Road Network Scale Prediction in Rural Area Based on High-Resolution Remote Sensing Images

FAN Wen-tao; MA Xiao; CUI Ying-shou; ZHOU Zhou; ZHANG Shu-zhen; CHANG Hong-zhe

doi:10.16503/j.cnki.2095-9931.2022.01.002

Transport Research >

2022 , Vol. 8 >Issue 1: 12 - 18

DOI: https://doi.org/10.16503/j.cnki.2095-9931.2022.01.002

Special Topic:Rural Highway Technology& Policy

Road Network Scale Prediction in Rural Area Based on High-Resolution Remote Sensing Images

FAN Wen-tao ^,¹ ,
MA Xiao ^,¹ ,
CUI Ying-shou ¹ ,
ZHOU Zhou ¹ ,
ZHANG Shu-zhen ¹ ,
CHANG Hong-zhe ²

Expand

1. Digital Transportation Laboratory, China Academy of Transportation Sciences, Beijing 100029, China
2. Henan Transportation Development Center, Zhengzhou 450000, China

Received date: 2021-12-10

Online published: 2022-03-28

Copyright

Fold

Abstract

In order to accurately predict the medium and short term development scale of road network in rural areas, this paper put forward a medium and short term development scale prediction model of rural road network based on HR-RS (High-Resolution Remote Sensing) images, division of terrain, area function, and surrounding environment. Using a method based on terrain environment classification, and taking HR-RS images of the road network extracted by deep neuron network as basic data, the model comprehensively considered the objective conditions such as road network distribution, natural village distribution and the accuracy of road network extraction algorithm, and made a mileage correction for the decline of extraction precision caused by the low quality of HR-RS images. The experiment results of the model in different regions and geographical environments showed that: the fitting degree between the prediction results of the model and the development objectives summarized by the local transportation authorities based on the project construction plan in mountainous area was 95.5%, and 94.2% in plain area. It meant that the model was designed reasonably with high practicability in medium and short term road network scale prediction in rural area.

Key words： road network scale prediction; deep neural network; road network extraction; high-resolution remote sensing image; road construction planning

Cite this article

FAN Wen-tao , MA Xiao , CUI Ying-shou , ZHOU Zhou , ZHANG Shu-zhen , CHANG Hong-zhe . Road Network Scale Prediction in Rural Area Based on High-Resolution Remote Sensing Images[J]. Transport Research, 2022 , 8(1) : 12 -18 . DOI: 10.16503/j.cnki.2095-9931.2022.01.002

0 引言

近年来,我国大部分省份不断开展“自然村通硬化路”建设,但纳入统计的公路建设总里程尚未包含“自然村通硬化路”道路里程。由于“自然村通硬化路”符合《小交通量农村公路工程技术标准》（JTG 2111—2019）^[1],当相关工程完工后,其道路里程将纳入农村公路总里程中,农村公路的总体规模也将进一步提升^[2]。现有路网发生较大规模的变化时,应当依托中短期公路网发展规模的预测结果,及时对区域公路网规划进行调整。因此,准确的中短期公路网发展规模预测,有助于为规划调整工作提供有效的支撑。

关于公路网规模预测,国内外学者先后提出了国土系数法、连通度法、遗传算法、神经网络等方法。国土系数法由藤井真透提出^[3],经不断完善与发展,成为当今公路网规模评估预测的主要方法之一,崔岩等在河南省高速公路网规模合理性评价^[4]、王富强等在江西国省道合理规模测算研究中均采用了该方法^[5]。连通度法方面,沈鸿飞等提出一种关键节点辨识方法,提升了连通度法关键节点选取的准确性^[6];杨沙提出节点分布情况及数量变化的修正方法,提升了公路网规模预测精度^[7];闫馨提出了连通度法在西南山区的应用模式,拓展了连通度法对复杂地形的适应能力^[8]。通常,连通度法与国土系数法结合使用,虽可兼顾测算区域地形与居民点分布,但未深入考虑路网与地形的关联关系。另外,部分学者还探索了公路网规模测算的其他技术途径,如Singh认为农村地区良好的通达条件对促进农村地区的发展起到至关重要的作用,并结合GIS技术提出了以通达性为目标的路网规划方法^[9];Ma等提出了一种改进的遗传算法以求解公路网规模^[10]。由于我国国情与美国、日本及欧洲国家存在较大差异,部分学者根据实际情况对经典算法进行了适应性改进,如梁国华等将基尼系数作为约束条件对均衡规模区间进行修正,建立了公路网均衡规模预测方法^[11];张娟敏建立了基于马尔科夫链与BP神经网络的公路网规模混合预测方法,降低了传统方法中公路网演变规律的不合理性^[12];刘奕等充分考虑交通基本需求与实际经济情况二者的基本平衡并将其作为约束条件,通过建立双层规划模型来预测公路网总体规模^[13]。

整体而言,上述方法对历史数据过于依赖,且主要关注点集中于规划区域面积、人口、经济水平等社会经济指标,但对已建公路网的结构状况、分布情况关注较少。另外,现有方法在远期规模预测中能够取得较好的结果,但在中短期规模预测中,不能充分挖掘已有路网所包含的潜在公路改建里程。通常,交通运输管理部门基于公路电子地图获取路网规划编制基础数据,但电子地图并不能体现地形地貌、聚居区域与公路网分布的关联关系,导致以其为基础数据的方法不能准确预测自然村对硬化路的需求。“自然村通硬化路”工程普遍以原有道路结构为基础进行改建^[1],其里程与改建完成后的公路总规模存在一定的映射关系。高分遥感（High Resolution-Remote Sensing, HR-RS）影像提取的道路路网涵盖了影像中包括公路在内的全部可见道路,这种映射关系在HR-RS影像拍摄的路网中能够被清晰地反映。以HR-RS影像提取路网作为中短期公路网发展规模预测的基础数据,能有效弥补现有方法对已有建设规模、所在区域地形地貌等信息利用方面的不足,用于公路网发展规模预测具有一定优势。因受限于影像分析技术,直到近年来深度神经网络^[17]得以广泛应用,影像提取路网才达到较好的精度供分析使用。但截至目前,尚未有研究者以HR-RS影像及其提取路网作为基础数据,对包含农村公路的公路网规模预测进行研究。

为此,本文将基于遥感影像所反映的地形、区域及环境信息,充分考虑路网所处地形、所在区域环境及道路分布对公路网总规模的影响,结合农村地区自然村分布情况,进行“公路网+农村公路+通自然村（组）硬化路”中短期发展总规模预测,即利用面向农村公路的路网提取深度神经网络（Road Extraction Deep Neuron Network, RE-DNN）生成指定区域HR-RS影像矢量路网^[18],以华中平原地区及华东、华南沿海地区等重点建设区域为研究对象,构建基于HR-RS影像的农村地区公路网中短期发展规模预测模型,以提升公路网中短期发展规模预测的准确性,在传统方法外为公路网规划提供新的技术途径。

1 测算模型架构设计

1.1 公路网期望规模预测范围

模型预测的空间范围与公路网规划保持一致,即面向完整行政区划的预测。农村公路及自然村通硬化路建设与自然村分布情况关系密切,因此模型构建将充分考虑自然村的分布情况。受HR-RS影像覆盖范围影响,提取路网包含城市道路、园区内部道路等不属于公路范畴的道路,在规模预测时将予以剔除。

1.2 模型架构

模型架构设计综合考虑地形、自然村密度、RE-DNN算法性能与HR-RS影像质量因素,因为:地形、自然村密度均对公路网分布产生直接影响;RE-DNN性能会导致识别路网规模与实际路网规模间存在差值;在个别情况下,遥感影像质量偏低,导致识别精度因达不到RE-DNN识别的最低要求而产生里程缺失。为消除上述影响,模型设计低质影像缺失里程补偿算法。

针对预测区域的地形、区域功能、环境等因素,提取的路网总规模与对应区域公路需求总规模的映射关系为:

（1）

L = ∑ i = 1 5 l i = ∑ i = 1 5 k i ⋅ ω i ⋅ τ ⋅ P

式（1）中:

L

为测算里程（

km

）,即指定区域内模型最终测算的潜在有效公路里程;

i

为模型根据道路所在区域的地理环境、土地利用情况等创建的类别划分（以下简称“地形区域分类”）,

i

=1, 2, 3, 4, 5;

l i

为第

i

个分类的有效里程（

km

）;

k i

为第

i

个分类的识别里程（

km

）,即每类地形、区域功能及环境下HR-RS影像提取路网的道路里程,

K = k 1 + k 2 + ⋯ + k i

;

ω i

为地形区域系数,表示不同地形环境及所在区域对预测里程的折算系数,由

i

对应的地形区域分类决定;

τ

为遥感影像识别精度系数,取值由RE-DNN算法的精度决定,采用召回准确率实验值,并保留一位小数;

P

为自然村修正系数,表示测算行政区划内自然村（含村民组）与区划面积间的密度关系,用于修正识别路网总规模。

自然村修正系数

P

可按下式计算:

（2）

P = V S × 100 %

式（2）中:

S

为测算区域的行政区划面积（

k m 2

）;

V

为行政区划内自然村、村民组数量（个）。

1.2.1 地形区域分类与地形区域系数

RE-DNN在华中、华东和华南地区识别效果较好^[18],故本模型地形区域分类

i

主要针对这3个区域,共分为5类。每一类地形区域分类

i

对应的地形区域系数

ω i

的取值综合考虑所在区域RE-DNN的识别精度与公路建设规划专家的经验而定。本模型的地形区域分类及地形区域系数取值如表1所示。

表1 地形区域分类及地形区域系数取值

$i$	$ω i$	地形区域分类
1	$5 % ≤ ω 1 ≤ 10 %$	农业用地
2	$5 % ≤ ω 2 ≤ 10 %$	市区
3	$20 % ≤ ω 3 ≤ 30 %$	山地
4	$ω 4 = 0$	湖泊水系
5	$40 % ≤ ω 5 ≤ 60 %$	其他地形区域

（1）农业用地地形区域系数

农业用地（

i = 1

）内道路除公路外还包含机耕道、水产养殖区池塘间通道等。遥感影像中,农业用地内道路具有与村道相似的可见光波段光学特征,通常会被RE-DNN识别提取并计入识别里程

k 1

,可通过对

ω 1

合理取值以使该类里程趋于合理。经GIS软件统计,模型目标区域

1 k m 2

农业用地内的识别里程约为

10 ~ 20 km

。由公路电子地图数据分析可知,同等面积下的年报里程约为

0.5 ~ 1 km

。

（2）市区范围地形区域系数

“市区”（

i = 2

）分类下,城市、乡镇内少量城区道路会作为国省道或县乡道的共用路段,纳入交通运输管理单位的管养范围,故市区识别里程

k 2

不能全部剔除。由于工业产业园区等区域的内部道路分布与城区道路较为相似,因此地形区域划分时将其归入市区类。考虑到市区内基本不存在村道,但市区道路与农村地区机耕道具有相似的网格状布局,市区的地形区域系数取值范围与耕地区域相同。

（3）山地区域地形区域系数

“山地”地区（

i = 3

）除山地外,还包括无法在居民点间修建直通道路的微丘地区。农村公路中部分县乡道与绝大部分村道不修建隧道,因而农村公路多依山谷或山脊地势蜿蜒修建。遥感影像中,山脊、山谷与道路走势相近,山脊、山谷的脊线与村道宽度相似,个别情况下RE-DNN会将山脊、山谷等误识别为道路。

山地地区居民点数量少于平原地区,公路拓扑呈树状,用于通达各个居民点的路线路段复用率较高。山地地区识别里程中,主要需剔除因误识别地物而产生的错误里程,识别里程保留比例相对较高。

（4）湖泊水系区域的地形区域系数

湖泊水系区域（

i = 4

）通常不涉及交通运输管理部门负责建设管理的公路。

（5）其他区域的地形区域系数

在不属于上述区域的其他区域（

i = 5

）中道路以公路为主,该区域公路里程占比较大。

1.2.2 低质影像里程修正

对L的准确计算需要以RE-DNN同时识别提取铺装路面与未铺装路面。因为在遥感影像中,部分未铺装路面道路可能属于自然村通硬化路建设的规划路线,也可能因为影像拍摄时间早于硬化路修建时间,对应道路已建成铺装路面。若影像质量无法达到RE-DNN的最低识别要求,对于清晰可辨的未铺装路面无法正确提取,则需要对相应区域进行里程修正,保证识别总里程

K

达到测算要求。

里程修正主要应用于农村地区,其他4类地区不属于自然村通硬化路的主要建设区域,无需进行里程修正。

HR-RS影像低质量区域（以下简称“低质区域”）应达到的识别里程为理想条件下单位面积识别里程与低质影像覆盖面积的乘积:

（3）

k 1_low = Δ k 1 ⋅ S low

式（3）中:

k 1_low

为低质区域应达到的识别里程（

km

）;

Δ k 1

为理想条件下,平均

1 k m 2

农业用地的遥感影像识别里程（

km

）;

S low

为理想条件下,不满足最低品质要求的影像的覆盖面积（

k m 2

）。

修正里程对应的实际里程即为所需修正的里程:

（4）

l 1_c = k 1_low ⋅ ω 1 ⋅ τ ⋅ P

式（4）中:

l 1_c

为低质区域对应位置的修正里程（

km

）（以下简称“修正里程”）,即当该区域影像质量正常时,提取路网应达到的里程;

k 1_low

ω 1, τ, P

定义同前。

在里程修正后,行政区划内农村区域的测算里程

l 1

按下式计算:

（5）

l 1 = k 1 ⋅ ω 1 ⋅ τ ⋅ P + l 1_c

式（5）表示当测算区域的部分影像质量仅能识别硬化路面时,该区域的最终实际里程为识别里程与修正里程之和。

2 案例分析与评价

2.1 数据预处理

2.1.1 验证区域选取

为充分验证模型的准确性,在模型的目标区域内,选取2个不同纬度省份的县级行政区划进行实验验证,分别为:南部沿海的广西壮族自治区防城港市下属东兴市和中原地区的河南省驻马店市下属正阳县。东兴市具有模型描述的各类地形地貌,有一定代表性;正阳县属于典型中部平原农业区域,区划中心为该县城区,自然村密度高,用于验证农村地区路网规模测算的准确性。

2.1.2 地形区域分类标注

通过GIS软件,依照模型的地形区域分类对东兴市进行手工分类标注,共分为农业用地（含水产养殖、耕地与林地等农业地块）、湖泊（仅标注自然形成或水库截流形成的较大湖泊）、市区、山地及“其他地形区域”5类。正阳县地形区域分类标准与东兴市相同,但仅包含市区与农业用地。

2.1.3 路网分割

为了计算每类地形区域中RE-DNN提取路网的里程规模,首先对提取路网进行分割,具体以模型地形区域分类为基准,仅保留该区域内部的提取路网。例如,农业用地识别里程为模型中的

k 1

。同理,分别以市区、山地、湖泊水系及其他地形区域分类对识别里程进行分割,获取对应的

k i

值。

山地是一个较为宽泛的分类,与其他地形区域共存,不同地形区域分类间存在重叠情况。当其他4类地形区域与山地分类重叠时,应当以其他4类作为分割基准优先计算,并在山地区划中将相应识别里程剔除。

东兴市符合模型所认定的湖泊水系主要集中在山地区域,以其中面积最大、情况复杂的东兴水库为例:遥感影像中,北部区域的河岸与沿山势修建的农村公路表现形式极为相近,在遥感影像中均被识别为路网。经与年报路网比对,东兴水库内不存在任何年报路网里程,该部分识别里程均需删除。其他水库与东兴水库情况基本相同,表明模型对湖泊水体区域内的里程认定规则符合实际情况。

2.2 数据分析与评价

2.2.1 主要评价指标

相对精度

ξ

表示测算里程与养护年报统计里程的匹配程度,可用于算法性能评价:

（6）

ξ = 1 - L - C C × 100 %

式（6）中:

C

为区域公路养护年报的实际汇总里程（简称“年报里程”,

km

）,包含统计区域已建公路总里程和拟建道路总里程,即区域交通运输管理部门对公路建设总规模的中短期期望值;

L

定义同前。

ξ

越接近100%,表示模型预测结果与区域行业管理部门公路建设总规模中短期期望值的匹配程度越高,表明算法测算结果越接近行业真实期望。

2.2.2 东兴市中短期公路期望规模测算

经数据处理,东兴市各类地形区域的面积、识别里程见表2。

表2 东兴市公路期望里程规模测算结果

$i$	地形区域分类	区域面积 / $k m 2$	识别里程 $k i$ / $km$	地形区域系数 $ω i$	识别精度系数 $τ$	自然村修正系数 $P$	有效里程 / $km$
1	农业用地	40.94	641.06	0.1	0.8	1.08	55.39
2	市区	11.95	122.07	0.1	0.8	1.08	10.55
3	山地	389.76	1 151.46	0.3	0.8	1.08	298.46
4	湖泊水系	9.41	54.09	0	0.8	1.08	0
5	其他地形区域	65.78	449.07	0.5	0.8	1.08	194.00
$L = 558.39 km$

（1）地形区域系数方面:农业用地、市区及山地的地形区域系数

ω 1, ω 2, ω 3

取模型上限值;湖泊水系

ω 4 = 0

;其他地形区域的地形区域系数

ω 5

取中间值

0.5

。

（2）采用面向农村公路路网提取的深度神经网络架构RE-DNN^[18]提取路网。经测试,其召回准确率约为

80 %

,故取精度系数

τ = 0.8

。

（3）经统计,东兴市共有自然村

540

个,行政区划面积为

498.99 k m 2

,故自然村修正系数

P = 1.08

。

（4）经核对,用于实验验证的东兴市HR-RS影像质量较好,不存在低于RE-DNN识别要求的影像,无需进行影像里程修正。

模型测算东兴市中短期公路总里程

L = 558.39 km

;东兴市年报里程

C = 534.43 km

,其中包含自然村通硬化路里程及下一年度拟建道路的规划路线里程。将数据代入式（6）,计算得出:

ξ = 1 - L - C C × 100 % = 1 - 558.39 - 534.43 534.43 × 100 % = 95.5 %

以HR-RS影像路网提取里程测算的东兴市公路总里程的相对精度

ξ = 95.5 %

,表明模型预测结果与当地交通运输主管部门认定的总体规模基本一致。

2.2.3 正阳县中短期公路期望规模测算

正阳县地形区域仅包含市区（含工业园区）和农业用地两类。根据地形区域划分,正阳县公路规模测算结果如表3所示。

表3 正阳县公路期望里程规模测算结果

地形区域分类	区域面积 / $k m 2$	识别里程 $k i$ / $km$	地形区域系数 $ω i$	识别精度系数 $τ$	自然村修正系数 $P$	有效里程 / $km$
农业用地	1 876.31	15 599.46	0.1	0.8	1.97	2 460.82
市区	26.44	369.48	0.1	0.8	1.97	58.29
测算里程 $L = 2519.11 km$

根据式（1）,正阳县的公路网期望里程规模测算值

L = 2519.11 km

,年报里程

C = 2999.77 km

（包含新建和拟建通村入组道路里程）,模型测算结果与年报里程有

480.66 km

的差值。经核对,正阳县部分区域遥感影像质量低于全县平均水平,RE-DNN能够识别其中的铺装路面,但机耕道等未铺装路面在影像中未正常显示,不能被有效识别。影像质量问题导致识别里程减少,使得地形区域系数

ω i

与预期取值产生偏离,故需要对低质影像导致的识别里程丢失情况进行修正（见图1）。

显示原图|下载原图ZIP|生成PPT

图1 正阳县正常影像与低质影像对比

经测算,正阳县HR-RS影像质量偏低区域总面积为

207.36 k m 2

。依据式（5）所示低质影像里程修正算法,

207.36 k m 2

的低质量遥感影像区域对应识别里程约为

4147.2 km

。根据表3数据进行修正后,得到测算里程

L = 3173.44 km

。

根据式（6）计算测算里程的相对精度:

ξ = 1 - L - C C × 100 % = 1 - 3173.44 - 2999.77 2999.77 × 100 % = 94.2 %

以HR-RS影像路网提取里程测算的河南省驻马店市正阳县公路总里程的相对精度

ξ = 94.2 %

,相比当地交通运输管理部门认定的总体规模精度略低,但基本吻合,这主要是低质影像所致。

在南部沿海地区及中部平原地区的实验表明,本文模型在充分考虑自然村分布和所处地形区域的基础上,可根据HR-RS影像的路网识别结果有效得出该区域公路路网总里程,预测结果与该区域交通运输管理部门认定的期望值较为接近,可用于同类地形区域其他行政区划的公路网规模预测。

3 结语

本文针对传统路网规模测算方法不能充分考虑已有路网规模与分布情况的问题,构建了一种基于HR-RS影像提取路网的公路里程中短期发展规模测算模型,为公路网发展规模中短期预测提供了更为可靠的测算方法。在充分考虑低质影像对路网提取准确性影响的前提下,提出了低质影像修正算法。在模型适用的华中、华东及华南地区,测算值与交通运输管理部门的实际建设目标匹配度较高,但受本文所用RE-DNN算法提取路网的精度限制,模型尚未能实现荒漠干旱区域路网规模的测算。未来,随着路网提取算法性能的提升并能对沙漠干旱地区路网有效识别时,将对沙漠戈壁区域的路网规模测算模型进行研究并设计相关参数,实现全国范围内各类地形区域公路网中短期发展规模的预测。

References

Publishing order | Descend order by publishing year | Descend order by cited within

[1]	交通运输部. 小交通量农村公路工程技术标准:JTG 2111—2019[S]. 北京:交通运输部, 2019.

[2]	交通运输部. 公路的定义及分类[EB/OL].(2016-01-14)[2021-12-20]. http://www.mot.gov.cn/liuyanzixun/changjianliuyan/201601/t20160114_1976191.html.

[3]	藤井真透. 开发指数与道路密度[J]. 土木学会志, 1950,35(5):251-253.

[4]	崔岩, 吴丽美, 曲建华, 等. 河南省高速公路网规模合理性研究[J]. 河南科学, 2013,31(7):1036-1038.

[5]	王富强, 谢艳, 王敏军. 基于国土系数法的江西省普通国省道合理规模测算[J]. 黑龙江交通科技, 2020,43(3):165-167.

[6]	沈鸿飞, 贾利民, 王笑京, 等. 基于公路网结构特性的关键节点评价指标与辨识方法[J]. 公路交通科技, 2012,29(9):137-142.

[7]	杨沙. 区县公路网中长期发展规划方法及应用研究[D]. 淄博:山东理工大学, 2020.

[8]	闫馨. 农村路网规模测算及规划评价研究[J]. 交通世界, 2021(24):4-6.

[9]	SINGH A. GIS based rural road network planning for developing countries[J]. Journal of Transportation Engineering, 2010,12(8):153-200.

[10]	MA C X, MA C R, YE Q, et al. An improved genetic algorithm for the large-scale rural highway network layout[J]. Mathematical Problems in Engineering, 2014 (9):1-6.

[11]	梁国华, 张景峰, 雷剑, 等. 公路网均衡规模确定方法[J]. 交通运输工程学报, 2013,13(6):83-89.

[12]	张娟敏. 区域公路网合理规模预测方法研究[J]. 公路, 2010(6):159-163.

[13]	刘奕, 石良清, 贾元华. 基于经济适应性的高速公路合理规模预测研究[J]. 交通运输系统工程与信息, 2010,10(3):1-6.

[14]	SHELHAMER E, LONG J, DARRELL T. Fully convolutional networks for semantic segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017,39(4):640-651.

[15]	SAITO S, YAMASHITA T, AOKI Y. Multiple object extraction from aerial imagery with convolutional neural networks[J]. Journal of Imaging Science and Technology, 2016,60(1):10402-1-10402-9.

[16]	ZHANG Z X, LIU Q J, WANG Y H. Road extraction by deep residual U-Net[J]. IEEE Geoscience and Remote Sensing Letters, 2018,15(5):749-753.

[17]	CHENG G L, WANG Y, XU S B, et al. Automatic road detection and centerline extraction via cascaded end-to-end convolutional neural network[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017,55(6):3322-3337.

[18]	马骁, 张晓征, 范文涛, 等. 面向农村公路高分遥感影像道路提取的卷积神经网络架构[J]. 交通运输研究, 2021,7(5):91-98.

Options

Outlines

模态框（Modal）标题