随着城市建设进程的进一步加快，越来越多的架空线入地改为地下电缆，但是社会基础设施建设与地下电缆供电安全的矛盾也日益凸显。

　　道路修建、建筑施工等人为活动引起的地物变化严峻影响电缆通道的安全，需要对电缆通道周围的外力破坏情况进行识别提取，对存在的隐患要及时做好安全治理措施。

　　传统猎取和监控电缆通道外破信息主要依靠人工巡线，这种方式需要消耗大量的人力、物力、财力，而且对于电缆数量多、分布广的区域，存在速度慢、频次低、周期性长等问题。

　　随着卫星遥感技术的进展，利用遥感手段可一次性完成上千平方公里面积的电缆通道外破信息的快速识别，极大程度地提高了电缆通道外破监测的效率。

　　本文利用多时相高辨别率卫星遥感影像，通过多尺度分割和多源特点的构建，根据各类地物之间的特点差异，进行最适特点的选取。

　　利用标准化最邻近域分类方法对两时相影像进行分类，对分类结果建立层次关系，引入叠加分析的思想，得到地物变化检测结果，然后进行外破信息的提取，最后通过现场勘查来验证结果的准确性。

　　研究区域为江苏省无锡市经开区，地理位置处于江苏的南部，太湖北部，总面积为56.6平方公里，经纬度范畴为31°26~31°32N，120°15~120°21E。

　　本文采集并利用两景高分一号系列卫星影像，分别为2022年9月6日的GF-1C卫星影像数据和2022年12月15日的GF-1D卫星数据，融合后空间辨别率为2米，两时相线所示。

　　为保证变化检测的准确性，需要对猎取的影像进行辐射定标、正射校正、几何校正、融合和相对配准等预处理，多时相卫星遥感影像相对配准的精度应优于2个像元。

　　高辨别率卫星遥感影像包含的信息比较丰富，分割需要综合考虑多种因素，单一尺度容易出现过度分割或不完全分割的情况，多尺度分割是一种自下而上的分割，如图2所示。

　　从单个像元开始，根据同质性标准向上逐步合并成较大的对象，直到合并后对象的异质性大于给定的阈值时停止，多尺度分割中的参数有尺度参数、异质性因子和波段权重。

　　尺度参数是定义影像对象结果加权影像层均一性准则的最大标准差，大的分割尺度参数产生大的分割对象，小的分割尺度产生小的分割对象，不同地物适用的分割尺度不同。

　　异质性因子包含颜色因子和形状因子，和为1，值相反，颜色因子反映的是影像对象的光谱信息，形状因子决定了影像对象结果的纹理一致性。

　　形状因子包含光滑度因子和紧致度因子，也是和为1，值相反，光滑度因子决定了对象边界的平滑性，紧致度因子决定了对象总体的紧致性。

　　波段的权重高的影像层，在进行分割时，影像层所包含的信息将被较多地使用，但是影像层所包含的信息在对影像分割时，起到的是辅助作用，影响并不大，一般给予小的权重或不给予权重。

　　多时相卫星遥感影像在不同分割尺度下得到的分割结果相似，故本文以2022年9月6日的GF-1C卫星影像分割效果为例。

　　大的尺度参数适用于提取植被、水体等区域较大、边界清楚的地物，小的尺度参数适用于提取建筑、道路面积较小的地物，为了探究各地物的最佳尺度，对比分析了4种常用的尺度参数60、80、100、120，图3为不同尺度参数的效果。

　　当分割尺度参数为60时，1个建筑物被分为2-3个多边形，小区域的水体被分为1-2个多边形，轮廓也开始较为清楚，道路、植被等被分为若干个多边形，边界还是不清楚，需要进一步增大分割尺度。

　　当分割尺度参数为80时，紧挨着的建筑物被分为1个多边形，边界基本清楚，道路还是由少量条状多边形组成，水体边界逐步增大，植被和裸土对象开始呈块状组成。

　　当分割尺度参数为100时，为建筑物、道路和裸土的最佳分割尺度，小区域水体被分割成1个多边形，植被和大区域水体仍由少量多边形组成。

　　当分割尺度参数为120时，会出现建筑物过度分割、错分的情况，一个多边形内包含建筑和道路，大区域水体、植被的分割边界与实际地块更相吻合，内部只有较少的破碎边界，该尺度适用于大区域水体和植被的分割。

　　异质性因子中的形状因子和颜色因子的权重对分割的结果会有较大的影响，设置合适的权重，会提高分割结果的精度，对于块状地物，形状因子的权重应适当增加。

　　所以第一层进行水体、植被与非植被区分时，紧致度因子权重适当增加，形状因子适当降低，第二层对非植被的建筑与道路进行区分时，紧致度因子权重适当降低，形状因子适当增加。

　　对象特点一般包括光谱特点、纹理特点和形状特点等，不同地物具有不同的光谱特点，主要包含波段的均值、比率、标准差、亮度值等，根据光谱特点可以定义光谱指数，例如NDVI、NDWI等，作为提取水体和植被的依据。

　　针对两时相的卫星遥感影像特点，对分割后的对象，进行最适特点的选取，如红光波段均值、长宽比、形状、最大差分、紧致度等进行特点空间优化。

　　建立样本，对影像进行分类，样本并不是一次选取的质量就很好，而是需要通过几轮的样本挑选和分。