EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 4: 597 - 616

DOI: https://doi.org/10.12082/dqxxkx.2022.210512

综述

国土调查遥感40年进展与挑战

  • 舒弥 , 1, 2 ,
  • 杜世宏 , 1, 2, *
展开
  • 1.自然资源部城市国土资源监测与仿真重点实验室,深圳 518034
  • 2.北京大学遥感与GIS研究所,北京 100871
*杜世宏（1975— ）,男,甘肃靖远人,研究员,主要从事时空数据智能理解方法研究。E-mail:

舒 弥（1994— ）,男,湖北汉川人,博士,主要从事遥感影像智能解译、深度学习算法研究。E-mail:

收稿日期: 2021-08-26

  修回日期: 2021-09-23

  网络出版日期: 2022-06-25

基金资助

自然资源部城市国土资源监测与仿真重点实验室开放基金项目(40271090)

版权

版权所有,未经授权,不得转载、摘编本刊文章,不得使用本刊的版式设计。
收起

Forty Years' Progress and Challenges of Remote Sensing in National Land Survey

  • SHU Mi , 1, 2 ,
  • DU Shihong , 1, 2, *
Expand
  • 1. Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources, Shenzhen 518034, China
  • 2. Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China
*DU Shihong, E-mail:

Received date: 2021-08-26

  Revised date: 2021-09-23

  Online published: 2022-06-25

Supported by

Open Fund of Key Laboratory of Urban Land Resources Monitoring and Simulation, Ministry of Natural Resources(40271090)

Copyright

Copyright reserved © 2022
Fold

摘要

运用遥感技术进行土地资源调查,摸清其数量及分布状况,长期以来都是遥感领域研究的重要内容。本文首先回顾了过去40年来遥感技术在我国国土调查中的应用情况,然后围绕高分辨率影像的特征提取、大范围影像的样本获取、多时相/多传感器影像的迁移学习以及多源异构数据融合4个方面介绍了相关进展情况;接着归纳总结了现有遥感信息提取技术在国土调查中面临的4个挑战：① 高分辨率影像分类存在如何定义、选择、挖掘高级特征的问题;② 国土调查中的遥感数据集规模庞大,存在着类间不平衡和类内多样性,为这种复杂数据集获取足够、均衡、多样化的样本集是一个巨大挑战;③ 对于多传感器/多时相影像,如何低成本、及时地实现土地利用分类是值得考虑的问题;④ 从土地覆盖到土地利用存在语义鸿沟,如何合适地引入语义信息以弥合语义鸿沟需要被考虑。最后,本文对国土调查遥感技术的未来发展方向和应用点进行了展望。

关键词： 国土调查; 土地利用分类; 遥感信息提取; 特征优选; 小样本; 样本平衡; 样本多样性; 迁移学习; 语义鸿沟

本文引用格式

舒弥 , 杜世宏 . 国土调查遥感40年进展与挑战[J]. 地球信息科学学报, 2022 , 24(4) : 597 -616 . DOI: 10.12082/dqxxkx.2022.210512

Abstract

The national land survey is a major component of evaluating national conditions and strength. Its main purpose is to master the detailed national land use status and natural resource changes. It is of great significance to cultivated land protection and sustainable social and economic development. With the development of remote sensing technology, investigating the status, quantity, and distribution of land resources has always been the focus of remote sensing applications. This article reviews the application of remote sensing in national land survey over the past four decades. Until now, remote sensing technology has shown broad prospects in national land survey. However, the remote sensing information extraction in national land survey still mainly relies on visual interpretation and is not automated enough. In recent years, the remote sensing data tend to have the characteristics of high-resolution, large-scale, multi-temporal, and multi-sensor. However, the existing automated information extraction technology does not fully integrate those characteristics, hindering the application in national land survey. This article first introduces the relevant progress in national land survey from four aspects: feature extraction using very-high-resolution images, samples acquisition from large-scale images, transfer learning in multi-temporal/multi-sensors images, and multi-source heterogeneous data fusion. Then, four challenges in the existing remote sensing information extraction technology in the national land survey are summarized: ① Image feature is the key to image classification. There are questions on how to define and select features. In addition, high-resolution images put forward higher requirements for advanced feature extraction; ② Remote sensing data in the national land survey are usually large in scale, and there are inter-class imbalance and intra-class diversity. Therefore, it is a challenge to obtain sufficient, balanced, and diverse sample sets from such complex data set; ③ Generally, the efficiency of sample collection cannot catch up with the accumulation speed of remote sensing data, thus the labeled samples are relatively small compared with the data. For multi-sensor/multi-temporal imagery, how to realize land use classification in a low-cost and timely manner is a question worth considering; ④ There is a semantic gap between land cover and land use. Since remote sensing images mainly reflect land cover information, how to properly introduce semantic information to bridge the semantic gap and realize land use classification is a problem. Finally, the future development and application of remote sensing technology in national land survey are prospected, such as transformation from visual interpretation to artificial intelligence technology, accuracy and consistency assessment of remote sensing classification products in land survey, crowdsourcing methods for large-scale land use production, and update of large-scale land use data.

Key words： land survey; land use classification; remote sensing information extraction; feature optimization; small sample; sample balance; sample diversity; transfer learning; semantic gap

1 引言

全国土地调查（简称国土调查）的主要目的是掌握详实准确的全国国土利用现状和自然资源变化情况。这是一项重大的国情国力调查,对于落实耕地保护制度、实现节约集约用地、促进社会经济可持续发展具有重要意义[1]。国土调查的任务以土地利用调查为主,并同步推进森林、草原、水、湿地等自然资源专项调查。本文将主要围绕全国范围的土地利用多要素（耕地、园地、林地、草地、湿地、城镇村及工矿用地、交通运输用地、水域及水利设施用地等）综合调查展开。
近年来,遥感技术的快速发展为国土调查提供了重要的数据和方法支撑。国土调查对数据有精度高、范围广、时效快等要求[2],而遥感技术能很好地满足这一要求,且能够显著减轻人力、物力、财力,因此将遥感应用于国土调查是一个必然的发展趋势。在最近的第三次全国国土调查中,尽管高分辨率卫星遥感影像数据发挥了重要作用,但是遥感信息自动提取技术却仍然没有发挥主导作用。近几十年来遥感信息提取技术取得了很大的进展,逐步从人工目视解译发展为机器学习、深度学习等自动化提取技术,但是自动化提取技术还是难以满足国土调查的应用需求和精度要求[3]。因此,在当前国土调查中,为保证提取信息的准确性,利用遥感影像判别土地利用类型的实际作业仍得采用人工勾绘方式。然而,人工勾绘方式工作量大、周期长,提取结果易受解译人员主观性影响,在一定程度上不具备重复性,尤其对于大范围、多时相/多传感器遥感数据的处理,问题更为突出。因此,面向国土调查应用需求,研究与之适应的遥感信息自动提取技术对于提高信息提取的精度和效率具有重要意义。
值得说明的是,在土地利用和土地覆盖（Land Use and Land Cover,LULC）大研究领域中,本文关注土地利用分类而非土地覆盖分类。进一步地,在土地利用分类研究中,本文关注的是全国范围性的、多要素综合调查。① 与单纯从土地利用遥感研究角度综述有所区别,本文聚焦于全国性大范围的土地利用遥感分类,其难点也在于大范围的自动化。这带来的首要问题便是样本稀缺,需要通过样本获取、迁移学习等方法技术解决。虽然长期以来土地利用遥感研究备受关注,然而针对全国国土调查的遥感研究一般是随着国家开展的几次大规模土地调查时间节点而出现,且大多围绕目视解译、面向对象等传统方法。这也侧面体现了本文的意义所在：国土调查中遥感土地利用分类自动化能力亟待提升,本文分析了其相关难点。② 多要素综合调查与单要素提取在难度、方法上有很大的差异,因此本文不涉及自然资源的单要素专项调查,例如水体[4]、农业用地[5]、湿地[6,7]等的提取,具体可参考相关综述文章。
本文首先回顾国土调查中的遥感应用现状,包括国土调查中遥感数据利用现状以及遥感信息提取现状,并总结国土调查中遥感数据的特点;然后,从高分辨率影像特征提取、大范围影像样本获取、多传感器/多时相影像的迁移学习、多源异构数据融合4个方面出发,总结国土调查相关遥感信息提取的进展和不足之处;最后,归纳了在上述方面国土调查中遥感信息提取面临的挑战。

2 国土调查中的遥感应用现状

2.1 国土调查中遥感数据利用现状

遥感在国土调查中的作用首先体现在数据获取方面。国土调查时间紧、要求高、任务重,要求数据精度高、范围广、时效快等,而遥感正好具有准确、宏观、动态的对地观测能力,能够形成客观的数据资源。利用遥感技术,既可以对土地利用现状进行大规模调查,又能够及时获取土地利用变化等信息[3]。在我国,土地调查经历了由零星、非专业、简易和低精度调查到全国性、专业性、系统性和高精度调查的转变过程[8]。早在20世纪30年代,国内就曾在部分省市区利用航空摄影测量进行土地调查[9,10],而基于卫星影像的全国土地调查则始于20世纪80年代。
（1）土地概查（1980—1984年）。全国土地利用现状概查,首次采用卫星和航空影像开展全国范围的农林牧区土地资源调查,编制了1:25万土地利用现状图[11]。使用的遥感数据为564幅美国陆地卫星（LANDSAT MSS）影像经几何纠正后放大而成的 1:25万假彩色合成图像,分辨率为79 m。同时,时间间隔3个月以上的卫星彩色影像被选用作为土地利用时态判读的参考资料[12]。然而,遥感影像的空间分辨率不够高,难以满足土地详查分类和国家土地资源管理的需求[13]。
（2）土地一调（1984—1996年）。第一次全国土地调查由原国家土地局开展,首次摸清了我国土地家底。在调查手段上,以人工野外调绘为主,辅以遥感内业数据处理;在遥感数据源上,中东部地区使用航拍影像,西部地区使用美国陆地卫星数据,分辨率为30 m。然而,航空遥感易受天气等因素影响,难以全面而及时地完成土地调查任务;中低分辨率卫星由于其识别能力差,制约了土地调查精度[9]。总之,国土一调受遥感技术和数据源制约,工作量大、步骤繁琐、速度慢、精度低。
（3）土地二调（2007—2009年）。国土一调完成以来,我国社会经济快速发展,大部分城乡范围都发生了变化,彼时的土地信息已经难以满足当前的工作需求。因此,原国土资源部启动了国土二调,其中农村土地调查以1:10 000比例尺为主,获取了全国每一块土地的类型、面积、权属和分布信息,最终建立国家级和全国31个省级、331个市级、2800多个县级土地利用现状调查数据库[10]。高分辨率卫星遥感技术成为国土二调的主要手段,包括法国Spot卫星、美国QuickBird卫星、国产“资源二号”、“北京一号”卫星数据以及部分航空遥感数据[14]。
（4）国土三调（2017—2020年）。上述的全国土地调查主要是满足土地管理的需要,而国土三调是我国进入新时期以来、自然资源部组建后开展的首次全国土利用现状和自然资源变化情况普查。为全面支撑新时代自然资源管理、更科学有效推进生态文明建设,从国土三调开始,“全国土地调查”改名为“全国国土调查”,调查范围增加了各类自然资源。国土三调内业信息提取的基本原则便是“充分依据遥感影像”,建成区范围判定、图斑勾绘及地类预判均完全依据遥感影像。在国土三调中,遥感影像的空间分辨率进一步提高。农村土地调查全面采用优于1 m分辨率的数据（国产卫星“高分二号”“北京二号”等,国外卫星WorldView-1、WorldView-2等）;而城镇村庄内部土地利用现状调查采用优于0.2 m分辨率的航空遥感数据[15]。表1展示了用于国土三调的部分数据源。
表1 国土三调的部分数据源

Tab. 1 Part of the data source of the Third National Land Survey

卫星名称 传感器 空间
分辨率/m		 探测地面
幅宽/km		 重访
周期/d
北京二号 全色
多光谱		 0.8
3.2		 24 1
高分二号 全色
多光谱		 1
4		 45 5
资源三号 全色前视
全色后视
全色正视
多光谱		 3.5
3.5
2.1
5.86		 52
52
51
51		 3~5

2.2 国土调查中遥感数据特点

近几十年来,国土调查产生了深刻变化,不断向着精细化、规模化、常态化的方向发展[16];与此相适应,遥感数据源则向着高分辨率、大范围、快速更新、多传感器方向快速发展。
（1）高分辨率：空间分辨率是遥感影像单个像素所能描述的最小地物尺寸,反映的是分辨目标的能力。空间分辨率的不断提高,为土地资源从宏观到微观的探测提供了更加丰富的信息。高空间分辨率卫星影像通常是指像素的空间分辨率达到10 m以内的遥感影像,能提供丰富纹理信息,特征明显、边界清晰,能够快速地反映地物属性,判读精度高[17]。例如,在高分辨率遥感影像上,既可以分辨出路标等地物细节,还能够观测水体色调变化[18]。中国高分卫星遥感系统给我国遥感影像的获取在精确度与丰富度上奠定了良好基础,也保障了国土调查信息资源的准确性与可靠性。
（2）大范围：遥感能够对地球进行大范围宏观监测。例如,“高分一号”观测幅宽可达800 km,更高分辨率的“高分二号”观测幅宽也能达到45 km,对国土调查意义深远。我国幅员辽阔、资源丰富、土地类型复杂,因此完全依靠外业调查对大范围土地进行详查难度大、效率低,而采用遥感这种非接触、远距离的探测技术可以方便及时地获取各种宝贵资料。
（3）快速更新：遥感获取信息的速度快、周期短,能在短时间内对同一地区进行重复探测,例如“高分二号”卫星对全球任意地区的重访周期不超过5 d。随着时序影像的积累,国土调查逐渐对其产生了较大的需求。① 利用周期性的遥感数据,可及时对现有国土调查成果进行更新,以保持调查成果现势性和使用价值。② 利用多时相遥感影像,不仅有利于区分土地属性,还能发现土地利用变化状况[19]。从国土一调开始,国家每年都以县级为单位进行土地变更调查[20],为国家宏观调控和土地管理提供依据。除此之外,多时相影像的利用有助于克服多云雾地区对遥感土地覆盖利用监测带来的困难。
（4）多传感器：与单一源遥感数据相比,多传感器（多源）遥感数据的优越性主要体现以下方面： ① 富集同一地区地物的波谱特性,实现多数据源的信息互补;② 利用地物在多源遥感数据上的光谱、形状和纹理等信息的差别,有助于获得土地覆盖利用信息;③ 不同传感器的成像时间、覆盖地域不同,通过结合利用多传感器影像,可以拓展单一源遥感数据的空间、时间覆盖范围。国土调查范围大,往往需要多传感器、多时相影像组合才能覆盖大范围。
总之,遥感数据不断向着国土调查的应用需求发展,呈现出高分辨率、大范围、快速更新和多传感器特性,而这也必然对国土调查中遥感信息提取技术提出新的挑战。

2.3 国土调查中的遥感信息提取总体现状

从遥感技术应用到现在,已经有了不少基于遥感影像研制的大范围土地覆盖数据集（表2）。Loveland等[21]使用1992年4月至1993年3月的AVHRR数据制作了全球0.25°、0.5°和1°分辨率的土地覆盖数据集;Hansen等[22]基于AVHRR卫星获得的1981—1994年的影像制作了全球100、8和 1 km分辨率的土地覆盖数据集;Friedl等[23]使用2000年10月至2001年10月的MODIS数据制作了全球0.25、0.5和1°的土地覆盖产品;美国国家航空航天局（NASA）使用了多年的MODIS数据制作了2001—2013年的全球1 km土地覆盖数据集;欧空局使用SPOT4卫星上的Vegetation仪器采集的14个月的数据制作了全球1 km的土地覆盖数据集（Global Land Cover 2000, GLC2000）;Chen等[24]使用像素、对象和知识相结合的方法和Landsat影像制作了全球30 m分辨率的土地覆盖数据集（Global Land Cover 30,GLC30）;Gong等[25]使用Landsat数据、中国高分数据、资源卫星数据、SRTM DEM数据等制作了2015年和2017年全球30 m分辨率土地覆盖数据集（FORM-GLC）,还使用哨兵二号数据制作了2017年全球10 m分辨率土地覆盖数据集。然而,相对于土地覆盖情况,国土调查更关注的是土地利用情况。由于分类体系不同,土地覆盖分类并不能直接转化成为土地利用分类;同时,现有的大范围土地覆盖分类产品在分类空间分辨率、快速更新等方面也存在与国土调查土地利用分类中类似的共性问题。目前,全国性大范围的土地利用数据集,基本依赖国土调查来获取。
表2 大范围土地覆盖数据集

Tab. 2 Global land cover data sets

数据集名称 数据源 数据集年份 空间分辨率
IGBP GLCC AVHRR 1992 0.25°、0.5°、1°
UMD LCC AVHRR 1981—1994 1 km、8 km、100 km
IGBP LC MODIS 2000 0.25°、0.5°、1°
MODIS LCT MODIS 2001—2013 1 km
GLC2000 SPOT-4 2000 1 km
GLC30 Landsat系列 2000, 2010, 2020 30 m
全球30m精细地表覆盖产品 Landsat8 2015 30 m
FROM-GLC Landsat 5/7/8、高分系列、资源卫星、环境卫星 2015, 2017 10 m,30 m
在国土调查中,遥感信息提取主要根据影像特征判别土地利用类型以及圈定地块界线。提取方法一般可归为2类：
（1）目视解译,即根据专业经验和知识,建立不同地物类型的判读标志,进而识别、提取和绘制专题地图[26],其精度和合理性很高,目前仍被广泛采用[27,28,29]。然而,目视解译要求解译人员具备专业知识和长期经验,同时还耗时费力。随着遥感数据时空分辨率逐渐提高、国土调查范围全国化的发展趋势,目视解译将难以满足数据量日益庞大的遥感信息提取数量与速度的需求。然而,为保证提取信息的准确性,在最近的国土三调中,遥感信息提取实际作业仍主要采用此种方式。
（2）利用计算机自动提取。尽管遥感影像自动分类技术已有几十年的研究历史,但是仍然存在许多尚未解决的难题,没有被广泛而深入地应用于国土调查中。国土调查中的自动化方法,早期多采用基于统计分析的传统分类方法,如直方图决策树分类法[30]、最小距离分类法[31]、最大似然分类法[32,33];国土二调时,面向对象分类技术受到关注[34,35]。然而,遥感影像土地利用自动分类技术主要存在以下难点：① 相对于土地覆盖类别,土地利用类别蕴含更多的高层语义信息,这对模型的特征提取能力提出了很高的要求;② 虽然遥感数据的高分辨率满足了不断提高的任务与应用需求,但是数据复杂程度增加所带来的挑战大大增加了提取难度,使得现有方法难以有效地提取抽象、但更具区分力的特征; ③ 大范围影像的监督分类需要大量的训练样本,而样本获取是困难和昂贵的;④ 影像范围越大,“同谱异物”和“同物异谱”现象越明显,而现有方法通常对遥感影像中地物成像条件多变、类内多样性、类间不平衡等特点考虑不充分,直接通过改进分类器来提高分类性能越来越困难[11];⑤ 现有方法通常只针对当前数据集,而缺乏对新数据灵活而迅速的反应处理。
综上所述,对于国土调查中的遥感应用现状,一方面,遥感数据逐渐被广泛应用且扮演着重要角色,它能够在及时高效获取国土信息资源、反映地物属性的同时,减少人力、物力与财力的投入,改变了传统的土地调查方式,提高了土地调查的工作效率。然而在信息提取方面,为保证精度,仍停留在以目视解译为主的阶段。现有的自动化技术没有充分考虑和适应国土调查中的遥感数据分辨率高、范围大和时相多传感器多等特点,阻碍了其直接应用于国土调查中。当前,遥感技术在国土调查中发挥作用的重点将逐渐从遥感数据转为自动化信息提取方法。

3 国土调查相关遥感信息提取方法进展

当前,国土调查已经广泛而深入地应用了遥感影像。这些影像具有高分辨率、大范围、多时相/多传感器等特性,而自动化信息提取技术必须与之相适应。本文将分别从高分辨率影像的特征提取、大范围影像的样本获取、多时相/多传感器影像的迁移学习、多源异构数据融合4个方面进行论述。

3.1 高分辨率影像特征提取方法进展

遥感影像特征提取方法,随着遥感分类方法的发展而不断增强。遥感分类方法按是否需要标记样本,可分为监督分类和非监督分类;若按照最小分类单元（样本）,可分为面向像素的与面向对象的影像分析方法;若根据特征表达和学习的方式,可分为基于人工特征的分类方法、基于机器学习的分类方法和基于深度学习的分类方法。新分类方法的陆续提出,其实质是特征提取能力的不断增强。
（1）非监督分类——没有利用类别特征。主要通过聚类将所有的像素分组,然后再为各个集群手动标识类别,典型方法为K均值聚类（k-means）[36]。非监督分类是最基本、最便捷的分类技术,然而由于没有利用类别信息、缺乏类别标签提供的语义特征,不能保证很好的类别区分能力,因此有必要开发一种将带标签的数据用于监督学习的方法。
（2）监督分类——增加对类别特征的利用。监督分类要求对所要分类的地区必须要有先验的类别知识,需要给每个类别选择代表性样本,根据样本定义的特征分布训练分类器建立判别函数,并将其应用于整个图像[37]。事实上,目视解译过程也是如此——需要有专业知识和经验,并参考解译标志来完成解译过程。常用监督分类方法有：最近邻法、最小距离分类、最大似然法等方法。
（3）基于像素的分类——提取光谱特征。这是最为传统的遥感监督分类方式,是以地物的光谱特征为主要依据的,以单个像素作为基本单位进行训练或分类。主要存在的问题在于特征因子单一,几乎完全依赖光谱特征。因此光谱异质性（同种地物光谱变异较大）对分类结果的影响很大,图像上的噪声会导致明显的“椒盐现象”[38]。
（4）面向对象影像分析法——提取几何、关系等对象级特征。面向对象影像分析法将像素分割成具有代表性的形状和大小的影像块（称为图像对象）。这些对象更有意义,因为它们能进一步表达出图像中的更多更有效的特征[39],例如几何特征、纹理特征和空间上下文特征等等。其中,几何特征是高分辨率影像的最为重要特征之一,指的是地物的形状、大小、长宽等因素,事实上目视解译中人眼对地物的辨识能力也在较大程度上依靠了地物的几何特征。面向对象方法常优于基于像素的分类,然而面向对象影像分析法的特征提取也存在几个显著问题：特征需要凭经验定义、特征选取主观性强、特征受分割尺度影响,这些问题制约了面向对象影像分析法的分类能力。以特征受分割尺度影响为例：由于高分辨率遥感影像具有“同物异谱”“异物同谱”特性,且不同类别的地物自然尺度差别也较大,经常难以进行有效的影像分割,由此也对特征提取造成了十分不利的影响。图1是利用ecognition软件进行影像分割的结果,从中可以看出,由于部分交通运输用地在影像上宽度过细,在100这个分割尺度上均不能被有效分割出来。如若进一步减小分割尺度到10,其他类别将被严重过分割。因此,对于此数据很难将交通运输用地的特征提取出来。
图1 不同参数设置下面向对象分析法影像分割结果

Fig. 1 Image segmentation results of object-oriented analysis method under different parameter settings

（5）深度学习分类——自动学习提取有效的多尺度特征。近年来,人工智能技术快速发展,为在国土调查应用中实现高精度、大范围、多时相的土地利用分类提供了可能。相比传统机器学习,以大数据为支撑的深度学习通常具有更为卓越的表现[40,41]。深度学习通过神经网络来进行高效的特征提取和学习（图2）。深度学习的特征提取有3个特点：① 特征自学习。深度学习通过机器自动提取有效特征,高度依赖数据,数据量越大,表现越好; ② 能提取高维特征。因为深度学习模型复杂,深度学习的神经网络层数很多、宽度很广,理论上可以映射到任意函数,所以具备很强高维特征提取能力[42];③ 能提取多尺度特征。由于深度学习进行分层特征提取以保证神经网络训练的效果和效率,有利于学习出在不同神经网络层上的多尺度特征。简而言之,“大数据”成就了深度学习的能力,可以挖掘出深层以及多尺度的深度特征,因此分类精度高。然而,遥感深度学习的综述文章[40]曾指出,尽管深度学习方法在遥感分类中具有一定的优越性,但更多地体现在遥感场景分类任务中,而在遥感图像分类（场景分割）任务上还没有取得绝对优势。这表明,在图像分类上,深度学习的能力还有待进一步的开发。
图2 全卷积神经网络的结构

Fig. 2 The structure of a fully convolutional network

综上,高分辨率影像对遥感影像特征提取提出了更高的要求。影像数据和分类任务不断复杂,对特征提取的要求越来越高。因此,在遥感影像分类中,特征提取经历了从人工定义到自动学习、从浅层特征到深度特征的发展过程。尽管面向对象分析方法、深度学习已经广泛应用于高分辨率影像分类,但现有方法在特征提取方面仍不够充分,因而分类效果不理想,阻碍了国土调查中遥感影像信息提取的自动化。

3.2 大范围影像样本获取方法进展

针对大范围影像样本不足的问题,已有一些相关研究与解决方案。半监督方法[43]利用未标记的样本来改善分类结果,该分类结果以最有把握的预测来标记一些未标记的样本,然后将这些样本合并到训练集中。但是这种方法在有标记的样本太少时不好实现。自动样本标记方法[44]可以减轻手工选择和标注样本的工作量;但同样地,如果实验数据很小,该方法会受到限制。另一种思路是使用数据增强[45]或样本合成[46]生成一批新样本：数据增强（如旋转、平移、翻转和添加噪声）简单直观但可能带来冗余信息,而样本合成可以根据现存的真实样本生成一批新样品。这2种方法都依赖先验知识,只能给学习算法提供有限的新信息。
针对样本的类间不平衡问题,已有研究已经在算法、特征、数据级别上提出了许多方法以提高小类的准确性。在算法级别上,可以调整分类器算法以提高小类的准确性,如成本敏感型学习[47]、集成学习[48]、单类别学习[49]和核方法[50]。支持向量机（SVM）分类器被证明对数据不平衡的敏感性相对较低,相对适合处理不平衡的数据[51]。实际上,这些算法级别的方法在一些情况下确实有效,但是在处理复杂数据的时候效果不佳。在特征级别上,特征选择方法受到广泛关注[52,53,54]。“更好的”特征拥有类别之间更高的可分离性,因此选择合适的特征可以帮助提高小类的分类准确性。但是在实际应用中,往往很难为特定的分类任务选择或定义最佳特征集,因为特征选择会受到样本选择的影响。如果选择的样本不具有代表性,则可能无法挑选出真正的最佳特征集。即使选出了最佳特征集,由于样本不平衡原因分类器学习到的参数可能不合适,也会导致准确性下降。在数据级别上,可使用各种重采样技术来平衡类别分布,包括去除一定的大类样本（即欠采样）和选择更多的小类样本（即过采样）。尽管这些方法有效,但它们也有一些缺点。欠采样可能会去除某些关键的代表性样本,从而使分类器性能变差;过采样在简单复制样本时,会导致过拟合问题。合成小类别过采样技术（SMOTE）是一种较为先进、常被使用的过采样方法,它通过插值生成新的人工样本。尽管SMOTE[55]及其变种[56]在某种程度上解决了过拟合问题,但样本生成过程仍然存在局限性,还是导致样本缺乏多样性并影响分类性能[57]。
针对数据不平稳性问题,有研究[58]认为样本多样性对每个类别的查全率有显著影响。还有研究[59]认为,为了获得良好的分类器,关注占比小的子类可能比关注类间不平衡问题更有效果。然而在遥感应用上,样本获取一直以人工标注为主,对样本多样化的相关研究还比较少。在较好情况下,空间异质性受到关注并被用于多样化的样本集[60]的获取。

3.3 多传感器/多时相影像的迁移学习进展

迁移学习是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。对于多传感器/多时相影像的迁移学习问题,许多学者从域适应（或领域自适应）角度进行了研究。域适应属于迁移学习的子领域,是迁移学习中域不同而任务（如分类）相同时的情形。在域适应问题中,一般存在多个具有不同数据分布的数据集。其中,提供训练样本的数据集称为源域,对需要进行分类的数据集称为目标域,域适应的研究目标是克服源域分布和目标域分布不同,实现目标域上的学习任务。域适应的实质在于把源域与目标域之间不够相似的部分变得相似,达到迁移目的。相应地,域适应存在3关键问题：① 迁移什么;② 如何迁移;③ 何时迁移。
对于第一个问题“迁移什么”,关键在于源域与目标域之间不够相似的部分的具体表现形式 （表3）。如果2个域差异性小,不相似的部分只表现为样本层面时,就可以进行基于样本的迁移,只选出那些相似样本来训练针对目标域的模型;而当2个域在特征层面上就体现开始体现显著差异时,则应进行基于特征的迁移,通过一定的方式获得在2个域上都通用的特征来训练模型;当2个域差异性很大,相互之间只共享某种相似关系时,则进行基于关系的迁移,将源域中学习到的逻辑网络关系应用到目标域上来进行迁移。另外,在已存在针对源域的成熟模型时,可考虑基于（模型）参数的迁移,将一部分模型参数分享至目标域的模型训练中。其中,基于特征的迁移学习方法迁移效果好,且不依赖具体分类器,是迁移学习领域中最热门的研究方法。
表3 迁移学习方法简要描述

Tab. 3 Brief description of transfer learning method

模型 多尺度特征融合方式
基于样本的迁移 对源域中的某些样本进行重加权,以便在目标域中使用
基于特征的迁移 寻找合适的特征表示来最小化2个域特征空间之间的差异
基于模型的迁移 寻找源域模型和目标域模型之间的共同参数或先验信息
基于关系的迁移 建立源域数据的关系模型与目标域数据的关系模型之间的映射
遥感分类中的迁移学习主要涉及基于样本的迁移、基于特征的迁移和基于模型的迁移。① 基于样本迁移的遥感影像分类[61]：当目标域中不存在任何样本时,可采用无监督的迁移学习方法,通过源影像和目标影像的变化检测将不变地物及其位置标示在目标影像上,并将旧时解译的地物类别标签知识迁移至目标影像,完成目标影像的分类[62]。这种方式不适用于两幅影像数据分布差异较大的情况。当目标域中存在少量带标注的样本时,可将源域样本与目标域样本混合共同构成训练样本集,并通过不断调整各样本的权重,使加权后的样本集能同时反映出源域和目标域的特性[63]。在遥感应用中,迁移学习还常常与主动学习结合起来,在最初依赖源域样本的情况下,通过迭代方式对新影像进行采样,从而使混合样本集变得适应于新图像[64,65]。② 基于特征迁移的遥感影像分类：当两幅影像数据分布差异较大时,多采用基于特征迁移的方法。文献[66]用到了半监督迁移成分分析的特征提取方法。文献[67]认为这些域是多维图结构,提出通过解决图匹配问题来对齐域。文献[68]考虑到了类别上的迁移学习,因此不是为整个源域样本集找到一个变换矩阵,而是分别对每个类的样本进行转换,最后将它们组合成一个新的样本集。③ 基于模型迁移的遥感影像分类：Bruzzone[69]利用目标图像的样本来调整最大似然分类器的参数,来更新土地覆盖图。之后,又提出了领域自适应支持向量机[70],该方法在源域中训练SVM模型,之后利用目标域的已知样本调整分类器参数。通过不断的迭代,DASVM模型逐渐适用于目标域。类似地,还有领域自适应多核学习[71]、领域自适应贝叶斯分类器[72]等。
对于第②个问题“如何迁移”,基于样本的迁移主要通过加权策略对训练样本集进行筛选,从中选择有用的一部分样本,例如通过主动学习在训练集中添加目标域样本[65,73],或逐步添加目标域样本、减少源域样本[70,74]。基于特征的迁移主要通过特征选择[75]或特征变换[76]获得有用的特征。基于关系的迁移学习的相关研究非常少,常借助于马尔科夫逻辑网络（Markov Logic Net）来挖掘不同领域间的关系相似性,在遥感中有研究[77]利用图结构表达源域与目标域各个类别在特征空间中的拓扑结构,通过子图匹配方式寻找2个域所共享的类别。基于参数的迁移学习常利用最大期望EM算法不断迭代,保留部分参数并调整部分参数实现,例如利用迭代不断更新最大似然分类器[78]、贝叶斯分类器[72]等。
对于第③个问题“何时迁移”,具体指的是迁移学习过程的开始和结束条件,这涉及到“域的相似性度量”和对迁移效果的评价。在域的相似性度量上,目前已经有一系列的指标被提出。在迁移效果的评价上,一类方法直接衡量域的相似性是否变得足够高,另一类方法通过评价模型在目标域上分类表现来间接地衡量。
另外,域适应研究的问题可按照目标域中是否有可用标签分为2类：①监督/半监督学习,即目标域中含有少量标签,可直接作为训练样本;②完全无监督学习,即目标域中没有可用标签。在遥感中,对后一种类型的研究相对更多,即旧时相影像存在大量带标签的样本,而新时相影像上没有样本或只有无标签的样本。前一种类型也有少量研究,针对新时相影像也存在少量带标签的样本的情形。
总的来说,针对不同时相遥感影像的域适应方法多集中在基于样本的迁移学习和基于参数的迁移学习上,它们在迁移能力上不如基于特征的迁移学习强大,要求域之间的相似性较高。而在基于特征的迁移学习中,基于特征变换的方式更为灵活但也比较困难,因此研究相对较少。针对多传感器遥感影像的域适应,主要是基于特征变换的方式。近年来深度迁移学习也开始用于遥感场景分类中,一些工作[79]将自然图像数据集预训练的深度神经网络模型微调后迁移至高分辨率遥感场景分类任务,也有研究[80]使用对抗网络实现域不变特征的提取进行场景分类。然而目前来说,少有研究关注如何利用深度迁移学习进行影像的像素级分类（语义分割）,因此在国土调查中应用仍较少。

3.4 多源异构数据融合进展

相对于同源影像间的多时态处理,多源异构数据融合是更大的挑战,也是遥感领域长期研究热点之一[81,82,83,84]。本文将以遥感光学影像与雷达数据融合、遥感影像与社会感知数据融合这2方面为例,介绍多源异构数据融合（尤其是应用于土地利用中）的一些进展情况。
（1）遥感光学影像与雷达数据融合：对以不同物理原理运行的传感器数据集进行融合,从而获取土地属性的协同信息,是一种前景良好的方法,有望克服单独使用单一数据产品的局限性：光学影像提供可靠和可解释的图像,用于描绘大范围的覆盖类别,而雷达数据提供的关于表面粗糙度和湿度的信息,可以更详细地描述土地利用情况。例如,将来自光学传感器的波段信息与雷达衍生的作物结构和体积信息相结合,可以将人工林与天然林区分开来[85]。研究[86]发现,在基于光学遥感影像的LULC分类中,水、温室和阴影很容易相互混淆。合成孔径雷达数据的加入大大减少了水、商业建筑和温室之间的混淆。根据相关综述文章,虽然已有许多研究利用光学和雷达传感器数据的互补性揭示LULC,但大多数针对土地覆盖而非土地利用。尽管如此,相关研究中绝大多数表明数据融合提供的结果比单独使用任一数据集的准确度更高。
（2）遥感影像与社会感知数据融合：尽管多传感器/多时相遥感数据的组合与迁移学习,能扩大遥感影像的时空覆盖范围并缓解带标记样本不足的问题。然而,这种单纯影像间的组合仍缺乏语义信息,在土地利用分类上仍然存在一定困难。因为土地覆盖（物理方面）与土地利用（社会经济方面）之间存在语义鸿沟,例如相同土地覆盖类别对应于不同的土地利用类别,仅靠影像较难识别出土地利用情况。土地利用类型反映了不同的社会功能。因此,社会信息的辅助有望提高土地利用分类的性能。大数据时代产生了大量具有时空标记的地理空间数据源,例如手机定位、社交媒体签到、出租车轨迹、公交刷卡、街景照片、兴趣点（Points of Interest,POIs）等,这些被统称为社会感知数据[87]。社会感知数据捕捉了人类活动的时空模式,被认为是遥感数据的补充,为克服传统遥感技术遇到的语义问题、揭示土地利用情况提供了机会。因此,在土地利用领域中遥感数据融合方面,相较于与雷达数据融合,遥感影像与社会感知数据融合更受关注。目前,已有丰富的研究探索了遥感影像与不同类型的社会感知数据的融合。例如,遥感分别与街景照片[88,89]、POI兴趣点[90,91]、手机定位数据[92]、出租车/自行车数据[93]的结合,甚至同时与多种社会感知数据[94,95,96]的结合。文献[97,98]探讨了遥感影像与社会感知数据的集成策略,如特征级集成和决策级集成等。相关研究表明,将遥感和社会感知数据结合起来进行土地利用分类可以有效改善性能。关于遥感影像与社会感知数据融合更加详细的进展可参考综述文献[99,100]。

4 国土调查中遥感信息提取面临的挑战

4.1 遥感影像特征提取

遥感影像分类是将土地覆盖/利用类别分配给像素的过程。例如,在国土三调中,全国土地利用数据集包括湿地、耕地、种植园用地、林地、草地、商业服务业用地、工矿用地、住宅用地、公共管理与公共服务用地、特殊用地、交通运输用地、水域及水利设施用地、其他土地13个一级类别。
影像特征是地物特征在影像上的直接反映。影像分类依据就是同类地物在相同条件下具有相似的特征,其特征向量将聚集在同一特征空间区域,因此遥感分类的关键在于特征提取。在目视解译中,人脑会结合分析多种特征综合判断,如颜色、大小、形状、纹理、阴影、相关等。但对于自动化分类,如何定义、表达、选择和提取特征值得研究。 ① 特征是抽象的,难在定义和表达特征。早期遥感分类是基于人工定义的特征,需要具备较强的专业知识来获取多种特征,例如颜色、纹理、形状、空间和光谱特征,或其组合。这些方法大多通过直接提取特征描述子,例如尺度不变特征变换（Scale Invariant Feature Transform,SIFT）[101]、颜色直方图、方向梯度直方图（Histograms of Oriented Gradients,HOG）[102]、局部二值模式（Label Binary Pattern,LBP）[103]等。② 特征具有多样性,难在选择有效的特征。尽管遥感影像存在着丰富的特征,但在分类过程中,不可能所有特征都是有用的。这是因为对于不同类型地物和影像,具有区分力的特征是不相同的,选择有效的特征能提高分类,而选择无关或冗余的特征反而会增加分类的计算量、时间和硬件开销,并降低分类精度。因此,特征选择对于分类也具有重要意义。例如,高分辨率影像光谱信息的类别区分度降低,而形状和纹理特征作用凸显,因此结合形状和纹理等有区分度的特征会比单纯使用光谱特征更有效。然而,特征选择在多数情况下仍凭借经验而行,缺乏科学性和可解释性。③ 特征具有层次性,难在提取高级特征。简单的特征为光谱特征,是波谱在影像像元上的直接反映。稍复杂的是光谱特征的组合,如人工定义的植被指数（Normalized Difference Vegetation Index,NDVI）。而大小、形状、纹理、阴影等特征,则是色调、颜色等信息的空间布局在影像中的表现,属于更复杂的地物空间特征。更加抽象隐含的特征,则是地物的空间分布、空间关系以及其动态变化过程[13]（图3）。简单的特征可能经过阈值法就能区分类别,而复杂特征则需要更复杂模型才能区分类别,例如支持向量机（Support Vector Machines,SVM）[104]通过构建超平面进行分类。通过面向对象影像分析法,可提取对高分辨率影像分类更有帮助的形状特征。深度学习方法则可以提取更抽象、更高维的深度特征。
图3 特征的层次性

Fig. 3 Hierarchy of features

在遥感影像上,即使对于同一地点,空间分辨率越高,获取的地面数据越多、地物信息越复杂。类别内部的光谱特征差异变大,而类别之间的光谱差异减小,这给传统的基于统计的分类方法增加了难度。由于高分辨率影像地物的光谱特征信息不足,为提高分类精度,需要挖掘更深层、更有区分性的特征[105]。
总之,高分辨率影像分类存在如何定义、如何选择特征的问题;此外,高分辨率影像还对分类提出了更高的要求,即如何挖掘高级特征。相对于土地覆盖,国土调查土地利用类别体系的语义性更强（如“水域”包含河流与堤坝）,因此语义特征这类高级特征尤其需要被挖掘。

4.2 大范围影像样本获取

近年来许多研究采用深度神经网络从遥感影像提取更深、更抽象的特征。然而,深度网络能够提取出有效特征的前提是有足够的训练样本。我国陆地国土面积为960万km2,在如此大的范围内获取足够数量且有代表性的样本是及其困难的,主要有以下3个原因。
（1）小样本问题。原则上,样本集应具有统计学意义,以充分反映所有地物类别的真实分布。然而,①对于大范围的国土调查遥感应用,人工选择和标记训练样本的成本高[44],因此只能提供有限数量的训练样本。② 高维特征空间需要更多的样本来训练具有良好泛化能力的分类器。因此,在处理高光谱图像时,即使一定规模的样本量也可能不足以进行模型训练[106]。③ “样本稀疏”[107]有时是因为总的数据本身就有限（如稀有地类）而导致的。上述3个原因导致了训练样本稀缺,无法提供足够的信息以反映样本空间中的规律性,最终导致分类算法失效。
（2）类间不平衡问题。准备训练样本时另一个关键问题是：即使对于固定数目的样本集,应当以何种比例将样本分配给各个类别?换而言之,使得分类器表现最好的最佳类别分布是怎样的?对于该问题,有2种典型的类别分布值得考虑,即“自然类别分布”和“平衡类别分布”。前者指总体数据所表示出的类别分布。通常情况下,“自然类别分布”并不均衡,数据中某些类（即大类）具有比其他类（即小类）有更多的实例,例如在农村地区,耕地类别一般属于大类而水体属于小类。实际上,该问题的答案取决于分类的最终目的。如果将总体精度视为评估标准,则样本集的最佳类别分布应趋向于不均衡的“自然类别分布”;而若将各个类别的分类精度作为准则,样本集的最佳类别分布应接近“平衡类别分布”[108]。对于遥感图像的多类别分类,一般既关注总体精度,也考虑各个类别的精度。因此,样本的最佳类别分布应当是以上2个方案的折衷,即样本集应该具备一定程度的类间平衡性。然而实际上,样本类别间的失衡经常发生。所谓样本,是为代表整体数据而选出的一部分数据,因此类别失衡的原因既可能来自数据本身,也可能来自样本选择过程。一方面,数据的不平衡可以导致样本的不平衡,即内在失衡;另一方面,人工选样本过程中的盲目性和局限性可能进一步导致样本的不平衡,即外在失衡。不平衡的样本集会产生一些严重的问题。首先,即使数据集很大,小类的样本也仍然会由于其极低的占比而不足,这将导致小类的小样本问题;其次,当使用不平衡样本进行训练时,以总体精度为学习目标的标准分类器往往会被大类所带偏, 从而忽略小类的分类精度[109]。例如,假设在一个耕地与水体的二分类应用中,耕地占比90%而水体占比10%,若把全部数据预测为耕地类别,此时的总体精度仍然高达90%,但小类水体的精度却为0。由于上述原因,小类的准确分类将难以得到保证。
（3）数据不平稳性（类内多样性）问题。由于地表的空间异质性、遥感信息的不确定性,遥感影像上存在着“同物异谱”的现象,即同一种地物类型由于环境影响反射率不同反映出不同的光谱特征 （图4）。“同物异谱”现象反映在特征空间中,则是一个类别对应多个组成部分。由于地理分异,这一现象在大范围的影像上表现更加明显。因此,为反映现实情况,样本集应该具有类内多样性。然而,在人工选择样本过程中,多样性样本集的选取与解译者的判读经验有关,所选样本集往往难以足够全面地反映类别的真实分布情况,因此会对分类结果的精度造成不利影响。另一方面,样本集可能包含着许多具有相似特征的冗余样本,这不仅会增加模型训练的时间,而且对学习效果没有提升作用。简而言之,缺乏多样性的样本集在样本代表性上不充分,影响了分类结果。因此,数据不平稳性问题的关键在于,实现样本的类内多样性以反映不均匀的数据分布,从而提高分类性能。
图4 不同地区的耕地Google Earth遥感影像对比

Fig. 4 Comparison of remote sensing images of cultivated land in different areas

总的来说,国土调查中的遥感数据集规模庞大,存在着类间不平衡和类内多样性,因此训练样本的稀缺、不平衡和冗余问题凸显。尽管已有些研究单独针对上述3个方面提出了一些解决方法,但面对国土调查这种复杂数据集,获取足够、均衡、多样化的样本集仍是一个巨大挑战。

4.3 多传感器/多时相影像的迁移学习

国土调查由于范围广,通常需要组合不同传感器、不同时相的影像以全面涵盖调查区域。同时,国土调查对现势性的要求也越来越高,需要随着时间发展及时采集新影像用以更新调查成果。随着遥感影像的时间维度不断增加、数量越来越多,训练样本的需求进一步扩大,使得样本采集效率赶不上遥感数据的积累速度,带标注的样本相对而言越来越少。因此,训练样本的稀缺与时序影像的海量形成了矛盾,导致无法及时准确地对新时相遥感影像进行分类。
另一方面,多传感器/多时相数据具有多样性、异构性和不确定性,也存在由于成像设备、时间、地域不同而导致的数据集分布不一致问题。然而,对于传统的监督分类,根据独立等同分布假设,训练集和测试集需要服从相同的概率分布。同时,利用多传感器/多时相遥感影像对土地利用类型动态监测时,由于影像采集时间和条件不同,受物候差异、卫星传感器类型、大气条件等因素影响,不同时期、不同影像间存在光谱差异,不满足一般分类模型要求的等概率同分布的条件,因此过往采集的训练样本无法适用于新的遥感分类任务。这一问题即使在目视解译中也是存在的,例如国土三调内业信息提取工作手册指出,应该考虑因时相不同而造成地类影像特征的差异（图5）,分时相建立各土地利用类型的典型解译标志。总之,遥感信息处理技术和数据获取能力之间出现了严重的失衡。传统机器学习不能根据样本集自动地调整分类器,无法满足土地利用/土地覆盖解译的应用需求。即传统机器学习模型的单一适用性与多传感器/多时相影像的差异性产生了矛盾,导致每次对新影像都需要从头标注样本,进一步加剧了样本不足问题。
图5 同一地区不同时相的耕地Google Earth遥感影像对比

Fig. 5 Comparison of remote sensing images of cultivated land in the same area at different times

综上,在一幅新影像中,训练样本完全缺失或者数量有限,无法训练出新模型;而对于旧影像,尽管有充足的训练样本和训练成熟的旧模型,但旧模型却无法对新影像进行可靠地分类。这产生了另一个重要问题：对于多传感器/多时相影像,如何低成本、及时地实现土地利用分类?因此,多传感器/多时相影像的迁移学习是十分必要的,这是源于国土调查实践需求的重要研究问题。然而,目前的遥感迁移学习相关研究多集中于土地覆盖应用中、面向场景分类任务,而不能直接适用于国土调查的土地利用图像分类任务。

4.4 从土地覆盖到土地利用的语义鸿沟

对于遥感图像,低级特征是指数据附带的信息（如颜色和纹理等物理属性）,高级语义特征是与应用直接相关的特定知识。语义差距一般是指低级和高级语义特征之间的差异。仅使用低级语义特征可能不太准确,因为不同的对象可能具有相同的物理属性,而相同的对象可能具有不同的属性。
土地覆盖与土地利用之间同样存在语义鸿沟[95],其差异可以通过2个方面所体现。① 土地利用类别并不严格对应于实际土地覆盖类别。例如道路中央隔离带中的植被,在一些土地利用的应用中被划分为“交通运输用地”而非“林地”或“草地”。遥感影像仅仅是对土地覆盖情况的反映,而土地利用情况侧重于土地的社会经济属性,是土地覆盖与人工语义信息的结合。由于社会经济属性起着重要作用,却无法在遥感影像中捕获,因此仅基于影像上的土地覆盖物理信息不足以完全确定土地用途[110]。② 一个土地利用类别通常由多个土地覆盖类型综合构成。例如“水域”这一土地利用类别实际是由河流、堤坝共同构成的。这表明,相对土地覆盖类别,土地利用类别更综合抽象,体现了更高级别上的语义信息。
由于遥感影像自身不提供高级语义特征,为了克服从土地覆盖到土地利用的语义鸿沟、实现土地利用分类,目前有2种解决思路：① 为遥感影像直接提供高级语义标签（即土地利用类别标签）;②在提供土地覆盖标签的同时,聚合其他包含语义信息的数据源（即社会感知数据）。前者面临的挑战是,相对于带土地覆盖类别标签的样本,带土地利用类别标签的样本更稀缺,一般通过手动标注,因此存在4.2节所述的样本获取问题。更关键的是,使用高级语义标签训练模型,对特征提取能力要求很高。由于土地利用类别在光谱和结构等底层物理特征上具有异质性,因此模型必须具备足够的提炼高级语义特征的能力,以实现训练的稳定和收敛,如4.1节所述。后者面临的挑战主要是多源异构数据融合方面以及大数据处理方面的问题。将社会感知数据与遥感数据融合仍然是一个充满问题的高度复杂的过程,如此大量的数据需要先进的数据挖掘和处理技术以及足够的高性能计算基础设施。

5 结论与展望

现阶段的国土调查,要求范围广、精度高、时效快,存在人力物力财力投入巨大的问题与困难。遥感技术在国土调查中,从数据和方法两个方面发挥着作用。一方面,遥感数据已经在国土调查中发挥重要作用,并深刻影响了国土调查的作业方式,使其从“外业为主”逐步转变为“内业为主、外业为辅”,极大地降低了成本并增加了效益;另一方面,当前与未来一段时间,遥感技术在其中发挥作用的现实要求和重点在于发展与国土调查遥感数据特点相适应的自动化信息提取方法,其技术突破和难点在于高分辨率影像特征提取问题、大范围影像样本获取问题、多传感器/多时相影像的迁移学习问题以及多源异构数据融合4个方面。
随着自动化信息提取技术的不断进步,未来的国土调查遥感技术有望实现自动化、大范围、动态、及时的对地监测,在土地利用现状调查、土地利用变更调查、自然资源专项调查等方面发挥重要作用。国土调查遥感技术发展的未来方向包括：
（1）实现由人工解译方法向人工智能技术的转变。人工解译方法很大程度上依赖于研究人员的经验知识,难以实现更大时间、空间尺度及连续动态监测的推广使用。由于目前遥感数据获取能力的迅速提升,基于影像的分析方法渐渐向基于长时间序列分析演变,特别是用于专题土地利用变化的监测。深度学习算法在图像分析的应用近年来得到迅速发展,如何借鉴机器学习和深度学习领域新的技术手段提高土地利用信息提取能力是一个需要考虑的问题。
（2）国土调查遥感分类产品的准确性和一致性验证。现阶段的国土调查成果核查,是由国家组织专业队伍,对经省级检查合格的地方调查成果进行核查,检查图斑的地类、边界、属性标注等信息与实地现状的一致性和准确性,检查专项调查成果的正确性。在技术上,采用计算机自动比对与人机交互检查相结合,全面检查和抽样检查相结合,内业核查、“互联网+”在线核查和外业实地核查相结合的技术方法,检查成果数据与遥感影像、举证照片和实地现状的一致性和准确性。可以说,这种调查成果核查方案代价十分昂贵、比较耗时。由于全球土地覆盖产品与国土调查土地利用成果均是面向大范围区域的分类成果,前者存在的问题对后者具有启发意义。① 准确性验证：全球土地覆盖产品存在精度相对较低的问题。到目前为止,大多数土地覆盖图都无法达到许多应用所需的5%~15%的最大误差[111]。同样地,准确性也正是决定遥感自动化分类技术应用于国土调查的关键因素。准确性指标对于模型优化具有指导意义,因此如何实现科学、快速、低成本的准确性验证值得考虑。② 一致性验证：尽管在目前,国土调查的土地利用调查成果主要依赖人工、同一时期只有一套,但未来很可能会出现多套产品,如同全球土地覆盖产品一般。在此情况下,有必要对多套产品之间的一致性进行查验。全球土地覆盖相关的研究指出,现有的全球土地覆盖成果就存在很多不一致之处。因此,大范围土地覆盖产品准确性和一致性的机制也正在被构建,如全球尺度土地覆盖观测系统（Global Climate Observation System, GCOS 2012;Group on Earth Observation, GEO 2012[112]）。这类机制对于国土调查土地利用成果来说,同样具有重要意义。
（3）发展大范围土地利用生产的众包方式。研究表明,算法改进的贡献比起数据和训练样本的贡献一般要小。面对高分辨率、大范围、快速更新的遥感数据,国土调查遥感土地利用分类的关键突破点在于充足、类别平衡、类内具有多样性的高精样本集的获取。除了通过数据增强、迁移学习、主动学习等方式降低人工标注海量样本集的压力之外,新型的样本采集模式亦值得关注。众包数据是大数据时代的基础数据源,具有实时、传播速度快、信息稳健、成本低、数据量大等显著特点,已成为国际地理信息科学的研究热点[113,114,115]。使用众包数据构建的样本集利于在样本的多样性、数量和鲁棒性方面继续扩展,并有望进一步实现遥感弱监督学习。简而言之,众包数据为大范围遥感样本集的建立和完善提供了新的思路和研究方向。
（4）大范围土地利用数据的更新。目前的全国性国土调查,是基于单个或几个时间节点的瞬时观测,更新间隔约为10年。这难以体现土地利用年内或年际动态变化的过程。随着人类活动的加剧,土地利用年内和年际变化特征更加频繁和复杂化。如何充分利用由多源、多时相遥感数据融合形成的更高时间和空间分辨率的遥感大数据实现对大范围土地利用过程的综合、连续动态监测,成为未来国土调查遥感技术发展的关键之一。
总的来说,本文首先回顾了遥感科学与技术在国土调查中的应用现状,指出国土调查中遥感数据的重要性,分析遥感数据的高分辨率、大范围、多时相、多传感器等特点,并归纳现有遥感土地利用分类方法难以适应国土调查的关键因素,即高分辨率影像特征提取问题、大范围影像样本获取问题、多传感器/多时相影像的迁移学习问题以及多源异构数据融合问题;然后分别从这些因素上着眼,对相应的研究现状以及存在的问题与挑战进行了综述。最后,对国土调查遥感技术未来发展方向和应用进行了展望。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
国务院第三次全国国土调查领导小组办公室. 第三次全国国土调查内业信息提取工作手册[EB/OL].http://www.mnr.gov.cn/zt/td/dscqggtdc/zl/201906/t20190604_2439983.html, 2019-06-04.

[ The office for the third national land survey of the State Council. Information extraction manual for the third national land survey[EB/OL]. http://www.mnr.gov.cn/zt/td/dscqggtdc/zl/201906/t20190604_2439983.html, 2019-06-04.]

[2]
贺涌源, 戴磊. 测绘科学与技术在自然资源调查监测中的应用——以第三次国土调查为例[J]. 浙江国土资源, 2019,5:42-44.

[ He Y Y, Dai L. Application of surveying and mapping science and technology in natural resources survey and monitoring: Taking the third national land survey as an example[J]. Zhejiang Land & Resources, 2019,5:42-44. ] DOI: CNKI:SUN:ZJDZ.0.2019-05-021

DOI

[3]
何颖. 基于遥感技术的内业信息提取在第三次国土调查中的应用[D]. 长春:吉林大学, 2019.

[ He Y. The application of remote sensing-based information extraction in the third land survey[D]. Changchun: Jilin University, 2019. ]

[4]
周岩, 董金玮. 陆表水体遥感监测研究进展[J]. 地球信息科学学报, 2019,21(11):1768-1778.

DOI

[ Zhou Y, Dong J W. Review on monitoring open surface water body using remote sensing[J]. Journal of Geo-information Science, 2019,21(11):1768-1778. DOI: 10.12082/dqxxkx.2019.190518

DOI

[5]
董金玮, 吴文斌, 黄健熙, 等. 农业土地利用遥感信息提取的研究进展与展望[J]. 地球信息科学学报, 2020,22(4):772-783.

DOI

[ Dong J W, Wu W B, Huang J X, et al. State of the art and perspective of agricultural land use remote sensing information extraction[J]. Journal of Geo-information Science, 2020,22(4):772-783. DOI: 10.12082/dqxxkx.2020.200192

DOI

[6]
李建平, 张柏, 张泠, 等. 湿地遥感监测研究现状与展望[J]. 地理科学进展, 2007,26(1):33-43.

[ Li J P, Zhang B, Zhang L, et al. Research status and prospects of wetland remote sensing monitoring[J]. Progress in Geography, 2007,26(1):33-43. DOI: 10.3969/j.issn.1007-6301.2007.01.004

DOI

[7]
张树文, 颜凤芹, 于灵雪, 等. 湿地遥感研究进展[J]. 地理科学, 2013,33(11):1406-1412.

DOI

[ Zhang S W, Yan F Q, Yu L X, et al. Research progress of wetland remote sensing. Scientia Geographica Sinica, 2013,33(11):1406-1412. ] DOI: CNKI:SUN:DLKX.0.2013-11-018

DOI

[8]
朱明, 李加明, 许泉立, 等. 1949-1999年中国国土调查科学技术发展研究[J]. 昆明理工大学学报(自然科学版), 2019,44(4):40-47.

[ Zhu M, Li J M, Xu Q L, et al. Research on the development of science and technology in China's land survey from 1949 to 1999[J]. Journal of Kunming University of Science and Technology(Social Sciences Edition), 2019,44(4):40-47. ] DOI: CNKI:SUN:KMLG.0.2019-04-008

DOI

[9]
仇大海. 3S技术在第二次全国土地调查中的应用[D]. 北京:中国地质大学(北京), 2008.

[ Qiu D H. Application of 3S technology in the second national land survey[D]. Beijing: China University of Geosciences(Beijing), 2008. ] DOI: CNKI:CDMD:2.2008.068234

DOI

[10]
马平华, 刘永宏. 浅谈遥感技术在第二次土地调查中的应用[J]. 中国科技信息, 2010,17:51-52.

[ Ma P H, Liu Y H. Application of remote sensing technology in the second land survey[J]. China Science and Technology Information, 2010,17:51-52. ] DOI: 10.3969/j.issn.1001-8972.2010.17.019

DOI

[11]
张增祥, 汪潇, 温庆可, 等. 土地资源遥感应用研究进展[J]. 遥感学报, 2016,20(5):1243-1258.

[ Zhang Z X, Wang X, Wen Q K, et al. Progress on the remote sensing application of land resources[J]. Journal of Remote Sensing, 2016,20(5):1243-1258. ] DOI: 10.11834/jrs.20166149

DOI

[12]
李伯衡. 利用卫片制图进行全国土地利用现状概查的基本方法和进展[J]. 中国农业资源与区划, 1983,1:77-83.

[ Li B H. Basic methods and progress of national land use survey using satellite mapping[J]. Chinese Journal of Agricultural Resources and Regional Planning, 1983,1:77-83. ] DOI: 10.7621/cjarrp.1005-9121.19830108

DOI

[13]
刘常娟. 面向对象分类方法在土地调查中的可行性研究[D]. 长沙:中南大学, 2009.

[ Liu C J. Feasibility study of object-oriented classification method in land survey[D]. Changsha: Central South University, 2009. ] DOI: 10.7666/d.y1325692

DOI

[14]
国土资源部. 第二次全国土地调查:卫星遥感影像覆盖国土[EB/OL].http://www.mnr.gov.cn/dt/zb/2013/edcg/, 2013-12-30.

[The Ministry of Land and Resources. The second national land survey: Satellite remote sensing images cover the country[EB/OL]. http://www.mnr.gov.cn/dt/zb/2013/edcg/, 2013-12-30.]

[15]
国务院第三次全国国土调查领导小组办公室. 第三次全国国土调查实施方案[EB/OL].http://gi.mnr.gov.cn/201811/t20181120_2367135.html, 2018-11-19.

[ Office for the third national land survey of the State Council. Implementation plan for the third national land survey[EB/OL]. http://gi.mnr.gov.cn/201811/t20181120_2367135.html, 2018-11-19.]

[16]
高平. 国土资源卫星遥感应用与发展[J]. 卫星应用, 2016,7:27-29.

[ Gao P. Application and development of satellite remote sensing for land and resources[J]. Satellite Application, 2016,7:27-29. ] DOI: CNKI:SUN:WXYG.0.2016-07-012

DOI

[17]
孙禧勇, 苗菁, 王锦, 等. 高分遥感影像在第三次全国国土调查中的应用潜力评价——以重庆市为例[J]. 河南科学, 2018,36(11):98-108.

[ Sun X Y, Miao J, Wang J, et al. Evaluation of the application potentiality of high-resolution remote sensing images in the third national land survey: A case study of Chongqing[J]. Henan Science, 2018,36(11):98-108. ] DOI: 10.3969/j.issn.1004-3918.2018.11.015

DOI

[18]
张颢骞. 高分遥感影像在第三次全国国土调查中的应用价值分析[J]. 建材与装饰, 2019(32):241-242.

[ Zhang H Q. Analysis of the application value of high-resolution remote sensing images in the third national land survey[J]. Construction Materials & Decoration, 2019(32):241-242. ] DOI: CNKI:SUN:JCYS.0.2019-32-180

DOI

[19]
宋玉今. 卫星遥感技术在国土资源调查中的应用[J]. 现代商业, 2010,36:61-61.

[ Song Y J. Application of satellite remote sensing technology in land resources survey[J]. Modern Business, 2010,36:61-61. ] DOI: CNKI:SUN:XDBY.0.2010-36-039

DOI

[20]
吴凤敏, 胡艳, 陈静, 等. 自然资源调查监测的历史、现状与未来[J]. 测绘与空间地理信息, 2019,42(10):42-44.

[ Wu F M, Hu Y, Chen J, et al. The history, current situation and future of natural resources survey and monitoring[J]. Geomatics & Spatial Information Technology, 2019,42(10):42-44. ] DOI: CNKI:SUN:DBCH.0.2019-10-013

DOI

[21]
Loveland T, Brown D, Ohlen B, et al. ISLSCP II IGBP DISCover and SiB Land Cover, 1992-1993[J]. ORNL DAAC, 2009. DOI: 10.3334/ORNLDAAC/930

DOI

[22]
Hansen M, DeFries R, Townshend J R G, et al. Land cover classification derived from AVHRR[J]. College Park, Maryland: The Global Land Cover Facility, 1998.

[23]
Friedl M A, Strahler A H, Hodges J. ISLSCP II MOIDS (Collection 4) IGBP Land Cover, 2000-2001[J]. ORNL DAAC, 2010. DOI: 10.3334/ORNLDAAC/968

DOI

[24]
Chen J, Chen J, Liao A, et al. Global land cover mapping at 30 m resolution: A POK-based operational approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015(103):7-27. DOI: 10.1016/j.isprsjprs.2014.09.002

DOI

[25]
Gong P, Liu H, Zhang M, et al. Stable classification with limited sample: Transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Science Bulletin, 2019,64(6):370-373. DOI: 10.1016/j.scib.2019.03.002

DOI

[26]
马霭乃. 遥感目视解译的基本理论与方法[J]. 遥感信息, 1987(3):28-31.

[ Ma A N. Basic theory and method of remote sensing visual interpretation[J]. Remote Sensing Information, 1987(3):28-31. ] DOI: CNKI:SUN:YGXX.0.1987-03-012

DOI

[27]
杨军义. 遥感影像目视解译在第二次全国土地调查中的应用[J]. 甘肃科技, 2011,27(9):74-76.

[ Yang J Y. Application of visual interpretation of remote sensing image in the second national land survey[J]. Gansu Science and Technology, 2011,27(9):74-76. ]

[28]
杨毅柠, 宋微. 国土调查中的遥感目视解译与矢量化方法研究[J]. 环境保护与循环经济, 2009,29(10):20-23.

[ Yang Y N, Song W. Research on remote sensing visual interpretation and vectorization in land survey[J]. Environmental Protection and Circular Economy, 2009,29(10):20-23. ] DOI: CNKI:SUN:LNCX.0.2009-10-010

DOI

[29]
吴笛, 吴满意. 青海省第二次全国土地调查中遥感影像目视解译的研究[J]. 科技信息, 2010(7):38-39.

[ Wu D, Wu M Y. Study on visual interpretation of remote sensing images in the second national land survey of Qinghai Province[J]. Science & Technology Information, 2010(7):38-39. ]

[30]
蔡秀梅, 万发贯. 遥感数据计算机分类在土地调查中的应用[J]. 华中理工大学学报, 1990,18(5):139-146.

[ Cai X M, Wan F G. Application of computer classification of remote sensing data in land survey[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition), 1990,18(5):139-146. ] DOI: CNKI:SUN:HZLG.0.1990-05-028

DOI

[31]
陈玲. 土地利用更新调查中遥感图像分类的方法和精度对比的研究[D]. 太原:太原理工大学, 2010.

[ Chen L. Research on the method and accuracy comparison of remote sensing image classification in land use update survey[D]. Taiyuan: Taiyuan University of Technology, 2010. ] DOI: 10.7666/d.d083012

DOI

[32]
李恒利. 土地利用调查与动态监测的遥感方法研究[D]. 太原:太原理工大学, 2007.

[ Li H L. Research on remote sensing method for land use survey and dynamic monitoring[D]. Taiyuan: Taiyuan University of Technology, 2007. ] DOI: 10.7666/d.y1202337

DOI

[33]
陈晓宁, 叶满珠. 第二次土地调查计算机解译探讨[J]. 北京测绘, 2011(2):12-16.

[ Chen X N, Ye M Z. The computer interpretation of the second land survey[J]. Beijing Surveying and Mapping, 2011(2):12-16. ] DOI: 10.3969/j.issn.1007-3000.2011.02.004

DOI

[34]
张秀英, 杨敏华, 刘常娟, 等. 面向对象遥感分类新技术在第二次土地调查中的应用[J]. 遥感信息, 2008(3):77-80.

[ Zhang X, Yang M H, Liu C J, et al. Application of new object-oriented remote sensing classification technology in the second land survey[J]. Remote Sensing Information, 2008(3):77-80. ] DOI: 10.3969/j.issn.1000-3177.2008.03.016

DOI

[35]
徐健, 陈向阳, 张海霞, 等. 面向对象分类方法在全国第二次土地调查中的应用[J]. 测绘技术装备, 2009,11(2):32-32.

[ Xu J, Chen X Y, Zhang H X, et al. Application of object-oriented classification method in the second national land survey[J]. Geomatics Technology and Equipment, 2009,11(2):32-32. ]

[36]
Jain A K. Data clustering: 50 years beyond K-means[J]. Pattern Recognition Letters, 2010,31(8):651-666. DOI: 10.1016/j.patrec.2009.09.011

DOI

[37]
李石华, 王金亮, 毕艳, 等. 遥感图像分类方法研究综述[J]. 国土资源遥感, 2005,2:1-6.

[ Li S H, Wang J L, Bi Y, et al. A review on classification methods of remote sensing images[J]. Remote Sensing For Land & Resources, 2005,2:1-6. ] DOI: 10.3969/j.issn.1001-070X.2005.02.001

DOI

[38]
曹宝, 秦其明, 马海建, 等. 面向对象方法在SPOT5遥感图像分类中的应用——以北京市海淀区为例[J]. 地理与地理信息科学, 2006,22(2):46-49.

[ Cao B, Qin Q M, Ma H J, et al. Application of object-oriented method in SPOT5 remote sensing image classification: A case study of Haidian District, Beijing[J]. Geography and Geo-information Science, 2006,22(2):46-49. ] DOI: 10.3969/j.issn.1672-0504.2006.02.012

DOI

[39]
Hay G J, Blaschke T. Geographic object-based image analysis (GEOBIA)[J]. Photogrammetric Engineering & Remote Sensing, 2010,76(2):121-122.

[40]
Zhang L, Zhang L, Du B. Deep learning for remote sensing data: A technical tutorial on the state of the art[J]. IEEE Geoscience and Remote Sensing Magazine, 2016,4(2):22-40. DOI: 10.1109/MGRS.2016.2540798

DOI

[41]
龚健雅. 人工智能时代测绘遥感技术的发展机遇与挑战[J]. 武汉大学学报·信息科学版, 2018,43(12):1788-1796.

[ Gong J Y. Development opportunities and challenges of surveying and mapping and remote sensing technology in the era of artificial intelligence. Geomatics and Information Science of Wuhan University, 2018,43(12):1788-1796. ] DOI: CNKI:SUN:WHCH.0.2018-12-005

DOI

[42]
Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015,521(7553):436. DOI: 10.1038/nature14539

DOI

[43]
Han W, Feng R, Wang L, et al. A semi-supervised generative framework with deep learning features for high-resolution remote sensing image scene classification[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2018,145:23-43. DOI: 10.1016/j.isprsjprs.2017.11.004

DOI

[44]
Huang X, Weng C, Lu Q, et al. Automatic labelling and selection of training samples for high-resolution remote sensing image classification over urban areas[J]. Remote Sensing, 2015,7:16024-16044. DOI: 10.3390/rs71215819

DOI

[45]
Li W, Hsu C Y. Automated terrain feature identification from remote sensing imagery: A deep learning approach[J]. International Journal of Geographical Information Science, 2020,34(4):637-660. DOI: 10.1080/13658816.2018.1542697

DOI

[46]
Niyogi P, Girosi F, Poggio T. Incorporating prior information in machine learning by creating virtual examples[J]. Proceedings of the IEEE, 1998,86(11):2196-2209. DOI: 10.1109/5.726787

DOI

[47]
Elkan C. The foundations of cost-sensitive learning[C]. International Joint Conference on Artificial Intelligence, 2001.

[48]
Freund Y, Schapire R E. A decision-theoretic generalization of on-line learning and an application to boosting[J]. Journal of Computer and System Sciences, 1997,55:119-139. DOI: 10.1006/jcss.1997.1504

DOI

[49]
Tax D. One-class classification[D]. Delft University of Technology, Delft, Netherlands, 2001.

[50]
Hong X, Chen S, Harris C J. A kernel-based two-class classifier for unbalanced data sets[J]. IEEE Transactions on Neural Networks, 2007,18(1):28-41. DOI: 10.1109/TNN.2006.882812

DOI PMID

[51]
Japkowicz N, Stephen S. The class imbalance problem: A systematic study[J]. Intelligent Data Analysis, 2002,6(5):429-449. DOI: 10.3233/ida-2002-6504

DOI

[52]
Jain A, Zongker D. Feature selection: Evaluation, application, and small sample performance[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997,19(2):153-158. DOI: 10.1109/34.574797

DOI

[53]
Guyon I, Elisseef A. An introduction to variable and feature selection[J]. Journal of Machine Learning Research, 2003,3:1157-1182.

[54]
Maldonado S, Weber R, Famili F. Feature selection for high-dimensional class-unbalanced data sets using Support Vector Machines[J]. Information Sciences, 2014,286:228-246. DOI: 10.1016/j.ins.2014.07.015

DOI

[55]
Chawla N V, Bowyer K W, Hall L O, et al. SMOTE: Synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2002,16:321-357. DOI: 10.1613/jair.953

DOI

[56]
Chawla N V, Lazarevic A, Hall L O, et al. SMOTEBoost: Improving prediction of the minority class in boosting[C]. European Conference on Principles of Data Mining and Knowledge Discovery, Heidelberg, Berlin, 2003. DOI: 10.1007/978-3-540-39804-2_12

DOI

[57]
Douzas G, Bacao F. Effective data generation for unbalanced learning using conditional generative adversarial networks[J]. Expert Systems with Applications, 2018,91:464-471. DOI: 10.1016/j.eswa.2017.09.030

DOI

[58]
Wang S, Yao X. Diversity analysis on imbalanced data sets by using ensemble models[C]. IEEE Symposium on Computational Intelligence and Data Mining, 2009. DOI: 10.1109/CIDM.2009.4938667

DOI

[59]
Jo T, Japkowicz N. Class imbalances versus small disjuncts[J]. ACM SIGKDD Explorations Newsletter, 2004,6(1):40-49. DOI: 10.1145/1007730.1007737

DOI

[60]
Chen F, Chen J, Wu H, et al. A landscape shape index-based sampling approach for land cover accuracy assessment[J]. Science China Earth Sciences, 2016,59:2263-2274. DOI: 10.1007/s11430-015-5280-5

DOI

[61]
Huang H, Wang J, Liu C, et al. The migration of training samples towards dynamic global land cover mapping[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020,161:27-36. DOI: 10.1016/j.isprsjprs.2020.01.010

DOI

[62]
吴田军, 骆剑承, 夏列钢, 等. 迁移学习支持下的遥感影像对象级分类样本自动选择方法[J]. 测绘学报, 2014,43(9):908-916.

[ Wu T J, Luo J C, Xia L G, et al. Automatic sample selection method for object-level classification of remote sensing images supported by transfer learning[J]. Acta Geodaetica et Cartographica Sinica, 2014,43(9):908-916. ] DOI: 10.13485/j.cnki.11-2089.2014.0163

DOI

[63]
Li X, Zhang L, Du B, Zhang L, et al. Iterative reweighting heterogeneous transfer learning framework for supervised remote sensing image classification[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017,10(5):2022-2035. DOI: 10.1109/JSTARS.2016.2646138

DOI

[64]
Tuia D, Pasolli E, Emery W. Using active learning to adapt remote sensing image classifiers[J]. Remote Sensing of Environment, 2011,115(9):2232-2242. DOI: 10.1016/j.rse.2011.04.022

DOI

[65]
Demir B, Bovolo F, Bruzzone L. Updating land-cover maps by classification of image time series: A novel change-detection-driven transfer learning approach[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013,51(1):300-312. DOI: 10.1109/TGRS.2012.2195727

DOI

[66]
Matasci G, Volpi M, Kanevski M, et al. Semisupervised transfer component analysis for domain adaptation in remote sensing image classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2015,53(7):3550-3564. DOI: 10.1109/TGRS.2014.2377785

DOI

[67]
Banerjee B, Bovolo F, Bhattacharya A, et al. A novel graph-matching-based approach for domain adaptation in classification of remote sensing image pair[J]. IEEE Transactions on Geoscience & Remote Sensing, 2015,53(7):4045-4062. DOI: 10.1109/TGRS.2015.2389520

DOI

[68]
Shi Q, Du B, Zhang L. Domain adaptation for remote sensing image classification: A low-rank reconstruction and instance weighting label propagation inspired algorithm[J]. IEEE Transactions on Geoscience & Remote Sensing, 2015,53(10):5677-5689. DOI: 10.1109/TGRS.2015.2427791

DOI

[69]
Bruzzone L, Diego F P. Unsupervised retraining of a maximum likelihood classifier for the analysis of multitemporal remote sensing images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2001,39(2):456-460. DOI: 10.1109/36.905255

DOI

[70]
Bruzzone L, Marconcini M. Domain adaptation problems: A DASVM classification technique and a circular validation strategy[J]. IEEE Transactions on Software Engineering, 2010,32(5):770-787. DOI: 10.1109/TPAMI.2009.57

DOI

[71]
Sun Z, Wang C, Wang H, et al. Learn multiple-kernel SVMs for domain adaptation in hyperspectral data[J]. IEEE Geoscience and Remote Sensing Letters, 2013,10(5),1224-1228. DOI: 10.1109/LGRS.2012.2236818

DOI

[72]
Bahirat K. A novel domain adaptation bayesian classifier for updating land-cover maps with class differences in source and target domains[J]. IEEE Transactions on Geoscience & Remote Sensing, 2012,50(7):2810-2826. DOI: 10.1109/TGRS.2011.2174154

DOI

[73]
Persello C, Bruzzone L. Active learning for domain adaptation in the supervised classification of remote sensing images[J]. IEEE Transactions on Geoscience & Remote Sensing, 2012,50(11):4468-4483. DOI: 10.1109/TGRS.2012.2192740

DOI

[74]
Bruzzone L, Marconcini M. Toward the automatic updating of land-cover maps by a domain-adaptation SVM classifier and a circular validation strategy[J]. IEEE Transactions on Geoscience & Remote Sensing, 2009,47(4):1108-1122. DOI: 10.1109/TGRS.2008.2007741

DOI

[75]
Liu Y, Li X. Domain adaptation for land use classification: A spatio-temporal knowledge reusing method[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,98:133-144. DOI: 10.1016/j.isprsjprs.2014.09.013

DOI

[76]
Elshamli A, Taylor G W, Berg A, et al. Domain adaptation using representation learning for the classification of remote sensing images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017,10(9):4198-4209. DOI: 10.1109/JSTARS.2017.2711360

DOI

[77]
Tuia D, Munoz-Mari J, Gomez-Chova L, et al. Graph matching for adaptation in remote sensing[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013,51(1):329-341. DOI: 10.1109/TGRS.2012.2200045

DOI

[78]
Bruzzone L, Diego F P. A partially unsupervised cascade classifier for the analysis of multitemporal remote-sensing images[J]. Pattern Recognition Letters, 2002,23(9):1063-1071. DOI: 10.1016/S0167-8655(02)00053-3

DOI

[79]
Penatti O, Nogueira K, Santos, J. Do deep features generalize from everyday objects to remote sensing and aerial scenes domains?[C]. Proceedings of the IEEE conference on Computer Vision and Pattern Recognition Workshops, 2015. DOI: 10.1109/cvprw.2015.7301382

DOI

[80]
许夙晖, 慕晓冬, 张雄美, 等. 结合对抗网络与辅助任务的遥感影像无监督域适应方法[J]. 测绘学报, 2017,46(12):1969-1977.

[ Xu S H, Mu X D, Zhang X M, et al. Unsupervised domain adaptation method of remote sensing images combined with adversarial network and auxiliary tasks[J]. Acta Geodaetica et Cartographica Sinica, 2017,46(12):1969-1977. ] DOI: 10.11947/j.AGCS.2017.20170291

DOI

[81]
Dong J, Zhuang D, Huang Y, et al. Advances in multi-sensor data fusion: Algorithms and applications[J]. Sensors, 2009,9(10):7771-7784. DOI: 10.3390/s91007771

DOI

[82]
Zhang J. Multi-source remote sensing data fusion: status and trends[J]. International Journal of Image and Data Fusion, 2010,1(1):5-24. DOI: 10.1080/19479830903561035

DOI

[83]
Dalla Mura M, Prasad S, Pacifici F, et al. Challenges and opportunities of multimodality and data fusion in remote sensing[J]. Proceedings of the IEEE, 2015,103(9):1585-1601. DOI: 10.1109/JPROC.2015.2462751

DOI

[84]
Schmitt M, Zhu X X. Data fusion and remote sensing: An ever-growing relationship[J]. IEEE Geoscience and Remote Sensing Magazine, 2016,4(4):6-23. DOI: 10.1109/MGRS.2016.2561021

DOI

[85]
Joshi N, Baumann M, Ehammer A, et al. A review of the application of optical and radar remote sensing data fusion to land use mapping and monitoring[J]. Remote Sensing, 2016,8(1):70. DOI: 10.3390/rs8010070

DOI

[86]
Shi Y, Qi Z, Liu X, et al. Urban land use and land cover classification using multisource remote sensing images and social media data[J]. Remote Sensing, 2019,11(22):2719. DOI: 10.3390/rs11222719

DOI

[87]
Liu Y, Liu X, Gao S, et al. Social sensing: A new approach to understanding our socioeconomic environments[J]. Annals of the Association of American Geographers, 2015,105(3):512-530. DOI: 10.1080/00045608.2015.1018773

DOI

[88]
Cao R, Zhu J, Tu W, et al. Integrating aerial and street view images for urban land use classification[J]. Remote Sensing, 2018,10(10):1553. DOI: 10.3390/rs10101553

DOI

[89]
Qin Y, Chi M, Liu X, et al. Classification of high resolution urban remote sensing images using deep networks by integration of social media photos[C]. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium. 2018:7243-7246. DOI: 10.1109/IGARSS.2018.

DOI

8518538

[90]
Zhang Y, Li Q, Huang H, et al. The combined use of remote sensing and social sensing data in fine-grained urban land use mapping: A case study in Beijing, China[J]. Remote Sensing, 2017,9(9):865. DOI: 10.3390/rs9090865

DOI

[91]
Andrade R, Alves A, Bento C. POI mining for land use classification: A case study[J]. ISPRS International Journal of Geo-Information, 2020,9(9):493. DOI: 10.3390/ijgi9090493

DOI

[92]
Jia Y, Ge Y, Ling F, et al. Urban land use mapping by combining remote sensing imagery and mobile phone positioning data[J]. Remote Sensing, 2018,10(3):446. DOI: 10.3390/rs10030446

DOI

[93]
Anugraha A S, Chu H J. Land use classification from combined use of remote sensing and social sensing data[J]. International Archives of the Photogrammetry, Remote Sensing & Spatial Information Sciences, 2018,42(4). DOI: 10.5194/isprs-archives-XLII-4-33-2018

DOI

[94]
Li W. Mapping urban land use by combining multi-source social sensing data and remote sensing images[J]. Earth Science Informatics, 2021:1-9. DOI: 10.1007/s12145-021-00624-3

DOI

[95]
Liu X, He J, Yao Y, et al. Classifying urban land use by integrating remote sensing and social media data[J]. International Journal of Geographical Information Science, 2017,31(8):1675-1696. DOI: 10.1080/13658816.2017.1324976

DOI

[96]
Huang Z, Qi H, Kang C, et al. An ensemble learning approach for urban land use mapping based on remote sensing imagery and social sensing data[J]. Remote Sensing, 2020,12(19):3254. DOI: 10.3390/rs12193254

DOI

[97]
Yin J, Dong J, Hamm N A S, et al. Integrating remote sensing and geospatial big data for urban land use mapping: A review[J]. International Journal of Applied Earth Observation and Geoinformation, 2021,103:102514. DOI: 10.1016/j.jag.2021.102514

DOI

[98]
Wang H, Skau E, Krim H, et al. Fusing heterogeneous data: A case for remote sensing and social media[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018,56(12):6956-6968. DOI: 10.1109/TGRS.2018.2846199

DOI

[99]
Li J, Benediktsson J A, Zhang B, et al. Spatial technology and social media in remote sensing: A survey[J]. Proceedings of the IEEE, 2017,105(10):1855-1864. DOI: 10.1109/JPROC.2017.2729890

DOI

[100]
Qi L, Li J, Wang Y, et al. Urban observation: Integration of remote sensing and social media data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019,12(11):4252-4264. DOI: 10.1109/JSTARS.2019.2908515

DOI

[101]
Lowe D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004,60(2):91-110. DOI: 10.1023/B:VISI.0000029664.99615.94

DOI

[102]
Dalal N, Triggs B. Histograms of oriented gradients for human detection [C]. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2005. DOI: 10.1109/CVPR.2005.177

DOI

[103]
Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2002,24(7):971-987. DOI: 10.1109/tpami.2002.1017623

DOI

[104]
Burges C J C. A tutorial on support vector machines for pattern recognition[J]. Data Mining & Knowledge Discovery, 1998,2(2):121-167. DOI: 10.1023/A:1009715923555

DOI

[105]
明冬萍, 骆剑承, 周成虎, 等. 高分辨率遥感影像信息提取及块状基元特征提取[J]. 数据采集与处理, 2005,20(1):34-39.

[ Ming D P, Luo J C, Zhou C H, et al. Information extraction and block primitive feature extraction of high-resolution remote sensing images[J]. Journal of Data Acquisition & Processing, 2005,20(1):34-39. ] DOI: CNKI:SUN:SJCJ.0.2005-01-006

DOI

[106]
Van Niel T G, McVicar T R, Datt B. On the relationship between training sample size and data dimensionality: Monte Carlo analysis of broadband multi-temporal classification[J]. Remote Sensing of Environment, 2005,98(4):468-480. DOI: 10.1016/j.rse.2005.08.011

DOI

[107]
Shahshahani B M, Landgrebe D A. The effect of unlabeled samples in reducing the small sample size problem and mitigating the Hughes phenomenon[J]. IEEE Transactions on Geoscience & Remote Sensing, 1994,32(5):1087-1095. DOI: 10.1109/36.312897

DOI

[108]
Weiss G M, Provost F. Learning when training data are costly: The effect of class distribution on tree induction[J]. Journal of Artificial Intelligence Research, 2003,19:315-354. DOI: 10.1613/jair.1199

DOI

[109]
Chawla N V, Japkowicz N, Kotcz A. Special issue on learning from unbalanced data sets[J]. ACM SIGKDD Explorations Newsletter, 2004,6:1-6. DOI: 10.1145/1007730.1007733

DOI

[110]
刘纪远, 张增祥, 张树文, 等. 中国土地利用变化遥感研究的回顾与展望——基于陈述彭学术思想的引领[J]. 地球信息科学学报, 2020,22(4):680-687.

DOI

[ Liu J Y, Zhang Z X, Zhang S W, et al. Innovation and development of remote sensing-based land use change studies based on Shupeng Chen's academic thoughts[J]. Journal of Geo-information Science, 2020,22(4):680-687. DOI: 10.12082/dqxxkx.2020.200052.

DOI

[111]
Liu L, Zhang X, Gao Y, et al. Finer-resolution mapping of global land cover: Recent developments, consistency analysis, and prospects[J]. Journal of Remote Sensing, 2021,11(12):14. DOI: 10.34133/2021/5289697

DOI

[112]
Mora B, Tsendbazar N E, Herold M, et al. Global land cover mapping: Current status and future trends[M]. Land Use and Land Cover Mapping in Europe. Springer, Dordrecht, 2014:11-30. DOI: 978-94-007-7968-6

DOI

[113]
Li H, Dou X, Tao C, et al. RSI-CB: A large scale remote sensing image classification benchmark via crowdsource data[J]. arXiv preprint arXiv: 1705.10450, 2017. DOI: 10.3390/s20061594

DOI

[114]
Bayas JCL, Lesiv M, Waldner F, et al. A global reference database of crowdsourced cropland data collected using the Geo-Wiki platform[J]. Scientific Data, 2017,4(1):1-10. DOI: 10.1038/sdata.2017.136

DOI

[115]
Fritz S, McCallum I, Schill C, et al. Geo-Wiki: An online platform for improving global land cover[J]. Environmental Modelling & Software, 2012,31:110-123. DOI: 10.1016/j.envsoft.2011.11.015

DOI

Options
文章导航

/

〈 〉