《Remote Sensing Applications: Society and Environment》：Detection of New Construction Activities with Sentinel-1 and Landsat Time Series
编辑推荐：
本文提出一种结合Sentinel-1雷达数据与Landsat光学数据的新方法，用于检测新建大型建筑的时间和位置。通过分析巴黎、槟城、平壤和凤凰城的案例，发现Sentinel-1算法的F1分数达0.83，优于单独Landsat算法的0.62，尤其在多云地区表现更优。该方法可识别地表结构变化，减少屋顶改造等误检，为城市规划、气候研究提供高精度时空数据支持。
顾汉峰|唐晓静|赵康俊|阿曼达·J·阿科德|彼得·G·拉斯穆森|马克·博施·鲁伊斯|柯蒂斯·E·伍德科克
摘要：
大规模的建筑活动是社会经济发展和城市增长的指标。建筑活动对地表造成的变化会影响景观的许多物理和生物特性，包括城市地区的蒸发蒸腾作用和辐射强迫，这些变化会改变城市气候并加剧城市热岛效应。在本文中，我们开发了一种新方法，利用Sentinel-1雷达数据的时间序列来检测新建筑的建设情况。在后续步骤中，我们将Sentinel-1的结果与之前开发的基于Landsat的算法的输出相结合。本文中开发的Sentinel-1时间序列算法能够检测出新建筑上角反射器发出的雷达回波增加情况。Landsat算法则利用线性光谱混合分析和时间序列模型来检测建筑活动前后地表反照率的变化（Tang等人，2024年）。这些算法在法国巴黎、马来西亚柔佛巴鲁、朝鲜平壤和美国菲尼克斯进行了测试。仅使用Landsat的数据，F1分数为0.62，召回率为0.74，精确率为0.53；而结合Sentinel-1数据后，F1分数为0.83，召回率为0.87，精确率为0.79。综合Landsat和Sentinel-1结果得到的地图，召回率为0.86，精确率为0.81，F1分数为0.84。基于Sentinel-1数据的新算法在空间和时间上的准确性显著高于仅使用Landsat数据的现有算法。这种能力为利用高分辨率图像进一步区分不同类型的新建筑提供了机会，并为经济地理学、城市规划和城市气候学等领域提供了有用的信息。
引言
全球人口的增长加速了人类对环境的改造。对食物和住所需求的增加导致了农田扩张和城市扩张。在过去30年里，全球人口增加了约50%，城市面积扩大了80%以上（联合国，2022年；刘等人，2020年）。因此，监测新人类居住区的发展对于理解和量化人为活动对环境和社会经济的影响至关重要。从某种角度来看，建筑活动改变了地表结构、辐射强迫以及土地的蒸发蒸腾作用，从而显著改变了地表能量平衡和大气边界层（Scarano & Mancini，2017年；Tong等人，2017年）。这些环境变化加剧了城市热岛效应，并可能促成全球表面变暖（Li等人，2019年）。另一方面，建筑活动是投资、经济增长、人口流动和政策变化的指标。因此，建筑过程引起了政府机构的关注。关于建筑物的数据也为城市规划、能源管理以及灾害预防提供了重要信息（Wang等人，2022年；van Westen等人，2002年）。
遥感技术被广泛用于检测地表变化并估计土地利用/土地覆盖变化的范围（Friedl等人，2022年；Wulder等人，2022年）。多种基于遥感的年度土地覆盖产品可以绘制出城市或开发区域的范围。最初，一些研究使用单张Landsat图像生成区域土地覆盖地图，并通过比较不同时期的多张土地覆盖地图来追踪城市扩张情况（Ji等人，2006年；López等人，2001年）。随着全球多光谱图像的频繁获取，产生了多种全球年度土地覆盖产品，包括MODIS土地覆盖动态产品、ESA气候变化倡议土地覆盖（CCI-LC）产品和ESRI的Sentinel-2 10米土地利用/土地覆盖产品（Friedl等人，2002年；Arino和Ramoino，2017年；Karra等人，2021年）。另一项研究利用Landsat档案和Sentinel-1图像及辅助数据，通过机器学习算法估算了1975年、1990年、2000年和2014年的全球建成区面积（Corbane等人，2019年）。这些土地利用/土地覆盖变化产品反映了城市扩张和人类居住区扩展的总体趋势，但无法追踪单个建筑的建设时间。随着高分辨率卫星和航空图像的日益普及，通过应用图像分割和机器学习算法，可以在大陆尺度上绘制出每栋建筑的轮廓。Sirko等人（2021年）使用50厘米分辨率的卫星图像提供了非洲、拉丁美洲以及南亚和东南亚的建筑物轮廓数据集。类似的研究使用航空图像和基于对象的分析方法提取建筑物轮廓（Lu等人，2019年；Liu等人，2021年）。尽管高分辨率图像可以用来勾勒特定时间点的单个建筑物，但由于数据密度较低，很难持续监测新的建筑活动。
为了更精确地识别建筑活动的时间，人们更倾向于使用具有较高重访频率的中分辨率多光谱遥感数据来寻找大型建筑的建设情况（Rasmussen等人，2023年）。Suh等人（2024年）应用时间序列算法分析Landsat观测数据中的光谱带变化，然后使用深度学习方法识别建筑变化。Suh等人的算法并非专门用于检测新建筑，而是能够发现所有与建筑活动相关的地表变化，包括太阳能板安装、屋顶翻新、道路铺设和土地清理等。Tang等人（2024年）利用Landsat和Sentinel-2的时间序列以及线性光谱混合分析（LSMA）来检测像素的高反照率和低反照率表面变化，并应用规则将新建筑活动与其他类型的变化区分开来。他们的研究表明，多光谱光学遥感时间序列可以有效检测建筑工地。然而，他们的结果也表明，光学图像难以区分那些虽然与建筑无关但具有相似光谱特征的变化。例如，更换屋顶材料虽然与新建建筑无关，但在Landsat和Sentinel-2的光谱带上可能会产生类似的变化（Tang等人，2024年）。使用光学数据检测新建筑时，在已有建筑物的地点或数据频率较低的多云环境中，准确性也会较低。
鉴于光学遥感时间序列的局限性，我们提出并测试了一种方法，该方法结合了Sentinel-1合成孔径雷达（SAR）来搜索大范围内的新大型建筑建设情况。与光学图像相比，Sentinel-1（S1）时间序列对地表结构的变化更为敏感，因此不会受到与重大结构变化（如重新铺设屋顶和土地清理）无关的光谱变化的影响（Li等人，2020年；Abdikan等人，2016年）。此外，SAR波可以穿透云层，从而在多云地区提供更高的数据频率（Torres等人，2012年）。因此，我们假设Sentinel-1时间序列能够更好地检测新建筑活动，尤其是在之前已有建筑物的地点（重建情况），特别是在多云地区。由于Sentinel-1数据对地表垂直结构敏感，它们常被用于研究大范围内的建筑物或建成区，例如分析自然灾害后的建筑物损坏情况、估算建筑物高度以及国家层面的建成区制图（Putri等人，2022年；Li等人，2020年；Schug等人，2022年）。然而，很少有研究使用Sentinel-1的时间序列数据，更少有研究利用SAR时间序列数据来研究建成区的变化（Frantz等人，2021年）。在本文中，我们提出并测试了一种新算法，利用Sentinel-1 SAR时间序列连续搜索大范围内的新建筑建设情况，并将结果与之前开发的基于Landsat的算法（Tang等人，2024年，图1）进行比较。在后续分析中，将基于Landsat和Sentinel-1的算法结果合并以获得最佳结果。本文的目标是开发和测试一种新算法：1）准确检测对自然环境有重大影响的大型住宅、商业和工业建筑的建设过程，并具有指示社会和经济发展的潜力；2）准确识别新建筑活动的时间。目的是开发一种通用算法，可以在世界任何地方使用，而无需根据应用地点进行重新校准。建筑过程可能较长，因为它涉及土地清理、打地基和建造垂直结构。在本研究中，活跃建筑活动的参考日期被定义为我们从航空或卫星图像中首次发现地上垂直结构的那一天，因为我们旨在检测新建筑。本研究不关注单户住宅和小建筑的建造，因此任何面积小于5000平方米的建筑项目的检测都会被视为地图上的误检（错误地检测到大型新建筑）。
研究区域和数据预处理
我们在全球四个大都市区测试了基于Sentinel 1的新算法，以检测活跃的建筑工地：法国巴黎、美国菲尼克斯、马来西亚柔佛巴鲁和朝鲜平壤（图2）。选择这四个城市是为了代表不同纬度、经济状况和气候（即云量）的城市区域。巴黎是西欧一个发达的经济中心，预计会有大量的建筑活动发生。
结果
该算法的输出是2016年至2023年间巴黎、柔佛巴鲁、平壤和菲尼克斯新大型建筑建设的地图。生成了Landsat产品、Sentinel-1产品以及综合产品（或最终地图），并与参考数据进行了比较。综合产品（或最终地图）显示在图8中。2016年至2023年间巴黎新建的建筑主要是重建的商业建筑。菲尼克斯的新建筑地点主要是新建的。
Sentinel-1结果相对于Landsat结果的改进
在这四个城市中，Landsat算法的整体表现与Tang等人（2024年）报告的结果相似。本研究中Landsat算法的召回率在0.70到0.78之间，各测试区域之间较为一致，而Tang等人的召回率在0.6到1.0之间变化。本研究中Landsat结果的平均精确率为0.53，略低于之前研究的0.58，但差异在可接受范围内。结论
使用Sentinel-1时间序列检测新大型建筑建设的时间和位置的新方法比基于Landsat数据的结果更加准确。将Landsat和Sentinel-1的结果结合起来仅带来了轻微的改进。结果表明，Sentinel-1算法能够在空间和时间上有效地检测大范围内的新大型建筑活动，最终结果提供了重要的信息。
作者贡献声明
顾汉峰：撰写——原始草稿、可视化、验证、软件、方法论、调查、正式分析、数据管理、概念化。唐晓静：撰写——审稿与编辑、验证、软件、项目管理、方法论、调查、正式分析、概念化。赵康俊：撰写——审稿与编辑、验证、调查。阿曼达·J·阿科德：验证、调查。彼得·G·拉斯穆森：撰写——审稿与编辑、软件、调查、正式分析
未引用参考文献
Lee等人，2022年；联合国，2022年；Wei等人，2019年。出版伦理声明
我代表所有合作者证明，我们提交的文章遵循了出版伦理原则。所有作者同意：
本研究准确地描述了所进行的工作，所有呈现的数据都是准确的，方法论足够详细，以便他人能够复制这项工作。
本手稿完全代表原创作品；如果使用了他人的工作和/或文字，已经适当引用了相关文献并获得了许可。
利益冲突声明
? 作者声明他们没有已知的利益冲突或个人关系可能影响本文所述的工作。致谢
本研究部分得到了国家情报总监办公室（情报高级研究项目活动）通过2021-20111000006项目的支持。本文中的观点和结论仅代表作者本人，并不一定代表ODNI、IARPA或美国政府的官方政策或暗示。美国政府有权出于政府目的复制和分发重印本。
