近年来，中国城镇化进入新的时期，城市发展日新月异，为快速、准确、全面地获取违法建设等信息，变化监测应运而生^[1-3]。传统的变化监测手段主要有基于高分辨率卫星DOM(digital orthophoto map)的光谱特征空间结构特征、色差识别的变化监测、基于多期DSM(digital surface model)差值的变化监测及多期影像对比人工勾绘等^[4-7]。这些监测手段取得了一定的成效，但还存在着现势性弱、精度差、效率低、变化图斑的准确性及完整性难以保证等不足，因此亟需一种新的技术对建筑进行自动变化监测。

为解决上述不足，本文创造性地提出了基于DSM坡度分析的自动变化监测技术体系，通过对多期DSM进行差值分析、坡度分析、曲率分析、阈值筛选等一系列处理，高效、准确地获取到研究区建筑变化图斑，有效解决了复杂地形下，不同期建筑变化识别及图斑提取的准确性问题。

1 基于DSM坡度分析的关键技术

基于DSM坡度分析的自动变化监测所涉及的关键技术主要有DOM、DSM生产，DSM差值计算及DSM坡度分析等。

1) DOM、DSM生产。本研究基于无人机航空摄影技术获取到高精度的DOM及DSM数据，利用空三加密定向成果及匹配编辑数字高程模型对影像进行数字微分纠正，经镶嵌、调色、裁切等处理得到DOM及DSM数据^[8-14]。

2) DSM差值计算。DSM的差值计算即为多期DSM对应点位值两两之间的相减，在完成多期DSM空间匹配后，逐个像元地从一期DSM栅格的值中减去对应的另一期栅格的值^[15]。DSM差值计算可以检测地物的变化区域，当用时相较晚期DSM减去时相较早期DSM，差值结果为正值时，正值区域为高程增加区；差分结果为负值时，负值区域为高程减小区。

3) DSM坡度分析。坡度是指实际地面与水平面之间的夹角，DSM坡度分析即通过计算高度变化(dZ)与水平距离变化(dS)的比率的反正切值得到DSM数据中每一像元的坡度值θ，进而辅助分析地形变化。其计算公式为：

$ \theta=\tan ^{-1}\left(\frac{\mathrm{d} Z}{\mathrm{~d} S}\right) $

2 基于DSM坡度分析的动态监测案例 2.1 技术路线

首先运用无人机航测结合地面布控的手段，通过空三加密平差计算，获取研究区高精度的两期DOM及DSM数据；然后对两期DSM进行差值计算，提取差值大于一定阈值的后期DSM进行坡度分析，并提取一定坡度阈值内的要素，对其进行阈值筛选等一系列分析处理；最终得到研究区域房屋建筑的变化图斑。监测技术路线如图 1所示。

2.2 无人机航测

本研究以广州市某地区为例，采用无人机航测技术，分别获取了该地区3月份的正射影像(前期DOM)、5月份的正射影像(后期DOM)及3月份的数字地表模型(前期DSM)、5月份的数字地表模型(后期DSM)数据，如图 2所示。

2.3 DSM差值计算

通过DSM插值计算，得到两期DSM差值数据，如图 3所示。DSM差值数据结合后期DOM影像可以得出，正值区域即高程增加的区域，主要有房屋建筑，及少量的山体、植被、水体、道路、桥梁及信号塔等地物；而负值区域即高程减少的区域，主要分布在研究区南部的山地及研究区中部道路右侧部分地区。

2.4 后期DSM阈值提取

经分析发现，研究区建筑变化高差在2 m以上，而大部分山体、植被及水体等干扰因子的变化高差在2 m以内。因此，以2 m为两期DSM高差阈值，对两期DSM差值重分类，删除高差小于2 m的区域，即可剔除大部分山体、植被及水体等的干扰。通过对后期DSM按重分类方法进行要素提取，得到研究区两期DSM差值大于等于2 m的DSM的数据。

2.5 坡度分析

研究发现，研究区建筑物坡度较小，通常小于10°；而山体、植被、草地及信号塔等地物坡度较大，通常大于10°。通过对目标物DSM坡度分析，删除坡度大的区域，即可有效剔除山体、植被、草地及信号塔等地物干扰，得到建筑的变化区域。通过对后期DSM坡度分析，得到其坡度数据，如图 4(a)所示。以10°为目标DSM坡度阈值，对其进行重分类，得到重分类后的目标DSM坡度数据，将其叠加在后期DOM上，如图 4(b)所示。

2.6 阈值筛选

对重分类后的DSM坡度数据，提取坡度值小于等于10°的类，得到DSM坡度重分类要素数据，如图 5(a)所示。通过坡度重分类，大部分的山体、植被、信号塔等地物已被剔除，但仍有少量平整的草地、林地、空地、桥梁支架和面积较大的道路等干扰因子存在。分析发现，这些微小的较为平整的草地、林地、空地及桥梁支架的图斑面积通常小于15 m²，建筑的图斑面积介于15~300 m²之间，而道路等地物的图斑面积通常大于300 m²，分类显著。本研究通过面积筛选的方式将这些影响因子剔除，得到DSM坡度分析自动变化监测图斑，并将其叠加于后期DOM上，得到图 5(b)。

3 成果与成果分析 3.1 自动监测成果统计

经统计，通过该自动监测手段识别出的研究区房屋建筑变化图斑共22处，主要分布在靠近道路的区域，房屋建筑变化图斑面积主要介于100~200 m²之间，详细统计如图 6所示。

3.2 自动监测成果分析

为验证该自动监测手段的准确性与完整性，在此研究前已对研究区的房屋建筑变化图斑进行人工勾绘，人工勾绘的变化图斑共16个。通过对这两种方法进行实地验证，可以得出人工勾绘的变化图斑主要为新建类图斑，自动变化监测手段识别出的变化图斑不仅包含了人工勾绘方式的全部16个变化图斑，还自动识别出另外6个人眼难以识别的变化图斑，经验证，此6处的变化图斑均为建筑加高类图斑，相对于传统的人工勾绘，此自动变化监测手段对房屋建筑变化识别提高了37.5%，有效地提高了房屋建筑变化识别的准确性与完整性。

4 结束语

本研究以无人机航测所获取的超高分辨率影像数据为基础，运用基于DSM坡度分析的建筑自动变化监测的技术手段，准确的识别并提取出变化建筑图斑，凭借其在变化监测的时效性、高效性和对变化图斑提取的正确性及完整性上独特的优势，可广泛应用于建筑变化监测领域。

1) 该监测手段有效地解决了基于卫星影像数据监测等传统手段由于重访周期较长，而无法进行实时监测的问题，保证了监测的可行性和现势性。

2) 通过无人机航测结合地面布控的方式，保证了数据的精度和准度，数据的分辨率达到了厘米级，满足了对于建筑变化监测的要求。

3) 变化图斑的自动提取，取代了纯人工影像判读的作业方式，有效地提高了工作效率。

4) 完善了简单的多期DSM差值计算监测手段，大大提高了房屋建筑变化识别的准确性和完整性，可广泛应用于房屋建筑变化监测领域。