沿线事件。这种方式与管道现场管理需求极为吻合。图2管道高后果区识别管段划分流程图Part 3应用实例西气东输一线某管段长度为176km，于2006年底投产运行，管径为610mm，材质为X52管线钢。在2019年高后果区识别工作中，通过人工普查方法共识别出高后果区12段，累计识别高后果区管道长度40.931km，占该段管道总长度的23.26％。基于高分辨率遥感影像，以地面分辨率为0.8m的高分二号卫星正射影像图为底图，对该段管道进行高后果区识别项原始影像及建筑物图斑提取（图3）；结合GB 32167—2015中关于高后果区分段的要求，采用上述新建方法得到高后果区再识别结果，与人工普查方法得到的结果进行对比（图4，其中蓝色线代表管道，红色框内为高后果区）。可见，该段管道高后果区数量由12段减少为11段，总长度由40.931km减少为35.758km，占该段管道总长度的20.32％，高后果区管道长度较人工普查方法下降2.94％。图3西气东输一线某管段原始影像及建筑物图斑提取结果图图4西气东输一线某管段两次高后果区识别结果对比图由两次高后果区识别指标对比结果（表1）可知，经过再识别，编号为HCA010高后果区因特定场所位于管道200m 以外不满足条件予以取消，5段高后果区的长度增加，6段高后果区长度减少。长度发生变化的主要原因是人工识别过程中，管段划分长度不准确、建筑物空间邻近距离判断不准确，由此得到居民户数不准确，进而影响识别结果的准确性。以编号HCA001高后果区为例，人工识别得到的管段长度为2.5km，居民户数约100户，总人口约300人，定为级。利用上述方法进行再识别，得到的高后果区划分起始里程为距离发球筒43.781km，终止里程为46.209 km，长度为2.428km，另有特定场所2处；普查居民户数136户，常住人口426人，定为级。经现场验证，基于高分辨卫星影像数据高后果区识别的准确率与召回率分别为93％、90％，识别效率与准确性更高。表1西气东输一线某管段两次高后果区识别主要指标对比表Part 4结论基于高分辨率遥感影像数据，应用卷积神经网络的深度自学习方法，结合地理信息系统的缓冲区分析、线性参考技术等，增强了高分辨率遥感影像中关于高后果区识别要素的自动检索与提取效率，解决了大规模场景中长输管道与周边地物要素邻近度的划定难题，同时也将高后果区识别的定量指标逐步由人工经验判断转向机器智能识别。利用新建立的方法可对已知高后果区进行再次识别，也可对变化（新增或减少）的高后果区进行准确的识别项提取、边界划定及管段划分，大幅提高了高后果区识别的效率与准确性。针对目标样本采集耗时耗力、因目标样本不足导致特征提取不充分等方面的局限性，后期可研究基于小样本学习和弱监督学习的方法，进一步完善高后果区目标的识别方法。