1.4　研究内容与总体技术路线

1.4.1　研究内容

近年来，随着我国国产高分辨率卫星的迅速发展，遥感影像被广泛用于社会经济发展各行各业。易地扶贫搬迁是“十三五”期间的重点任务，全国22个省份1 000多个县涉及其中，安置区入住情况和后续发展等成为热点问题。本书围绕易地扶贫搬迁开展以下几方面研究。

1.4.1.1　面向高分一号WFV数据的建成区提取新方法（WENDBI）研究

在过去的研究中，中分辨率是提取城镇建成区的主要数据源。原因在于低分辨率影像更适用于大范围的研究（如大范围植被覆盖）；高分辨率影像的地物细节更为清晰，数据获取成本相对高，更适用于局部地区的某一专题的研究，如某地灾害情况评估等；超高分辨率则有更加清晰的地物特征，获取成本更高。综合以上情况，中分辨率影像用于研究城镇建成区是最经济合理的选择。一些研究学者已经用遥感手段对城镇建成区的提取开展了一些研究，也取得了不错的效果。如查勇等利用新研究的归一化建筑指数在TM影像中成功提取了城镇用地信息，取得了较好的效果。2015年，Landsat 8发射升空，周艺等学者通过研究OLI影像不同地物的光谱曲线特征，对NDBI方法加以改进，提出了适用于OLI影像的新的NDBI方法用于提取城镇建设用地，效果较好。近年来，随着中国高分系列卫星的发展，高分系列影像的应用越来越广泛，本书用高分一号卫星的WFV影像对迁出区及迁入区进行提取，同样用前人提出的改进的NDBI方法对OLI数据同一实验区进行了城镇建成区的提取，以便对比两种方法的优劣。实验证明，WE-NDBI方法更适用于建成区的提取，而且很大程度上去除了大面积裸土等信息的影响。WE-NDBI方法提取了安置区所在县的建成区，从而利用多期影像提取结果评价安置区建成前后所在县的城镇扩展情况，以及安置区的选址对于城镇扩展来说属于哪一扩展类型。

1.4.1.2　基于深度学习的遥感影像安置区典型要素智能提取方法研究

近年来，基于深度学习技术的遥感目标要素智能提取方法发展迅速，逐渐成为大范围复杂遥感信息提取的重要手段。本书将深度学习技术用于对高分二号（GF-2）遥感影像的安置区内有关地物的智能提取。主要方法是通过分析安置区典型要素特征，构建适配的深度学习模型，进行样本标注并构建数据集开展训练，通过模型分析与优选，选择最佳模型对易地扶贫搬迁安置区1km内的操场、厂房进行预测提取，基于提取结果进一步计算安置区产业空间密度和教育空间密度两个指标值，进行安置区指标分析。

1.4.1.3　基于夜间灯光数据的安置区入住率提取方法研究

本书选取安置区较多的省份区域作为实验区，使在同一景夜间灯光数据上有效的安置区样本能够达到80个以上，其中40个安置区用于建立回归模型，另外40个安置区用于进行模型的精度检验。利用珞珈一号夜间灯光数据，提取了安置区搬迁入住后的夜间灯光总值，假设通过手机信令数据得到的安置区居住人口数据为实际的安置区入住人口，再将夜间灯光总值与安置区入住人口建立回归模型，检验了该模型的精度，证明了该模型用于提取较大规模的安置区入住人口要比提取较小规模安置区入住人口的准确率更高。利用该回归模型计算了本书所选的研究区的实际入住人口，从而计算易地扶贫搬迁安置区的实际入住率，对当地搬迁安置情况进行研判。这相比于传统的巡查检查或数据上报方式，要经济快速且客观准确。

1.4.1.4　基于多源数据复合的易地扶贫搬迁安置区遥感动态监测评估方法研究

本书依照易地扶贫搬迁相关政策框架的总体要求，围绕易地扶贫搬迁总目标——“搬得出、稳得住、能致富”，设计了易地扶贫搬迁安置区遥感动态监测评价指标体系。指标体系共涵盖三级指标：“搬得出”通过利用夜间灯光数据和手机信令数据计算安置区实际入住率来评价；“稳得住”通过利用基于机器学习方法对高分二号遥感影像的学校、厂房设施进行提取，进而计算教育空间密度、产业空间密度来评价；“能致富”通过利用高分一号遥感影像数据、统计数据、手机信令数据，提取易地扶贫搬迁安置区所在县的城镇建设用地扩展及安置区建设的扩展类型，计算易地扶贫搬迁人口对当地城镇化率、务工率的贡献，同时利用交通路网数据计算安置区所在地的综合交通路网密度，综合评价安置区所在县的县域经济发展情况。对选取的安置区计算以上各项指标，开展综合评价，从而对安置区管理、发展等提出科学合理的意见建议。

1.4.2　总体技术路线

本书的总体技术路线如图1-1所示。

图1-1　总体技术路线