【意义】 数据已成为重要的生产资料，与人工智能技术相互促进，伴生发展，并不断催生新质生产力。遥感数据智能是遥感大数据和人工智能快速发展的必然产物，不仅提高了遥感数据处理效率，还增强了应对突发事件和复杂环境变化的响应能力。【目的】 本文旨在探讨遥感数据智能的发展及其在关键领域的应用潜力，分析了遥感数据智能的出现背景和技术支撑，提出了遥感数据智能技术框架，并结合具体应用案例，展示遥感数据智能在超高分辨率遥感图像中提取中国集中式和分布式光伏分布信息的应用成效。【展望】 研究强调，对于遥感数据智能而言，高质量的数据是遥感数据智能的基础，应重视AI-ready的知识库建设和小数据的作用；有针对性的高效算法是实现遥感数据智能的关键，发展实用的数据智能方法是迫切需要研究的课题；通过数据智能，推进遥感数据、信息和知识的多层次服务。
【意义】 制图级矢量要素提取是遥感智能解译可直接应用于真实场景的关键前提。【分析】 尽管遥感观测技术和深度学习在遥感影像解译中取得了显著进步，但生产满足业务需求的矢量要素仍依赖大量人工目视解译和人机交互后处理。【进展】 本文基于公众测绘产品生产等业务场景的实际数据需求，深入分析了大量业务场景中遥感影像解译的不同地物矢量要素的规则约束，初步定义了能够直接满足行业需求的“制图级矢量要素”。围绕该定义，从矢量类型，地物形状，边界定位，面积、长度、宽度和角度大小，拓扑约束以及邻接约束这9个维度对制图级矢量要素规则集内容进行了归纳和分析，并从类别属性、位置准确性、拓扑准确性以及综合取舍合理性4个方面梳理了制图级矢量要素的评价方法。随后，重点回顾了基于深度学习提取矢量要素的分割后处理、迭代式和并行式3类方法，分析它们的基本思路、提取矢量的特点与精度、灵活性以及计算效率等方面的优劣与异同，概括了当前面向制图级矢量要素遥感智能解译方法在制图级解译能力、制图级规则耦合以及遥感可解译性方面的不足。【展望】 最后，从构建广泛且开放的制图规则集、构建并共享制图级矢量要素样本集、发展面向多要素的制图级矢量要素提取框架、探索多模态耦合语义规则潜力等方面对制图级矢量要素智能解译的未来研究方向进行了展望。
【目的】 当下，面向多圈层耦合、人类干扰强烈的复杂自然场景遥感智能解译在地学研究和实际业务中常存在不好用的问题。为此，本文从遥感地学认知原理角度出发，在明晰遥感智能解译的使命是依托遥感大数据更好地辅助建立数字地球之后，认为达成一致的知识表征模型是解决问题的关键，进而提出遥感解译与地学认知应该耦合为一个系统，以实现“数据获取知识”与“知识引导数据”的双向驱动。【分析】 在此基础上，提出以遥感地学分区为纽带的智能解译框架，以打通已有地学知识向遥感智能解译过程的输入与引导，增加解译结果与已有地学知识体系的匹配度。该框架主要依靠定量化的场景复杂性度量和地理分区知识耦合，形成面向遥感智能解译的地学分区方法以及分区样本抽样与规范，从而实现面向大区域的知识耦合下分区解译策略。【展望】 通过复杂度与优化抽样实验、影像分区分割尺度优选、耕地类型细分等实验，初步揭示了本框架思路在优选样本、影像分割、耕地精细类型识别等遥感智能解译多方面均存在巨大潜力。
【目的】 随着遥感分类解译技术的发展，复杂场景下自然资源遥感智能解译已成为研究的焦点。在这一背景下，遥感样本的获取和选择对提高解译的准确性和可靠性至关重要。我国地形地貌多样，气象条件复杂，地表结构细碎，导致复杂地表具有时空分异性，直接影响遥感样本的选择和质量。传统抽样方法所选样本对总体特征的代表性较差，进而影响解译效果。【方法】 为解决这一问题，本研究总结了遥感分类标记样本抽样方法、多尺度形态转换扩充样本以及标记样本质量评估的关键要点，从理论上阐述了样本优选以减少偏差的必要性，并提出了基于地表复杂度的分区/层和加权样本优化方法。该方法通过考虑地形的复杂性和多样性，优化了样本的抽样过程，减少了因抽样偏差带来的解译误差。【结果】 通过遵循这些要点和技术，可以获得高质量且有强代表性的标记样本，从而提高遥感分类建模解译精度和/或效益。本研究总结了3个基于复杂度的样本优选的实验结果，并为未来遥感智能解译技术的发展提供了坚实的理论和技术基础。【结论】 这项研究对于通过样本优选推动复杂场景下遥感自然资源分类建模及智能解译的研究和实际应用具有重要的参考价值。
【目的】 随着深度学习技术的发展，遥感影像自然资源要素变化监测能力得到显著提高。基于深度学习的变化检测技术善于挖掘遥感影像的低层次语义信息，但在区分土地利用类型变化与非土地利用类型变化（如农作物轮作、水位自然变化、森林自然退化等）方面存在局限性。为了保证变化检测的高召回率，深度学习变化检测方法往往产生大量虚警变化图斑，仍需大量人工作业工作量来排除虚警变化图斑。【方法】 针对这一问题，本文提出了遥感时空知识图谱驱动的自然资源要素变化图斑净化算法。该方法可以在保持变化图斑高召回率的前提下，尽可能降低变化图斑虚警率，从而提高自然资源要素变化监测效率。为了支撑遥感时空知识图谱智能构建与高效推理，本文设计了顾及时空特性的遥感时空知识图谱本体模式，研发了图数据库内存储运算一体化的GraphGIS工具包。本文提出了基于GraphGIS图数据库原生空间分析的矢量知识抽取技术、基于SkySense视觉大模型高效微调的遥感影像知识抽取技术和基于SeqGPT大语言模型的图斑净化知识抽取技术。在时空本体模式约束下，矢量知识、影像知识和文本知识汇聚形成遥感时空知识图谱。受变化图斑净化业务人工作业方式的启发，本文提出了基于遥感时空知识图谱一阶逻辑推理的变化图斑自动净化技术。为了提升遥感时空知识图谱的并发处理与人机交互核验效率，本文研发了一套遥感时空知识图谱管理服务系统。【结果】 针对广东省2024年3—6月自然资源要素变化图斑净化任务，本文方法的存真率达到95.37%、去伪率达到21.82%。【结论】 本文提出的自然资源要素变化图斑智能净化算法及系统能够在充分保留真实变化图斑的条件下，可以高效剔除虚警变化图斑，显著提升自然资源要素变化监测作业效率。
【目的】 验证基于知识图谱的空间推理方法在煤矿区生态损伤主动发现和智慧识别的适应性，探索新时期煤矿区生态环境治理的新思路与新技术。【方法】 基于知识图谱构建技术，对接矿山“天-空-地-人”多源监测、感知数据，总结概括煤矿区生态单元的位置、形态、群体分布、分布格局以及时空演变等知识，设计了煤矿区生态单元的描述指标，构建了知识图谱辅助下的煤矿区生态损伤智慧识别推理规则，以辅助实现煤矿区地表生态环境采动损伤的主动发现与智能识别。【结果】 以山西省某矿区作为研究区，构建了精准识别采动扰动塌陷单元和自然水面单元的空间推理规则。实验证明，知识图谱辅助下的煤矿区采动扰动单元的精准化、智能化识别精度能得到一定的提升，与传统识别结果相比，本文方法对错误图斑的剔除率为21.43%。【结论】 知识图谱在煤矿区生态环境分析与评估具有良好适应性，可为采动扰动生态单元的主动发现、快速和精准识别提供技术支持，可为解决新时期复杂条件下的煤矿区生态环境治理问题提供了新的技术手段。
【目的】 目前，LiDAR退化环境检测方法存在需要启发式阈值、计算间接评价指标、检测效率低的问题。【方法】 本文提出一种基于改进XGBoost的LiDAR退化环境检测方法。实现了从环境的几何结构角度直接检测单帧点云的退化情况。本文基于LiDAR点云数据构建分类特征体系，用于建立XGBoost决策树。在此基础上，采用模糊综合评价算法计算每个特征的综合重要性度量指标，用于构建有效的特征子集，从而提高检测精度。同时，通过一种基于Spearman秩相关系数的双向特征筛选策略来加速构建特征子集，从而提高模型的训练效率。针对XGBoost的初步检测结果，本文基于滑动窗口策略和多数投票策略对其进行二次修正，提高最终的LiDAR退化环境检测的精度。为验证本文方法的有效性以及对LiDAR退化环境的检测效果，通过搭建实验平台，采集真实场景数据并设计了相关实验。【结果】 实验结果表明，本文方法各组成部分的有效性均能够被合理地验证；LiDAR退化环境检测成功率为94.41%，非退化误检测率为1.24%；相较于LOAM退化检测模块，检测成功率提高了10.91%，误检测率降低了95.26%，检测效率提高了56.97%。【结论】 本文方法实现了高效率、高精度的LiDAR退化环境检测。
【目的】 由于点云的非结构化和无序性，现有的深度学习点云分类网络存在局部特征和全局特征挖掘不充分并且缺乏有效的上下文特征融合的问题，难以实现地物精细分类。因此，本文提出了一种顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法。【方法】 首先，针对点云的非结构性，构建局部加权图学习中心点和邻域点的位置关系，动态调整核权重，以获得更具代表性的局部特征。同时提出全局图注意力模块，考虑各点之间的全局空间分布，应对点云无序性的同时，可以有效捕获全局上下文特征，从而有效整合不同尺度信息。此外，设计自适应加权池化模块进一步实现局部和全局特征的自适应融合，最大程度提高网络的分类性能。【结果】 应用开源Toronto-3D点云数据集和实测校园点云数据集验证本文方法有效性，实验结果表明，在Toronto-3D数据集本文方法的OA和MIoU分别为97.21%和85.46%，相较于Pointnet++、DGCNN、RandLA-Net、BAAF-Net和BAF-LAC等网络模型，OA提升了1.99%~8.21%，MIoU提升了3.23%~35.86%，在校园数据集本文方法的OA和MIoU分别为97.38%和85.70%，OA提升了0.58%~10.53%，MIoU提升了2.01%~32.01%。【结论】 本文方法实现了复杂场景下高精度、高效率的自动化地物精细分类。
【目的】 高性能遥感场景分类模型的训练需要搜集海量遥感数据样本，不同来源的数据安全性难以管控。为了应对数据集可能被投毒的安全挑战，同时顾及遥感数据集的大规模与大模型复杂计算对分布式训练的需求，本文提出了一种基于分布式对比学习的遥感场景分类模型后门防御方法。【方法】 通过将遥感数据集划分至不同的工作节点执行分布式训练，各节点将训练的模型参数，包括特征提取器与预测器的权重，上传至服务器进行参数聚合，迭代这一过程直至模型收敛。在工作节点训练阶段，执行两阶段训练：第一阶段通过增强数据集进行对比学习，用于训练干净的特征提取器；第二阶段，在冻结特征提取器的基础上，使用本地数据与标签训练预测器。在服务器参数聚合阶段，通过计算工作节点上传的预测器权重与上一轮聚合权重的差异，判断该节点是否存在有毒数据，进而标记有毒数据并排除该节点的聚合器权重，从而实现安全聚合。【结果】 在EuroSAT、NaSC-TG2和PatternNet遥感数据集，以及ResNet-50、VGG16和GoogleNet模型上的实验表明，本文提出的方法将平均后门攻击成功率从99.77%显著降低至1.36%，有效抑制了BadNets、Blended、SIG、Trojan和WaNet五种后门攻击。【结论】 为遥感场景分类模型训练过程中的后门防御提供有效的理论与方法支撑。
【目的】 城市功能区是城市规划和人类活动共同作用、相互影响的结果，其准确识别对于优化配置公共资源和高效组织商业活动具有重要意义。目前，许多研究利用新兴的社会感知大数据进行城市功能区识别，但往往未能挖掘这些数据中蕴含的深层次特征，或者未能充分捕捉和利用不同特征之间的相互关系和关联性，导致识别精度较低。【方法】 针对这些问题，本研究提出了一种融合区域嵌入表示的城市功能区识别框架。该方法基于手机定位数据和兴趣点数据（Point of Interest, POI），采用Node2vec算法提取工作日与周末6个时段的区域间空间交互特征，并利用GloVe模型提取区域的语义特征。随后，通过多头注意力机制进行特征融合，并结合部分人工标注的功能区进行分类识别，在福州市三环以内地区进行了实证研究。【结果】 实验结果表明，本方法生成的区域表示特征具有较高区分度，能够有效识别6类功能区，总体精度（OA）为81%，Kappa系数为0.77。【结论】 与DTW_KNN和Word2Vec方法相比，精度分别提高了30%和20%，能够充分挖掘具有全局性质的空间交互特征和语义特征。此外，消融实验进一步表明，与单一数据源或简单融合方法相比，本方法在捕捉区域内部和区域间复杂关系的同时，对重要特征赋予更高的权重，使得模型的整体OA值相较于单源数据提高了约18%和6%，相较于简单融合方法提高了约13%，尤其在住宅区和混合区的识别方面表现出了显著优势。
【目的】 作为世界文化遗产和城市游憩空间的重要组成部分，中国古典园林文化生态系统服务的发挥主要依赖于游客与景观的视觉感知与交互。然而，如何为古典园林景观视觉感知模拟建立相应的3D数据模型仍存在以下方法挑战：如何构建视觉感知框架以表征中国古典园林所特有的“景”概念?如何以游客视觉感知为切入点剖析其游园观景行为?以何种形式组织古典园林景观3D数据模型，从而实现视觉感知的全流程模拟计算，并提升计算效果和效率?【方法】 针对这些挑战，本文从游客视觉感知过程的“客体-路径-主体-结果”4个环节出发，以“叙事符号系统-叙事策略”的空间叙事为切入点，将古典园林景观构成剖析为“环境空间-视觉感知空间-视知觉空间”，提出了古典园林景观的视觉感知框架，并基于相关领域本体模型 语义复用，将模型梳理为“地物层-行为层-分析层”3个层次，扩展并设计了面向视觉感知计算的古典园林景观3D数据模型。【结果】 以苏州拙政园为例，从地物数据处理、行为数据配置、存储环境搭建，再到分析数据计算，阐述了古典园林景观3D数据模型实施应用的方法流程，以期为中国古典园林乃至其他文化遗产三维空间视觉感知研究提供理论与方法参考。
【目的】 当前在微地图的内容检索领域尚缺乏系统性的研究。为了填补这一研究空白，本文提出了一种YOLOv8l-FMSC-Spatial （You Only Look Once v8l- Fewer Multi-Scale Convolution-Spatial, YOLOv8l-FMSC-Spatial）模型，实现在手绘地图场景下地理要素的提取及检索。【方法】 首先通过对比YOLO系列模型，选取最优的YOLOv8l模型，引入C2f-FMSC模块改进最优模型，建立应用于微地图的YOLOv8l-FMSC训练模型，利用该模型实现栅格地图的地理要素提取；其次针对地理要素的检索需要，建立地理要素的空间关系数据库，设计空间计算检索模块Spatial，通过Spatial模块实现地理要素信息的传递与筛选，进一步地计算用户检索信息与数据库地理要素信息的空间关系关联程度；最后根据空间关系关联程度，从微地图数据库中索引包含相关地理要素信息的地图，实现基于空间关系的地理要素检索模型构建。依据上述方法，在手绘校园地图检索场景中进行验证。实验数据源自各个学校发布内容以及学生自由制作，共计493幅手绘校园地图，在全国范围内研究学校代表性地理要素检索，此类要素包括水体、操场、特色建筑，确保准确识别和检索这些特征元素，验证所提模型的实际适用性。【结果】 实验结果表明：训练后的YOLOv8l模型可有效识别手绘地图中的地理要素，并在收集的数据集上验证了模型的有效性和鲁棒性；引入FMSC模块后的YOLOv8l-FMSC模型精确率可达0.8、召回率可达0.764，为实际对比中的最优模型；引入Spatial模块计算模型度量空间关系，可有效捕捉到相关地理要素的空间信息，减少与正射地图检索的差距。【结论】 综上，提出的YOLOv8l-FMSC-Spatial模型可根据顾及空间关系的地理要素条件，快速准确地检索到内容相关的手绘地图，从而填补微地图在内容检索方面的研究空缺。
【目的】 流域水文信息提取对于水资源管理、洪水预警和生态保护至关重要。传统水文建模多采用四边形格网进行空间离散化，但由于其邻接性不统一、形状失真和拓扑结构表示不准确等问题，导致流域提取时容易在细节处出现阶梯状及平行河流线条，尤其在河流的弯曲和分叉点处更为明显。相比之下，六边形格网因其各向同性、较好的边界效果和均匀的空间分布等优势，能够更好地保持曲线和分叉点的形态，准确地模拟水文过程和提取流域。【方法】 本文基于H3六边形格网系统，以韭园沟流域为研究区，使用分辨率为30 m的SRTM 1数字高程模型（DEM），通过六边形格网生成、DEM重采样、填洼、流向分析、流量累积等步骤，设计了一套基于六边形格网的水文分析算法，并对流量累积和河网提取的数据质量进行评价与分析。首先，本文通过统计流量值1~15的六边形格网与四边形格网所占其格网总数的百分比，结果表明六边形格网在低流量值范围内表现更为集中，在流量值增加时保持更稳定的累积频数增长，避免在高流量值范围内出现过度集中的情况。此外，以更高分辨率（12.5 m）的韭园沟流域河网作为标准河网，将河流线段按长度比例随机选取100、200、300、400、500个点，计算其到最近的四边形格网和六边形格网的平均距离，得到2种方法提取河网的平均偏移量。【结果】 结果显示四边形格网的平均偏移量分别为28.16、30.45、30.57、30.84、30.79 m，六边形格网的平均偏移量为24.03、25.63、23.49、23.78 、24.99 m，六边形格网的平均偏移量均小于四边形格网，表明其具有更高的河网提取精度，能更好地反映地形特征。【结论】 综上，与传统四边形格网相比，六边形格网在流量累积、河网提取方面，展现出更高的空间一致性和精确性，为水文模拟和流域分析提供了一种更高效、更准确的解决方案。
【目的】 数字高程模型（Digital Elevation Model, DEM）作为城市雨洪模拟中不可或缺的输入驱动，很大程度上决定了模拟精度。然而，现有研究大多数注重地表高程表达，忽略了地表汇流特性对积水扩散过程的影响。尤其在复杂城市地形环境中，传统DEM难以充分捕捉汇流特性，导致模拟精度受到制约。【方法】 本文提出了一种基于城市地形对象汇流特性的DEM增强表达方法。该方法从形态特征和水文特征角度分析城市地形对象的汇流特性，系统解析城市地形对象间的汇流关系，根据汇流关系约束将汇流特性有效融入传统DEM，从而增强DEM对地表汇流特性的表达能力。【结果】 本文选取南京市鼓楼区作为研究区，基于SWMM模型和有源扩散算法进行雨洪数值模拟，验证DEM增强表达效果，结果表明： ① DEM增强表达后，研究区内10.78%栅格的流向发生变化，主要分布在地形对象及其边缘；增强DEM的标准差、变异系数等指标均明显优于原始DEM； ② 较基于原始DEM的模拟结果，基于增强DEM的雨洪模拟积水面积减少，平均积水深度增加，能够更准确地捕捉地形特征对径流路径和积水分布的影响，模拟结果更接近实际情况。【结论】 本文提出的DEM增强方法能够有效表达城市地表的汇流特性，提高了积水扩散模拟结果的合理性，为城市雨洪的精细化模拟提供了技术支持。
【目的】 异源影像变化检测是遥感领域的研究热点，现有研究通常先把异源影像通过域迁移方法得到伪同源影像，再从伪同源影像中提取变化信息，存在异源影像中地物特征的互补信息利用不充分问题。本文围绕域迁移得到的多时相异源影像对（每个时相都有一对异源影像）开展变化检测，为解决多时相异源影像对的时相-空间-频谱联合特征融合提取，并在无标注样本情况下进行无监督变化检测等极具挑战性的问题，提出了一种联合混合卷积网络和相似性评估的异源影像无监督变化检测方法。【方法】 首先利用本文提出的基于斑块相似性评估的伪标签样本数据集生成方法，克服深度学习变化检测模型对人工标注样本数据的依赖。然后，构建了融合异源影像的2维、3维混合卷积神经网络模型，用于提取变化信息。【结果】 该模型不仅可充分利用异源影像之间的特征互补优势，还可有效提取多时相异源影像对的时相-空间-频谱联合特征，可在伪标签样本数据驱动下实现无监督变化检测。为了验证本文提出方法的有效性，在基于循环一致生成对抗网络获取的多时相异源影像对数据上进行了实验，包括曙光和格洛斯特数据集，并与传统方法、深度学习方法和本文方法的消融方法进行了定性和定量比较。【结论】 本文方法通过样本数据的无监督选取，提高了异源影像变化检测的自动化程度；同时，与前述对比方法中最好的变化检测结果相比，本文方法在2个数据集上的平均F1-Score提高了2.54%，有效提高了变化检测结果的可靠性。
【目的】 高分辨率遥感图像具有丰富和精细的空间信息，但其丰富的细节却模糊了不同土地覆盖类型间的界限，增加了分割的模糊性和不确定性。针对遥感图像分割领域的这一问题，本文提出一种改进区间二型模糊神经网络的新型遥感图像分割方法。【方法】 该方法通过引入空间邻域信息及模型混合策略，构建混合回归隶属函数，实现对数据复杂特征的精细表达，以提升模型的适应性和特征提取能力；通过构建混合回归隶属函数的不确定区域来映射模糊和不确定的遥感数据特征，提高模型的鲁棒性；使用全连接神经网络结构进行特征整合，进一步增强模型的学习能力，同时引入焦点损失函数缓解类别不平衡问题的影响。【结果】 在WHDLD和Potsdam数据集上进行的地物类别分割实验中，提出方法的分割精度优于DeepLab v3+和UNet++，与区间二型模糊神经网络方法相比，总体精度平均提升了8.31%和10.48%，Kappa值提升14.07%和14.59%，F1-score提升16.36%和12.31%。【结论】 实验结果表明，提出方法成功应对了遥感图像分割中的模糊性和不确定性，有效缓解了土地覆盖分割中区域噪声造成的影响，具有分割精度高、泛化能力强等特点。
