EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 4: 799 - 830

DOI: https://doi.org/10.12082/dqxxkx.2024.230747

地球信息科学理论与方法

地理时空数字化底座理论框架构建与应用实践

  • 吴田军 , 1 ,
  • 骆剑承 , 2, 3, * ,
  • 李曼嘉 2, 3 ,
  • 张静 2, 3 ,
  • 赵馨 4 ,
  • 胡晓东 5 ,
  • 左进 6 ,
  • 闵帆 7 ,
  • 王玲玉 8 ,
  • 黄启厅 9
展开
  • 1.长安大学土地工程学院，西安 710064
  • 2.中国科学院空天信息创新研究院 遥感科学国家重点实验室，北京 100101
  • 3.中国科学院大学资源与环境学院，北京 100049
  • 4.贵州师范大学地理与环境科学学院/喀斯特研究院，贵阳 550001
  • 5.浙江科技学院 信息与电子工程学院，杭州 310023
  • 6.天津大学建筑学院，天津 300072
  • 7.西南石油大学计算机科学学院，成都 610500
  • 8.贵州轻工职业技术学院信息工程系，贵阳 550025
  • 9.广西农业科学院农业科技信息研究所，南宁 530007
* 骆剑承（1970— ），男，浙江杭州人，博士，研究员，主要从事智能遥感分析与地理信息应用研究。
E-mail:

吴田军（1986— ），男，浙江嘉兴人，博士，副教授，主要从事智能遥感分析与地理信息应用研究。
E-mail:

收稿日期: 2023-12-14

  修回日期: 2024-01-13

  网络出版日期: 2024-05-11

基金资助

国家自然科学基金项目(42071316)

国家自然科学基金项目(42201413)

国家重点研发计划项目(2021YFB3900905)

内蒙古自治区科技重大专项(2021ZD0045)

重庆市农业产业数字化地图项目(21C00346)

收起

Theoretical Framework Construction and Application Practice of the Geographic Spatiotemporal Digital Base

  • WU Tianjun , 1 ,
  • LUO Jiancheng , 2, 3 ,
  • LI Manjia 2, 3 ,
  • ZHANG Jing 2, 3 ,
  • ZHAO Xin 4 ,
  • HU Xiaodong 5 ,
  • ZUO Jin 6 ,
  • MIN Fan 7 ,
  • WANG Lingyu 8 ,
  • HUANG Qiting 9
Expand
  • 1. School of Land Engineering, Chang'an University, Xi'an 710064, China
  • 2. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China
  • 3. College of Resources and Environment, University of Chinese Academy of Sciences, Beijing 100049, China
  • 4. School of Geography and Environmental Science/Institute of Karst Science, Guizhou Normal University, Guiyang 550001, China
  • 5. School of Information and Electronic Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, China
  • 6. School of Architecture, TianjinUniversity, Tianjin 300072, China
  • 7. School of Computer Science, Southwest Petroleum University, Chengdu 610500, China
  • 8. Department of Information Engineering, GuiZhou Light Industry Technical College, Guiyang 550025, China
  • 9. Agricultural Science and Technology Information Research Institute, Guangxi Academy of Agricultural Sciences, Nanning 530007, China
* LUO Jiancheng, E-mail:

Received date: 2023-12-14

  Revised date: 2024-01-13

  Online published: 2024-05-11

Supported by

National Natural Science Foundation of China(42071316)

National Natural Science Foundation of China(42201413)

National Key Research and Development Program of China(2021YFB3900905)

Science and Technology Project of Inner Mongolia Autonomous Region(2021ZD0045)

the Project of Chongqing Agricultural Industry Digital Map(21C00346)

Fold

摘要

随着高质量发展成为全面建设社会主义现代化国家的首要任务，地理时空信息支撑国家和地方社会经济发展的重要性被提到新的高度。本文面向高质量发展对地理时空信息赋能提出的迫切需求，先从复杂地表系统表达、时空不确定性分析、地理空间智能计算等视角出发，全面综述地理时空表达计算理论方法的研究现状，进而以解构复杂地表、解析精准参数为问题驱动，提出“地理时空数字化底座”的相关理论思考与研究思路，概述了其中的基本概念与技术要点，重点分析了复杂地表系统的多重表达与知识关联、空间形态约束谱序特征重建的不确定性分析、“星-地-人”协同的信号传递与优化控制3个关键科学问题，从“全域空间可解构”、“局部空间可解析”、“空间之间可传递”3个目标切入串联“空间表达”与“参数计算”前后两阶段，阐释了可靠表达、可信分析、可控计算的难点所在及可行求解路径。在此基础上，重点以农业生产空间的监测监管为需求导向，介绍了数字化底座的农业应用案例，通过展示其搭建过程与综合智能计算实施效果，说明底座之上承载并组合发挥时空数据要素的保障优势和基础性支撑作用，彰显了为复杂山地现代农业发展提供高品质时空信息服务的潜能。

关键词： 高质量发展; 时空信息; 复杂地表系统; 地理时空数字化底座; 可靠表达; 可信分析; 可控计算; 数字农业应用

本文引用格式

吴田军 , 骆剑承 , 李曼嘉 , 张静 , 赵馨 , 胡晓东 , 左进 , 闵帆 , 王玲玉 , 黄启厅 . 地理时空数字化底座理论框架构建与应用实践[J]. 地球信息科学学报, 2024 , 26(4) : 799 -830 . DOI: 10.12082/dqxxkx.2024.230747

Abstract

With high quality development becoming the primary task of comprehensively building a socialist modernized country, the importance of geographic spatiotemporal information in supporting national and local socio-economic development has been raised to new heights. Based on the urgent need for high-quality development to empower geographic spatiotemporal information, this paper first comprehensively reviews the theoretical and methodological research status of geographic spatiotemporal expression and computation from the perspectives of complex land surface system expression, spatiotemporal uncertainty analysis, and geographic spatial intelligent computing. It is pointed out that there is an urgent need to update concepts, integrate across borders, and innovate technologies to improve the production level of spatiotemporal information products and assist in the high-quality transformation and development of social and economic activities in the three living spaces. Furthermore, driven by the problems of deconstructing complex land surface and analyzing precise parameters, we propose relevant theoretical thinking and research ideas of geographic spatiotemporal digital base (GST-DB) with an overview of basic concepts and technical points. The GST-DB is based on the uniqueness and distribution of time and space, and is proposed by three basic elements around brackets, containers, and engines. The paper focuses on analyzing three key scientific issues, including multiple representations and knowledge association for complex land surface systems, uncertainty analysis of spectral feature reconstruction under spatial form constraints, signal transmission and optimized control with the collaboration of satellite, ground, and human. The three key objectives, namely deconstruction of global space, analyticity of local space, and transferability between spaces, cut into the process of connecting the two-step process of spatial expression and parameter calculation, and further explain the difficulties and feasible solution paths of reliable expression, reliable analysis, and controllable computing. Through the analysis of the solution approach, the feasibility and necessity of the organic synergy of geoscientific analysis ideas, remote sensing mechanism knowledge, and machine intelligence algorithms are demonstrated. On this basis, this paper focuses on the monitoring and supervision of agricultural production as a demand-oriented problem for introducing agricultural application cases of GST-DB. Four types of application models for people, land, money, and things are preliminarily described. By demonstrating the construction process and implementation effectiveness of integrated intelligent computing, the advantages and basic supporting role of the base in carrying and utilizing spatiotemporal data elements are highlighted. This case study demonstrates the potential to provide high-quality spatiotemporal information services for the development of modern agriculture in complex mountain areas.

Key words： high quality development; spatiotemporal information; complex land surface systems; geographic spatiotemporal digital base; reliable expression; trustworthy analysis; controllable calculation; application of digital agriculture

1 引言

“十四五”以来，建设现代化产业体系、保障粮食安全、全面推进乡村振兴等工作逐步成为我国经济和社会发展的重要任务[1]。2022年10月，习近平总书记在中共二十大指出，高质量发展是全面建设新时代中国特色社会主义现代化国家的首要任务。数字化是实现社会经济由粗放型向集约型高质量发展转变的必要途径。近几年，数字经济、数字社会、数字政府等概念和产业应运而生，“产业数字化”“数字产业化”需求十分旺盛。“产业数字化”即以数值形式实现生产全过程的模拟表达，挖掘各环节的交互模式，还原资源流动及反馈机制；“数字产业化”即在此基础上，指向资源合理配置、发展结构转型，将数字转化为价值。数字经济是上述两者相辅相成的典型业态，旨在通过大数据识别、选择、过滤、管理、挖掘，搭建数字化场景与知识图谱，引导并实现资源的优化配置、重组再生与价值提炼，从而形成经济高质量发展的新形态[2]。两者正是发展数字经济、培育高质量发展新动能的重要抓手。
事实上，几乎所有社会经济活动都发生在地表之上的三生空间（即提供地理本底的自然生态空间、耕作土地所在农业生产空间、人口居住的城乡生活空间）。地理时空作为承载社会经济事件发生的天然基座，是经济活动数字化场景基准表达的必然支撑。如何协同空天观测与社会经济大数据，精准解析地理时空，掌握经济活动发生的地表对象及参量间内蕴交互机制及演进规律，对于数字经济研究至关重要，是实现“螺狮壳里做道场”、“腾笼换鸟”等国土空间优化目标的关键所在。高质量发展的意义，就在于保持稳定空间的基础上深挖流动性价值（空间保持稳定，通过流动来产生新的价值），体现于空间内时序累计、空间之间转换、人与空间的流动、多方对空间的博弈等方面。因此，协同泛在大数据，打造全时空的精准化基座，并从多维度汇聚数据资源，深挖其价值支撑政、企、民所需的空间博弈对策，这正是数字经济背景下地理信息产业顺应国家发展趋势进行竭力突破的方向所在[3]。
鉴于此，相关工作指南被多次写入国家和行业发展规划，自然资源、农业农村、城乡建设等部委相继部署了数字化建设工作，以期通过数据治理与平台建设实现各类生产、生活、生态过程的全周期数字化表达及建模，旨在充分利用时空数据要素解决好监测监管、评价规划、设计精算、预警防控等应用需求，厘清时序流动（空间内部更替重组）、空间流动（资源配置流转）、人员流动（多方博弈演化）等优化途径，驱动生产、生活和生态治理向纵深推进，逐步形成时空智能驱动科学定量决策、助力高质量发展的新业态。
另外，从大数据时代的地理学发展内生需求而言，亟需在信息科学、系统科学等交叉合力推动下，打造更加精细地理时空场景表达与计算模式，以进一步提升地理学定量研究水平。地理学作为研究地表自然与人文要素相互作用及其形成演化规律的学科，正得益于观测手段和智能技术的快速发展，从传统的定性、宏观、单要素研究向更加定量、微观、多元的方向发展[4]，为实现全覆盖对象建模（地理场景/精）、全谱段内容观测（全息地图/准）、全要素关联分析（知识图谱/智）的地理学研究愿景提供了可能。上述三“全”是地理科学发展的重要命题，也是地理信息提升行业应用时空价值、助力产业高质量发展的根本所在。如何有效组织并关联多源地理时空数据，发现其潜在知识，在当前历史阶段越发体现出必要性和关键性。这其中，遥感必将发挥不可或缺的关键作用，而地理学研究的问题导向必须要求遥感影像分析技术应当超越简单的数据解析模式，而是遵循地理学基本特征，与地理知识系统交互开展数据分析与应用[5]，通过地理学认知引导遥感大数据智能解译过程是发展的必然趋势[6-7]。对此，作者团队近年来提出了从地理时空对象的“图”结构和遥感数据的“谱”特征出发，强化地理知识和遥感数据之间天然的图谱交互关系，呼吁以业务应用需求和地学问题求索为导向，推动遥感研究回归到对地理求知探解的初心。
在上述背景下，提出以打造“地理时空数字化底座”（Geographic SpatioTemporal Digital Base，GST-DB，简称“数字化底座”或“底座”）为切入点，协同多源多模态地理时空大数据开展综合智能计算，精准分析复杂地表空间及其参数，以夯实数字空间基石，支持国土空间决策。本文将通过概念模型的构建、技术要点的梳理、关键科学问题的解析，初步形成本项研究的框架，以期抛砖引玉，汇聚多方智慧持续拓展，共探时空信息赋能高质量发展的数字化路径。

2 地理时空表达与计算的研究进展

针对地理时空表达与计算问题，本节围绕复杂地理系统表达、时空不确定性分析以及地理空间智能计算3个方面进行研究综述与动态分析。

2.1 复杂地表系统表达

有别于简单系统，复杂系统具有组成元素庞大、相互关系复杂等特点；其普遍存在于自然科学、社会科学的众多研究领域中[8-9]。20世纪80年代，钱学森[10]提出了开放的复杂巨系统理论，凝练了系统科学体系的研究框架，概括为“微宏观相结合的分层次解构”、“从定性到定量的参数化解析”、“人机协同的开放式知识系统”等核心方面，而后关于复杂系统研究方法向着多元化和集成化蓬勃发展。在复杂系统信息处理方面，美国自动控制专家、“模糊集之父”Zadeh[11]提出了粒计算思想，在大数据时代降低系统结构复杂性和演化不确定性以及信息处理和知识关联等问题上具有优越性。另外，随着以深度学习为代表的人工智能技术迅猛发展，复杂系统的求解框架正逐步向模型和数据联合的方向演进开展算法重组与优化[12]。
地球是生物理化过程和人类活动整合塑造的产物。作为地球系统物质循环的主要场所——地球表面（以下简称地表），是一个典型的复杂巨系 统[13-14]，其复杂性来源于以下3个方面：① 太阳辐射的不均衡分布，地球自转、大气环流以及地势高差使得地表各处接收的太阳能量存在差异，突出表现为水热条件在纬向、经向和垂直向的不一致；② 内外动力的不稳定流动，内外动力共同作用在地表变迁中，地球内部地幔对流驱动下的板块运动、地幔圈形状周期性变化驱动下的地壳运动等造就了地表山脉与海沟的隆起、裂谷与海洋的扩张；水流、风力、冰川、生物的风化、侵蚀、搬运、沉积和固结成岩作用造就了河口、山地、盆地等地形地貌以及岩溶、河谷等微地貌；③ 人类活动的不规律改造，人类农业生产、资源开发、城镇建设与战争破坏等动态行为深刻影响着地表形态，自20世纪后期以来，人类活动与干预及其引发的环境变化被视为地表格局变化的主要驱动力[15]。上述多种因素综合作用促成了复杂独特的地表系统。
在上述驱动力作用下，地表系统的复杂性经由人类建模从空间、时间、属性3个维度涌现：① 在空间上，三生空间之间与内部的地形地貌、水土气生要素差异显而易见；② 在时间上，人类活动强度、范围和方式不断扩展，地表动态变化越加剧烈、“稳态”恒定越加脆弱[16]；③ 在属性上，多要素间纠缠关联和约束关系复杂使得属性交织且难以厘清。在此背景下，如何有序解构地表系统一直是地学领域的热点和难点。对此，陈述彭先生曾总结归纳了地学信息图谱[17]，即先综合景观制图的简洁性和数学模型的抽象性，透过现象（图）看本质（谱），再获得征兆图谱（感知）、诊断图谱（探测）和实施图谱（决策）；Forman和Godron[18]、傅伯杰[19]等在地表景观研究中提出斑块、基质和廊道的定义，通过数量、大小、形状和连通度等反映地表景观格局多样性和复杂程度；周成虎[20⇓-22]提出全息地图和全空间地理信息系统概念，旨在揭示各种事物与现象的空间分布特征和动态变化规律。这些工作是解析复杂地表系统的有益尝试和创新成果。
另外，在地表系统的空间表达方面，格网、对象和实体3种粒度是剖分地表的常用方式。传统的空间表达单元多采用行政区划和规则格网（像元）方式[23]，但往往过于粗糙、与真实地理单元难以对应而造成内部混合不均质，且不易与地理环境信息和专家知识耦合，存在表达不真实、不精细和计算不可控、不可信等问题[24]。为此，基于地理图斑、多粒度时空对象、地理实体的表达方式逐步成为时空表达的一种选择[5,25]。鉴于地理要素的时空自相关性、异质性以及环境相似性，连续场形态和离散对象形态的地表空间表达方式各有优势和不足。尽管现有研究中单一表达方式应用较广泛，且在地表简单场景表达中效果良好，但面对复杂多变的空间场景时，地理多要素、多现象、多过程、多时态错综交杂使得突破单一模式表达的限制十分必要。如何运用地理学三大定律和复杂系统理论对复杂地表进行系统分解与表达，是目前地理信息科学研究的前沿问题之一。为了综合地理现象和过程的时空特征、整合多源信息以及多学科知识，多粒度、多尺度、多维度综合的地表系统表达模式值得探索（从粒计算来讲，多尺度与多维度都属于多粒度的范畴，而本文此处的多粒度特指时空对象大小的描述），其对构建科学、有效的时空及属性关联关系至关重要[26-27]。

2.2 时空不确定性分析

时空是一个包含时间和三维空间的概念，具有唯一性和相对性[28]；地理时空概念包含对象位置的空间特征（分布、形态、结构等）和对象状态的时间特征（演变过程、发展态势）。在地理数据挖掘与知识发现过程中，由于数据、模型或其他因素限制而导致客观信息与现实地理时空之间存在偏差，产生了时空不确定性，其广泛存在于数据获取、特征提取、模型构建等多个环节。因此，地理时空分析中不确定性分析是必不可少的环节[29]，然而由于不确定性来源的多样性和复杂性，通常难以用统一的方式来满足所有类型的不确定性量化需求[30]，且未知的不确定性具有“无界性”[31]，故而不确定性的量化与控制，需要建立在对不确定性“已知”的客观基础之上。
地理时空分析中的不确定性来源可概括为空间对象本身在转移、变迁和演化过程中造成地表资源配置流转的地理不确定性[32]与客观世界在对实际地理空间表达过程中所造成的知识及认知不确定性[33]。① 地理不确定性的来源主要包括：外部自然地带性分异造成的地理对象分布（位置、形状、面积、空间相关性等）不确定性[34⇓-36]；地理对象演化、变迁过程中内外动力学作用的不可预测性所造成发展趋势不确定性[37]；人地耦合方式的多样性所造成的地表属性不确定性[32,38-39]。② 知识及认知不确定性的来源主要包括：数据获取过程中由于环境、方法、尺度差异所造成的信息映射不确定性[40-41]；信息集成过程中空间-时间分辨率割裂所造成的时序表达不确定性[42]；多源数据协同过程中的聚合不确定性[43]；参数模型选择所造成的信息传递不确 定性[44]。
常见的地理时空不确定性度量主要聚焦于空间位置或时序推演属性的不确定性度量。前者可分解为点、线、面3种空间类型表达的不确定性度量，通常采用椭圆误差法、矢量箭头法、误差带、面位误差环等方法进行计算[45]；后者涉及概率论、模糊集、粗糙集、灰色理论等数学基础，如利用概率熵[46]、概率矢量[47-48]、混合熵[49]、误差矩阵[50]、粗糙依赖度/近似质量[51]、模糊隶属度[52]、置信区间[53]等方法进行度量。近年来，关于时空数据不确定性的传播机理与控制方法亦受到重视，学者们提出了不确定性传播概念，通过多特征数据融合、邻域信息分析[54-55]、智能计算[56]等方式限制时空数据挖掘过程中的误差，并将不确定性度量结果作为模型改进的引导方向用于后续的迭代优化[56⇓-58]。
综合分析当前研究，现有工作更注重于某一要素或某一过程的不确定性分析与控制，忽略了系统整体中的相互交织与传播，尤其从感知复杂地系统的观测数据向真实地表空间和参数转换过程中，缺乏统一的不确定性度量与控制体系，且传统分析的尺度普遍集中在数据的原始粒度上，没有从契合地物本身的时空粒度进行考量（例如，遥感领域多是在影像像元尺度开展不确定分析，这与实际地物或地理实体单元并不吻合）。因此，在地理学视图下，时空不确定性分析应当先厘清并划分空间、时间、属性维度，从多个视角、多个层次、多个粒度上度量数据和知识输入过程中的不确定性。事实上，对于时空制图问题而言，理想的成果应伴随有一张空间全域且能和所求问题所处层次及地理时空对象基本粒度相适应的不确定性图，据此能反向追踪不可靠、不确信的区域，基于量化结果不断完善输入、优化模型、提升算法，即构建出一套不确定性可量化、可控制的信息传递体系，助力地理时空信息从含糊不清到可验证、可优化的转变。

2.3 地理空间智能计算

地理学作为生态、农业、经济等一系列自然与人文科学研究的基底，提供承载不同对象与理论的通用时空框架[59]。因此，其研究内容不能停滞于 博物学式的数据堆砌，或是孤立无序的简单模式挖掘[60]，而应逐步达成由观测、描述至表达、认知的跨越，真正实现对地表机制的动态逼近，回答存在、演进、预知及回溯等问题[61]。作为衔接抽象感知与具象表达的关键环节[62]，地理空间计算的含义也应由各类参量的局域独立推演，转向对复杂地表的系统性认知[63⇓-65]。
以往囿于观测规模及模型能力的限制，传统计算方法中存在大量人为定义的定性结论与主观分析框架，解析过程伴随着难以避免的过度简化及认知偏差。近年来，各类地理专有及空间泛在数据的密度、广度、维度不断扩展，能够汇集、描述、评估地理空间的物理特性及变化信息，为复杂地表的解构提供了坚实的数据基础[66-67]。同时，随着人工智能算法的高速发展及算力的显著提升，深度学习等数据驱动型机器智能方法能够自海量数据中捕捉非线性关联关系，在复杂系统解析中呈现出显著优势[68]。因此，当前时空大数据与机器智能算法的协同发展突破了传统知识工程的瓶颈，被广泛应用于数据重建、关联分析、因果推断等一系列定性或定量分析任务中，有望引领地理空间计算进入数据智能的跨越式发展阶段。
然而，在地理学场景中，纯粹数据驱动的智能模型仍存在以下应用障碍：① 标签数据不足，与约束构建过程对样本信息的高度依赖相矛盾，所得模型仅为对单一分析情境的不完备表达，难以与复杂地表时空异质的真实属性匹配；② 通用的人工智能方法常将地理数据泛化为多维特征序列，借助黑箱式的模型对求解目标进行暴力逼近，在问题求解过程中缺乏机理条件约束，可能导致与物理世界不符的非法输出，泛化性低、数据依赖性强；且存在过程可解释性差的弊端，导致求解结果难以直接推进研究人员对地表动力机制的深入解析，限制了对地表系统时空格局和演化过程的认知[69]。
针对上述局限，研究人员近年来尝试将机理知识注入计算模型[70]，以期在样本数据匮乏时提供监督信号，并对解析过程加以边界约束。机理级联学习[71]、学习嵌入机理[72-73]、机理融进学习[74-75]三类基本范式，是耦合物理驱动机理模型与数据驱动机器学习模型的典型方式[76]，可以实现“理性主义”与“经验主义”的有机结合。同时，在传统公式、规则、语义网的知识表达、抽取及应用的基础上，知识图谱的概念及方法被引入地理学场景，以实现知识的系统性对齐、关联及融合[77⇓-79]。知识即来自机理或数据的稳健复现模式，“图”是关联模式的结构化表达，“谱”则对应于地理对象的多维动态特征，地理知识图谱（Geographic Knowledge Graph, GKG）旨在将隐含在数据背后的多源模式转换为面向多尺度地理区域与应用情境的结构化知识网络，继而通过引入偏置来建模我们对于特定观测数据的理解，是对地表系统空间、时间、属性核心交互机理的高效表达[80]。但在图谱构建过程中，存在地理知识图与遥感谱特征耦合不足、时空信息利用不充分、时空本体与实例脱节等阻碍，缺乏融合知识抽取、图谱构建、推测约束、机制更新等环节的完整流程设计，鲜有针对图谱推理的系统化尝试[81]。
综上所析，面对复杂地表系统的精准认知挑战，地理空间智能计算的发展趋势是将以自然或数学语言定义的显式参量交互规则加以结构化表达，与树状归纳学习（如决策树、随机森林、LightGBM、XGBoost等）、网状神经学习（如卷积类、序列类深度网络）等隐式数据驱动模型相融合，构建可解释的地理人工智能（Explainable GeoAI），将“智能”的内涵由深度学习、强化学习引导的机器模型扩展至模型与机理知识的有机协同[69]，实现数理逻辑、概率统计等数学思想牵引的综合建模，以实现对地表参量时空分异的准确理解。

3 地理时空数字化底座的基础理论与构建方法

3.1 理论基础与设计理念

针对如何运用底座去表达“生态-生产-生活”三生空间并计算得到“可量测-可验证-可优化-可定制”的时空信息，本文提出开展“地理时空数字化底座”GST-DB的系统性研究。作为此项研究的理论基础，首先阐释以下4个方面基础说明。
（1）底座的2个核心理念。① 回归地理，就是要遵循时空的2个基本点：其一，是遵循时空位置唯一性公理，经典物理世界中，任何空间点都必然出现在当前时刻，这是空间与时间的基本关系，地理时空位置的唯一性使得任意数据通过发现其位置和时刻即能进行时空重组与关联；其二，是遵循地理要素时空分布的三大基本定律，复杂地表时空分布呈现地理相关性、空间异质性和景观相似性的综合，时空数据蕴含着兼具异质性和规律性的关联关系，对其挖掘要充分考虑三大定律的指导性作用。“一个公理+三个定律”，即时空唯一性（可分解）和属性时空分布规律（地理相关性/空间异质性/景观相似性），是构建底座的根本保障。② 超越遥感，就是要打破多源遥感之间，以及广义与狭义遥感之间的固有藩篱，摒弃传统遥感数据处理方式的痼疾：一方面是“图谱耦合”，将分别擅长获取图信息和谱信息的视觉（高分）遥感和超越视觉的（谱序）遥感耦合，打碎重组多源遥感数据，弥补单源、单类、单时遥感数据表征不足、关联不够、解析不透的短板；另一方面是“星地协同”，将地理推测、遥感探测、地面观测三者有机组合，缓解相互独立割裂而无法协同互补的局面。“回归地理、超越遥感”这八字宗旨是打造数字化底座的顶层指导和双轮驱动，也是促进地理计算研究、深化遥感应用的“双向奔赴”。
（2）底座的5个基本概念。① 空间，意指地理空间，是地表之上几何空间的具像化存在，是地表物质存在和运动的场所，本文主要指代陆地表层的三生空间，结合区划常识与数据形态，自上往下大致可将目标全域空间划分为广域空间（行政分区）、区域空间（自然分区）、局部空间（功能分区）、对象空间（同质单元）、信号空间（观测数据） 5个层级；② 属性，即空间所承载的各类各级内容；③ 时间，反映空间边界及空间内属性的演变；④ 特征，刻画时空物质成分的机理探测与变化规律的信息传递；⑤ 知识，存在于空间、时间、属性等维度的约束关系，从全域到局部、定性到定量、表层到内部、静态到动态、平面到立体、单体到结构等多方面表现为邻接、包含、隶属、继承、优势等关系类型。
（3）底座的三大关键要素。底座是“支架-容器-引擎”三要素的统一：① 支架是稳固可靠的基座底盘，体现了“分解和约束”，是指对复杂地表系统进行多粒度的空间分解与对象化表达，并构建不同粒度间的层层约束关系；② 容器是持续可信的油箱，是指承载多源多模态数据的装置（对象），可以不断加载并重组外部探测信号，给予底座场景构建与内容衍生的驱动力能源；③ 引擎是高效可控的发动机，是指通过对数据的持续引灌和隐含关系的挖掘，构建促使底座联通活络的知识系统，以进一步按需定制各级信息产品开展精准服务。
（4）底座的基本功能与特征。基于上述三要素，底座将具备容纳关联多源多模态数据、智能计算和分析应用等基本功能。通过各类数据的载入，底座时时处处在“静态稳定”和“动态流动”两者中平衡，呈现“稳固/可靠/可信/可控/动态”的基本特征，其中稳固性是基础，是多源多模态数据汇聚关联和交互分析的根本保证，而动态性是生成高质量信息、挖掘持续性价值的重要源泉，也恰是底座活力、潜力的所在。换言之，底座在稳定里蕴含着不稳定，量变后引起质变，在数据的持续流动中产生后劲、体现价值。

3.2 总体框架与实施流程

基于上述理论基础，本文设计了底座研究的总体框架，如图1所示，重点在于对“五层空间图、三类关联知识、一组基础参数、一套计算模型”等环节进行深入。具体而言：① 将复杂地表空间分解为“广域-区域-局部-对象-信号”从稳定到不稳定嵌套的五层空间结构，明晰每层空间所代表的涵义和依赖的数据，重点体现底座的稳固特性；② 基于五层空间划分，遵循地理相关性、空间异质性和景观相似性三个地理分布规律，构建“区域限定局部”、“空间约束时间”、“条件互为影响”等三类知识约束关系，利用可解释的三元组符号系统（如规则集、语义网）来表达对象与对象、对象与属性、属性与属性之间的知识，并将其嵌入底座，重点体现具象化（具体+形象）的地理知识图谱；③ 定义通用地理时空底座的基础土地参数体系，包括土地利用参数（形态、材质、土地利用类型等）、覆盖变化参数（土地覆盖变化、生物量、产量等）、自然禀赋参数（水、土、光、热等）、社会经济参数（权属、地名、交通、人口、区位等），分别从自然与社会、定性与定量、静态与动态、表层到内部、平面到立体、均质到混合、单体到结构等几个方面拓展参数内容，明确每个参数适应的空间层级，构建地理遥感大模型进行大规模参数的精准可信计算，量化不确定性并从多个视角解析其来源；④ 针对农业、生态、城市等应用场景，定义具体的衍生参数，借助专家知识和专业模型，面向人（权属现状的监测监管）、地（地物利用的设计规划）、钱（金融产品的精算服务）、事（事件发生的预测防控）等场景应用需求生成精准土地应用产品。
图1 地理时空数字化底座总体研究框架

Fig. 1 The overall research framework of geographic spatiotemporal digital base

地理时空数字化底座空间分解和参数计算的实施路径如图2所示，总体上按照“系统分解基础上对象分层粒化→空间形态约束下谱序特征重建→增量信息传递后模型迭代趋优”的脉络设计流程，主要包括以下技术要点：① 限定于相对稳定的陆表空间，集成行政区划、土地利用、地形地貌、国土空间规划等基础地理数据，沿着“广域→区域→局部→对象”由粗到细的空间分解方向，自上而下有序构建底座支架，此环节的重点是基于亚米级高分遥感影像（称之视觉遥感探测数据）分层提取底座分区内的空间单元，形成对地理对象位置、形态、结构以及土地利用类型信息的表达；② 收集历史解译、社会经济统计、实地调查、地名地址、互联网标注等渠道的资料和基础信息，建立底座的系统性知识系统，此环节的重点是扩展土地利用（功能）、土地覆盖变化、土壤（材质）、土地资源（水热）、土地类型/参数等属性表征内容，通过空间、时间、属性等维度关联，挖掘映射、依存、聚合、传递等几类知识图谱，表达出上下级对象间的约束机制、同级对象间的相关机制、以及对象内部参量间的交互机制；③ 在空间形态约束下，按照时空位置将自然、社会观测数据映射至各级对象，建立空间对象的绝对量特征，此环节的重点是按照时序优先等规则重组多模态多时态的遥感影像（如SAR/InSAR、热红外、高/多光谱、多时相等超越视觉的遥感探测数据），以谱序立方体形式建立空间对象的相对量特征；④ 建立“地理推测-遥感探测-地面观测”闭环的循环迭代机制（3.3节具体阐释），在系统性知识图和多模态特征谱的联合驱动下，实现未知参量的推测，并在不确定性控制下，向系统有序补入地面观测和遥感探测信号，驱动结果优化演进。
图2 地理时空数字化底座实施路径与技术要点

Fig. 2 The implementation path and technical procedure for the geographic spatiotemporal digital base

3.3 逻辑化分步计算模式

在数据、算法、算力得到很大提升的背景下，底座搭建的难点在于形成一套有序、开放的计算系统。对此，本研究发展了逻辑化的分步计算过程，一方面构建“空间→时间→特征/属性→知识”的前向计算路径，另一方面建立“地理推测-遥感探测-地面观测”闭环的循环迭代机制，具体说明如下。
（1）在前向计算路径上，借鉴复杂问题求解的粒计算思维，沿着“分解/粒化”→“约束/重组”→“传递/关联”设计环环相扣的计算步骤：① 分解/粒化，该环节模拟“视觉感知”过程，即在分区分层地理学思想指导下，利用基础地理数据和高分辨率遥感影像精细剖分地表空间，在系统分解基础上筑起多粒度的空间对象网络，形成稳固可靠的底座支架（空间图，Spatial Map）；② 约束/重组，该环节模拟“数据探测”过程，汇集水、土、光、热等表征自然资源禀赋和生态环境本底，以及刻画人类活动和地表变化过程的多源多模态观测数据，聚合于由空间对象撑起的底座之上，在支架的空间形态约束下，以分谱、分时等方式重组数据，将多尺度连续场转换为离散格，分级呈现空间对象的多维度属性和谱序特征（特征谱，Feature Spectrum）；③ 传递/关联，该环节模拟“知识探知”过程，利用底座支架空间对象承载的多元特征和属性信息，在“星-地-人”观测协同下，从空间、时间、属性等维度挖掘关联关系（知识图，Knowledge Graph），同时基于底座增补时空视域下的关键信息和知识，引导时空制图。
（2）在循环迭代机制上，组合迁移学习、深度学习、强化学习等机器智能模式，建立“地理推测（联合条件属性）-遥感探测（非线性高维特征）-地面观测（碎片化增量信息）”的闭环系统：① 采取“知识（自顶向下）-数据（自底向上）”双向驱动方式，遵循时空唯一性和时空分布三定律，构建具象化的地理知识图谱，并联合遥感数据，在“空间距离相近-图谱特征相像-环境属性相似”原则下进行“知识引导”和“数据学习”耦合的地理推测；② 卫星（面）观测能覆盖广域空间，地面（点）观测是稀疏绝对量观测，两者尺度有差异、互有长短，因此要针对具体参数设计和部署地面试验系统，及时反馈计算不确定性，并传递地面采样、验证、测定的数据观测信号，同时在空间区域覆盖度上、时间序列长度（频度）上、属性特征丰富度上补充遥感探测信号，从而通过“星-地-人”的联合给底座持续充电加油。

3.4 底座内嵌的知识图谱

地表是具像化存在的，底座“骨架”之上附着一套地理知识图谱“灵魂”。对照传统知识图谱“概念-属性-关系”的三元组，底座蕴含的地理知识图谱包括“地理对象-地理参数-约束关系” 3个基本元素：① 地理对象，映射了空间，按照“广域空间-区域空间-局部空间-对象空间-信号空间”从稳定到不稳定的多层嵌套关系，建立解构复杂地表系统的多重表达“图”模型；② 地理参数，映射了属性，按照“空间利用-覆盖变化-自然禀赋-社会经济” 4大类别的属性内容设计参数体系及其一体化计算模型，分析每个参数所对应的空间层级、数据来源、计算方法以及验证模式；③ 约束关系，映射了知识，遵循地理时空具有“地理相关性/空间异质性/景观相似性”的规律，通过历史资料分析、实地调查与系统性认识，构建地理系统内“区域限定局部-空间约束时间-条件互为影响”的3类知识约束关系，在纵向的空间等级上明确大粒度对象与小粒度对象之间的包含、继承关系及相挂连属性的映射关系，在横向的推演关联时度量同级对象之间的相近/相像/相似关系，在内部的对象属性中挖掘各属性（特征）之间的相关、因果等约束关系，进而按照从定性到定量、从显式（表层、平面）到隐式（内部、立体）、从静态到动态、从单体到结构的秩序，通过上述3类约束关系的引导，构建参数的一体化计算模型，将每个属性（参数）归置于符合地理时空分布常识的集合或区间内，再随着碎片化数据和知识的累积逐步收缩逼近其理论真值。
蕴含于底座之中的各类关系，通过一套具像化的地理知识图谱予以呈现，包括3个过程：① 由（像元）谱聚图（对象），在构建多层级底座及约束关系时，遵循同质单元聚合/异质单元分解的基本思路，通过中分辨率遥感影像的多尺度分割或自然、社会要素的合理分级提取生态本底对象，通过高分遥感影像的分层感知提取人工地物对象，继而按照土地利用性质的差异构成底座系统的不同层级；在对象边界约束下，利用时空位置映射多源观测信号，构成对象参数体系；以地理对象-特征参量为基本单元，表达三类约束关系，构成知识图谱的基本框架；② 图（对象）谱（序）协同，在地理对象的空间形态约束下，按照时间维度重组多模态遥感观测信号（SAR/InSAR、热红外、多/高光谱等数据），重建反映对象形态特征变化、物质成分变化、时序生长变化的谱序特征，为构建参数的一体化计算模型提供全覆盖的相对量特征，并从空间形态各异、反演模型病态、时序不完备、内部混合等几个方面，综合分析“空间图”与“特征谱”的不确定性；③ 认图（结构/关系）知谱（状态/趋势），通过“地理推测-遥感探测-地面观测”闭环的计算机制，进一步挖掘对象与对象、对象与环境、对象相互聚合等关系，强化底座内的知识约束与各要素相互联系，从而结合“人-地-钱-事”需求定制专业化模型，开展专题应用事项。“由谱聚图-图谱协同-认图知谱”三阶段的图谱耦合过程，分别对应了数据、特征、知识3个层次的图谱，历经视觉感知、机理探测、因果探知过程的转化升华，体现了螺旋式演进的智能提升态势。
需要强调的是，传统的知识图谱主要描述“知识图（Graph）”，而对“谱（Spectrum）”的涉及极为有限，而本文提出的地理知识图谱是在高分视觉遥感数据（用于构建“空间图”）、超越视觉的谱序遥感数据（用于重组“特征谱”）共同支持下，针对复杂地表解构与参数解析问题，描述不同级对象之间、同级对象之间、对象内部属性之间存在的关系（用于搭建“知识图”），从而在对象化建模过程中建立一套更完整的知识图谱。

4 地理时空数字化底座的关键科学问题

数字化底座的搭建面临复杂地表空间能否精细解构、地表参数能否准确计算等挑战。相应地，“全域空间如何解构”、“局部空间如何解析”、“空间之间如何传递”成为其中3个关键问题，分别对应了“可靠表达”、“可信分析”和“可控计算” 3项核心需求（图3）。具体蕴含的科学问题阐释如下。
图3 地理时空数字化底座研究的3个科学问题

Fig. 3 Three scientific issues in the study of geographic spatiotemporal digital base

4.1 复杂地表系统的多重表达与知识关联问题

4.1.1 问题阐述

新时期地理学研究内容更加关注陆地表层系统的综合研究[82]，研究范式正向复杂人地系统的模拟和预测转变[4]，其首要前提是关于复杂地表空间的解构与表达问题。该问题的求解面临复杂巨系统的挑战，亟需全方位整合星地观测数据，并深度耦合地理学和遥感学，打造具备可重用、强弹性和高稳固的通用数字化底座，并深挖需求定制农业、生态和城市等专用数字化底座。空间具有广延性，时间具有持续性，时空约束下，地表要素的“唯一性/固定性”和“流动性/灵活性”协同捕捉地表现象与过程的稳定性与可变性[83]。四维物理世界中，通过位置确定与时空关联可以开展数据挖掘、知识发现及价值提炼。本文将上述过程化归为“如何构建复杂地表系统的多重表达与知识约束关系?”这一核心问题，即如何通过对复杂地表分解粒化、时空数据重组和关联知识嵌入，搭建起等级结构稳固的数字化底座。鉴于此，首先从时空唯一性和时空分布规律的公理化基础出发，开展地表空间的层次分解与多重表达，建立能体现层层约束关系的空间基准，以期利用符号系统实现“全域空间可解构”的目标。

4.1.2 求解思路

Tobler[84]指出地理学第一定律“所有事物都与其他事物相关，但是近处的事物比远处的事物更相关”，即地表空间具有相对近似性[85]。遵循近似性原则和地带性差异，可将地表系统划分为多个内部更为相似的子区域系统，通过整体到局部、复杂到简单、无序到有序来降低分区单元内的复杂度。地理分区依赖着若干个具有过渡属性（显性突变、模糊渐变等）的边界[86]，其中自然边界由地形、气候、水文和土壤等要素决定[87]，人为边界包括行政区划、道路以及基于知识的边界（如“胡焕庸线”）等。尺度影响着边界划分的科学性和准确性，协同多尺度可保证地理分区边界的稳定性和完整性[88]。多因子驱动的多尺度地理分区是对复杂地表系统进行广域空间分解和层次化表达的第一步。借助数学方法进行抽象表达时，广域地表被视为全集O、子区域被视为子集O1, …, On，而边界则可视为其中特殊的子集（同时属于子集Oi和Oj，即多子集交集）。在广域空间中，分区之后的区域空间和局部空间提供了空间抽样的基础，分层抽样的技术方案可以之匹配。在每个分区内结合空间、时间、属性的复杂程度确定样本的数量和位置，尽可能挑选具有分区代表性的调查样点，覆盖不同时空域，避免杂乱无序的随机抽样导致外业工作量和成本陡增、样本的解译指导性不足。
地理学第二定律表明空间隔离造成地物之间的差异，即异质性[89]。地理实体间存在的差异使得一个实体可逐次切分和组合为多个复杂度较低的子实体[25]。随着自然资源调查、实景三维等新目标的提出，按“实体粒度”和“空间精度”表达的需求更加明确[90]，可根据客观存在性、相互区分性划分为具有不同类型和粒度的地理空间实体[91]。多粒度地物分层可理解为：在多尺度地理分区控制基础上，先从空间位置与形态、属性特征和关联关系等方面对地物进行逐级分解[92]，再基于高/超高空间分辨率影像选取异构的深度网络模型，按照先易后难（特征显著性高低）的视觉感知分层顺序进行空间对象提取[24]。由谱聚图的分层提取过程建立了影像空间（栅格）与地理空间（矢量）之间的映射关系，获取大量面状矢量多边形表达的多粒度空间对象，实现空间粒化[5]。即逐层拆分Ui中获取其内不同层次的子集，直至得到单个元素的过程。
以上分区分层的地表空间解构过程刻画了空间几何信息和层次结构关系，体现了地理相关（分区分解）基础上的空间异质（分层粒化），但对存在时空之上丰富的自然资源环境、社会经济人文等复合信息还需进一步合理表征。为此，借助时空要素的高规律、强关联、高耦合和多层次性，对多源多模态时空数据进行完备、对齐与纠正，并将之聚合于空间对象形成多维条件属性表达。根据“地理景观越相似，主导型环境因素越接近”的地理环境相似性原则[93]，气候气象、地形地貌、植被理化、人为管理等表征数据和领域知识在应对地表复杂性和多变性时具有巨大优势。在既定的区域空间内，厘清地物多维谱序特征（如光谱、形状、指数、纹理、上下文、物候等）和地理环境特征（如气温、湿度等气候特征、坡度、海拔等地形特征；肥力、质地等土壤特征；径流、水位等水文特征……），可以助力复杂关联关系的挖掘，为模型的时空迁移提供推测的必要条件。即从“空间-时间”多维数据矩阵扩展至“空间-时间-属性”的多维数据立方体。综合以上过程，本文针对复杂地表系统提出构建“多尺度地理分区+多粒度地物分层+多维度属性分级”辐合的多重表达方式（图4），通过宏微观相结合的分层次解构，从稳定到不稳定建立“广域空间（行政分区）→区域空间（自然分区）→局部空间（功能分区）→对象空间（同质单元）→信号空间（观测数据）”五层嵌套的空间划分体系，分解粒化后即形成数字化底座“支架”。
图4 复杂地表系统的分解过程及“多尺度/多粒度/多维度”幅合的多重表达方式

Fig. 4 Decomposition process of complex land surface system and multiple expressions with the convergence of multi-scale/multi-granularity/multi-dimension

在复杂系统分解基础上，同步嵌入一系列系统性知识对底座“支架”加以捆绑加固，此即为底座支架上内嵌的知识约束关系，大致可分为3大类（图5）：① 纵向的区域限定局部，包括政策与行政干涉区域土地利用、自然因素驱动局部土地覆盖、对象几何形态约束谱序特征以及土地利用限制土地覆盖变化；② 横向的条件互为约束，包括空间距离的相近性、图谱特征的相像性与属性条件的相似性等三“相”关系；③ 内向的多维属性自相关，包括定性约束定量、静态约束动态等多种关系。3个方向的知识约束嵌入于底座“支架”之中，反映了各层级空间对象、各阶段时间过程，以及各类型地表要素之间的潜在关联，有助于开展数据和知识双向驱动的地表参数计算，有益于对底座内蕴时空规律的挖掘和人地关系的理解。过往，上述知识的抽取和推理主要通过专家人工构建，现阶段可尝试建立基于大模型的知识萃取框架。如何运用大模型结合知识图谱来实现地理时空底座上的知识迁移与系统性认知，构建一套知识相互约束的符号系统，是值得探索研究的前沿问题。
图5 复杂地表系统之上构建数字化底座所需的三大类知识约束关系

Fig. 5 Three kinds of knowledge constraints required for constructing the digital base on complex land surface systems

以上思路阐释启示了“系统分解”和“知识约束”是复杂地表系统可靠表达的2个关键词，说明了数字化底座实现“稳固”所需解决的核心问题，即“稳固”体现在稳定嵌套不稳定的分解关系，这是底座的躯壳基石，“可靠”体现在进一步对其中3大类知识约束关系的有序认知和运用，这是底座的灵魂所在。

4.2 空间形态约束谱序特征重建的不确定性分析问题

4.2.1 问题阐述

地理时空底座将地表有序分解为五层不同粒度的空间，其中最核心的是依赖于高空间分辨率遥感影像（视觉图遥感）构建的对象空间。在此第四层级的空间中，进一步加入超越视觉的遥感探测（定量谱遥感）像元信号，以极不稳定的数值形式打靶到底座内相对均质的对象之上，聚合后形成以对象为容器的谱序特征和多维表征信息，这使由内外环境影响交织形成的对象单元更具表示性和解释性。此时，“时-空-谱”数据联合构建谱序立方体，对象空间形态的约束有助于解析局部空间内参数的异质性，由此生成的参数不确定性可在形态清晰、结构稳固的对象之中得到展现和诠释。据此，以下问题随即产生：面向对象承载参数的精准计算需求，在其空间形态约束下如何接受外部不稳定的探测信号?当探测信号落到局部空间时，需要在功能和物质成分相对一致的对象内部执行外部探测信号的统计分析，此时能否在建立从区域到局部、从空间到时间以及空间对象之间约束关系基础上，通过构建空间对象之间“相关性-相像性-相似性”联合的传递关系，构建一套参数一体化计算与不确定性分析模型?对此，本文针对协同运用多源遥感及序列化观测数据进行可信计算的这一环节，提出“空间形态约束谱序特征重建的不确定性分析”的科学问题，即在对象的空间形态约束下重组观测信号建立图谱特征，并分析其不确定性，形成一套全面（全覆盖/高时序/多维度）、可靠的相对量特征，以期利用感知系统实现“局部空间可解析”的目标。

4.2.2 求解思路

在地表空间之上，一个地理对象承载了多元属性，其边界形态体现了土地利用，表面是土地覆盖，内部是土壤材质，周围是土地资源，最终综合呈现的是面向各类应用需求的土地产品，故而是“五土合一”的客观存在。本研究将土地的时空特征分解为位置、形态、属性、结构、态势五大特点，信息获取的手段包含了多模态遥感谱序探测、多手段地表信息监测、多方位社会感知以及多区域统计数据分析。当这些信号投射到对象空间内时，可以在其空间形态约束下构建单时刻的统计特征；再从波段组合、时间维度延伸等方面入手，有序重组形成对象谱序特征；进一步还可运用视觉模拟和时序转换的机器学习模型建立深层映射关系，形成对象更抽象的自学习特征表示。
空间形态约束下重建谱序特征过程中，引起不确定性的因素包括空间对象形态、对象内部覆盖、遥感观测时空分辨率与传感器机制等6个方面（图6）：① 空间对象与观测数据之间的形态不匹配，遥感对地观测是利用像元对地表进行成像表达，而像元的规则粒度或空间分辨率往往无法与地理实体形态匹配，导致空间信息丢失、同类物质像元异质、边界表达模糊等问题，进而造成特征重构过程中对象表征的不准确；此外，多粒度的空间对象在尺寸大小、形态规则度方面的差异也致使其承载像元信号产生的信息量参差不一；② 空间对象内部或存在“覆盖变化”的混杂性及异质性，同一空间单元承载着不同要素和多重属性（例如，农田地块存在多种作物的混种、间种，同时承载着种植属性、土壤属性等；再如，森林林班单元/草地图斑上种有多类树种/草型的混合，承载了树种/草型属性、生物属性等多类属性），而且属性还会随着时间推移而产生变化（如耕地随季节与人类活动差异产生的种植结构变化），因而不同属性的表达需要借助差异化的谱序特征才能得到合理且充分的表示；③ 遥感谱序构建的时间不完备性，遥感对地观测因重访周期、云雨覆盖等因素导致有效数据的时间不连续，这必将导致谱序重建的时间跨度不均匀、关键期（如作物生长期、灾后应急期等）光学遥感数据缺失；④ 不同遥感装置搭建的传感器对地表特性的敏感波段和观测能力存在机理差异，谱序输入数据来源包括多光谱、高光谱、主被动雷达、热红外等多模态遥感卫星以及固定站点、车载传感、人工测量、调查统计等多手段的地面观测，各类途径获取的数据各有侧重，单源感知的“异物同谱”、“同物异谱”不确定性不可避免。因此，需要对空间、时间、属性各有侧重的多源数据进行时空谱一体化融合，并对其中的不确定性进行度量和溯源，再有的放矢地采取若干有效方式控制不确定性，从而形成可靠、敢用的特征序列。
图6 空间形态约束谱序特征重建的不确定性分析

Fig. 6 Analysis of uncertainty in spatial morphology constrained feature reconstruction of spectral sequence

在上述不确定性来源解析基础上，本文进一 步针对如何度量和控制不确定性给出4个潜在途 径（图7）。
图7 谱序特征重构过程中的不确定性度量与控制

Fig. 7 Uncertainty measurement and control in the reconstruction of spectral sequence features

（1）属性分层约束下的多源混合信号解混。该方法主要是为了解决对象单元内部属性混杂造成的不确定性。将对象单元的属性按照复杂难易程度（从定性到定量、从显性到隐含、从静态到动态、从单体到结构）进行参数的选取与分层输入。以“从定性到定量”为例，将对象属性分解为定性和定量两大类，通过属性尺度的差异将其对应到五层 粒度空间中，假设第i个对象单元所承载的属性为Ai={Ag, Ar, Al, Ao, As}i，其中Ag~As分别对应了由广域空间到信号空间的五层空间所包含的属性集，按照层级间约束关系可知Ag⊃Ar⊃Al⊃Ao∧As⊃Ao，而具体的定性和定量属性可由不同空间粒层的属性进行知识抽取得到，且每次计算可输出独立的置信度区间，与对象属性共同存储于对象空间这一层级中。该方式能有效减少多源信息输入造成的混沌性，同时减弱不确定性在不同层级载体中的传播，并能保证空间单元的属性完整性。
（2）形态分级约束下的像元空间表达不确定性度量。该方法主要是为了解决信号空间向对象空间转换时，由于空间不匹配所造成的特征抽取不准确性。由像素单元向对象单元转换的过程，实质上是一个从像素尺度上的信息推绎到地理实体对象尺度上尺度转换过程，该过程受到对象空间单元形状差异的影响，因此引入面积（Area）、边长（Length）、形状指数（Shape index-SI）等形状描述指标描述对象。对于对象i而言，在指标区间内将信号划分为确定性集合S[i]={S1, S2, …, Sm}，不确定性集合记为U[1]={U1, U2, …, Un}，其中m、n分别代表确定和不确定信号的个数，根据信号确定性集合的分析，推导出形状指标的分级标准，针对不同级别的对象形态，利用方差、标准差、概率熵等度量每一级空间内部尺度转换的不确定性，进而定位需要改进或优化的靶区。
（3）过程分时约束下的高频谱序不确定性度量。该方法是根据每类参数观测手段、环境影响、变化过程的差异，划分出每类参数的输入时间段（如农作物属性可划分为种植期T1，未种植期T2；建筑属性的规划期T1、建设期T2、使用期T3等）。在每个时段下，通过对输入数据的时间分辨率、过程覆盖完整度等指标的计算，形成谱序特征构建的不确定度。
（4）基于不确定性度量结果的正则化知识迭代。该方法是对承载单元知识输入过程中所反馈的不确定性程度，选择不确定性大的对象单元增加新的知识输入，包括多源信号的补充、尺度上推或下推方法的改进、利用时空插值进行时序空缺信息的填补等，更新各个信息输入过程中不确定性度量结果，并不断迭代直到实现对象特征的可靠充分表达。目前，该类不确定性度量和控制方式在实践过程中具有较好的可操作性，由此衍生出本文4.3节的下一个科学问题。

4.3 “星-地-人”协同的信号传递与优化控制问题

4.3.1 问题阐述

地表是极其复杂的巨系统，受内外动力作用及人类活动的影响，表现为类型繁复、差异显著的景观类型。地物形态、属性和演变过程各异，水、热、生物等地表参量的分布和演进具有显著时空尺度差异，且参量间的交互机制存在非线性，常表现为不同程度的混沌特征，限制了完备表达、精准推测的可能性[94-95]。
由于上述特征复杂性及人类认知能力的有限性，对地表系统的表征和解析仍面临严峻的数据及模型困境。尽管进入了对地观测大数据时代，但遥感或地面数据仅能提供特定时空范围下，对地表参量特征的片面描述，观测过程伴随着难以避免的数据损失，存在显著的信息量局限。对此，作者提出了“不靠遥感不行、单一遥感不行、仅靠遥感不行”的基本论断。另外，参量推测通常表述为固定数据分布下的模型寻优问题，忽视与环境的动态交互，导致封闭的训练学习过程常与实际应用情境割裂，影响推测可靠性。因此，鉴于地表系统交互机制的复杂性，单源观测数据、静态认知系统的局限性，要求推测系统能够及时融合星地观测数据及人的机理认知知识，借助智能模型表达参量间非线性交互机制，并以开放的姿态不断传递新的信号进来，且具备增量式的持续学习能力，在精细至对象空间的不确定性引导下，有序补充外部增量观测，逐步逼近参量真值，以期利用控制系统实现“空间之间可传递”的目标。

4.3.2 求解思路

地理时空数字化底座将地表参量的认知过程表述为三“测”（遥感观测、地面观测、地理推测）系统相互关联协同的闭环机制（图8）：① 遥感观测，以面状方式实现对地物要素物质成分的间接感知，记录地物多谱段、多时相的反射特征信号，为地理应用奠定了空间上全域覆盖、时间上持续更新的影像数据支撑，但仅能反映地物间相对差异，无法获知其绝对状态（或直接的参数真值）；该系统提供描述地物演进过程的多维特征，作用于单维特征匹配或多维特征交互机制挖掘过程； ② 地面观测，通常与地物绝对状态和演进过程相关的直接感知，测量精度高、时间连续性强，但受测量成本等因素所限，空间密度较低、代表性有限，呈现点状稀疏分布；该系统提供目标参量的碎片化真实值，作用于推测模型训练及强化过程； ③ 地理推测，由数据或专家知识中抽取的稳健模式构成，在不同时空尺度下，将地表抽象为蕴含多维属性的多粒度单元，描述各层级单元及其属性间的依存、约束、聚合等关系，为参量推测提供值域范围、属性交互关系等先验知识引导。实际参量解析任务中，各类数据源以底座为介，实现结构化组织，引导信号的有序传递流动及推测模型的迭代升级。
图8 地理时空数字化底座的信号传递与优化控制：“地理推测/遥感探测/地面观测”闭环

Fig. 8 Signal transmission and optimize control of geographic spatiotemporal digital base: a closed-loop with geographic inference, remote sensing detection, and ground observation

在三“测”闭环的计算机制下，地表参数的认知过程可以描述为不确定性引导下的收敛逼近过程，通过基于不确定性分析的观测信号传递与增强学习达成此目标。该过程的关键在于如何运用误差反馈与动力传递机制强化参数推测模型，即要在可靠的空间表达和可信的区间预设下，实现对解析目标的增量递进与正向寻优。对此，本研究进一步提出通过多模态数据、机理知识的有序融合以及不确定性引导下的主动驱优策略，具体解决思路是：综合“符号主义-连接主义-行为主义”智能学习方式，建立“迁移学习-深度学习-强化学习”各司其职的智能模型方阵，在地理推测系统提供的值域合理性约束下，构建由遥感间接观测信号至地面真实参数值的可靠映射机制，得到推测结果及其不确定性度量，在此基础上，有序传递高价值遥感探测信号和地面碎片化观测信号的增量信息，用于模型的更新及可控调整，最终实现推测不确定性的稳定下降（熵减），同时可将推测结果反哺知识系统，助力其不断更新。
底座场景之上的内容是通过多元化地表参数予以呈现，而参数计算模型的适应性与有效性是保证底座内容准确与否的关键，在其构建过程中需重点考虑以下2个环节。
（1）机理约束与数据驱动模型的有效交互。在多粒度时空对象结构化表达及多维度属性表征基础上，将以自然或数学语言定义的显式参量交互规则具象为针对地理对象的属性约束规则用于逻辑推理，与神经网络、决策树等“黑箱”式模型有机融合，将不同尺度间的机理关系与推测过程对齐，服务于参量解算，这本质上是借助地理对象及属性间的稳健关联模式约束求解空间。整体而言，优势体现于：在机理的约束下，能够避免与物理机制相悖的非法输出，避免常识性错误；提高推测稳健性，缩小搜索空间、提高求解效率；同时，可解释模块的融入，可以促进对地表参量演进及多属性交互方式的认知，有助于引导模型优化。
基于约束双方在4.1节表达体系中的层级关系，嵌入推测模型的知识归纳为以下3大类，在此进一步展开说明：
1）纵向上，空间对象对其次级对象单元之间的限定性约束。即大粒度对象与小粒度对象之间的包含、继承等关系。以地理分区的形式，表达区域间由于人类干预或内外动力因素造成的大尺度异质性，此类约束假定区域内部存在行政干预或自然属性的整体一致性，进而表现为其内部单元在属性空间的集聚性，常作用于复杂推测情境的解构中，将总问题分解为并列或级联式处理的子问题、子区域；或在参数计算过程中，将整体空间的属性特征继承至局部对象，约束其取值范围或提供缺省值。如将行政区域的作物种植结构（频率、分类体系）作为区域内未知耕地的种植类型（概率、分类体系）。
2）横向上，同级空间对象之间的相近/相像/相似约束，即借助同级空间对象之间的3种关系（对应地理学三大定律，即空间相近或相连关系、视觉特征或谱序变化相像关系、条件属性相似关系）实现外推。其中，① 空间相近是指对象间的物理空间距离或连通性关系，反映了因位置相近导致所处地理环境、土地资源、人类改造活动等具有一致性（对应地理学第一定律）；② 视觉特征或谱序变化（即图谱特征）的相像关系通常借助遥感影像视觉特征和时序信号变化过程的相像性，表征其地物表象及演进过程的异质性，意在刻画对象在特征空间中的一致性（对应地理学第二定律）；③ 条件属性相似关系是通过度量水、热、光照等一系列环境参量的相似性，反映对象所处环境配置的一致性（对应地理学第三定律）。基于上述3大类关系准则，可以综合度量不同地理对象在物理空间和特征空间中的相似度，定义与目标对象类型一致、环境配置相似的广义空间邻域，最终表现为参数推测结果的模式一致性。上述传递关系通常隐式作用于参数求解过程中，如提取邻域特征的卷积操作、基于邻接矩阵的图节点嵌入等；显式作用的方式则常与信息迁移过程相关，如在模型层面，基于区域相似度强弱决定泛化边界，实现泛化能力与推测精度的合理权衡；在对象层面，基于相关邻域重构缺损属性，实现信息的汇聚或扩散。
3）内向上，空间对象内部的属性自约束，即地理对象多元属性之间的相关、因果等交互关系。此类约束关系指明了遥感相对探测、地面绝对观测信号及一系列环境参量间的映射机制，通常构成推测算法中的线性或非线性函数表达式y = f (x1, x2, …, xm)，用于在给定输入属性值x1, x2, …, xm后对未知属性值y的预测或推断。值得强调的是，在模型构建之前，借助机理知识产生初始值，可以提高求解收敛的速度；在模型构建期间，将参量间的交互关系以微分形式表达并列入损失函数中，通过误差反向传播约束训练过程；在结果后处理环节，还可以以弹性阈值形式，约束输出值的合理集合或区间，保证推测结果符合地域和领域的基本常识与规律。
（2）不确定性引导下的增量式数据传递及模型有向趋优。在初步推测的基础上，解析由时空观测数据缺失、对象内部异质性、不稳定交互关系、环境状态转移等因素造成的高不确定性区域，并通过针对性数据补入，提高计算结果可靠性。与数据概率分布（域）固定、以最小化期望损失为优化策略的传统有监督学习算法相比，上述过程具有渐近式主动趋优、环境交互、数据动态更新等特征，可表述为开放系统中依赖模型的强化学习问题。底座可近似视为强化学习范式中的空间智能体，以不确定性作为激励信号，主动寻找由于不完备认知导致的高不确定性目标靶区，并构建高效的数据补入策略，因此本研究针对不确定性的度量与控制机制予以进一步阐释说明。
不确定性度量是参数求解寻优过程的重要手段。在地理推测语境中，可定义为对地表系统简化过程中的信息缺损，包括反映自然变异的随机不确定性及由于认知匮乏导致的认知不确定性。前者对应于复杂地表系统中内蕴噪声，如自然系统自身的混沌特性；后者主要由对地观测、机理表达能力不足引起，如采样过程的空间、类别不均衡性，特征表示、模型构建的不完备性，以及由于地表动态演进造成的模型滞后性等，这部分是迭代过程中的主要优化目标。在实际寻优求解过程中，可以借助随机熵、统计方差等指标，在参量推测过程的各环节前后，综合多源属性特征、领域知识及推测结果，评估先验及后验不确定性，明晰建模过程削弱不确定性的方向，特别是识别出可通过数据补入即可加以优化的“高信息量”区域。
在不确定性评估的基础上，明确遥感探测（“星”）和地面观测（“地”） 2类异尺度数据的补充需求，主动寻求关键性的增量获取手段，为新区域、新时段、新维度的数据补入设置开放接口，用于实现不确定性的有效控制。基于4.3节说明的不确定性量化及溯源过程，可以在对象层面厘清不确定性的控制机制，继而在推测过程的薄弱环节、易于出现高不确定性的空间区域或属性参量上补充信号（包括隐含专家知识的样本数据），以实现系统智能的正向进化。具体而言，可以概括为空间、时间及属性3类扩充方式：① 空间补入，通常针对上一轮迭代过程中的高不确定区域，基于其空间位置和地理可达性，加密离散的地表观测点位，判断模型的更新范围并重置推测环节；② 时间补入，代表推测模型对地表演进的实时追踪，在新时相和新环境状态下，通过拉长时序维度、补充关键时段信息等重新确定推测边界，训练模型并更新推测结果及不确定性分布；③ 属性补入，主要指属性（特征）维度的扩展与解析依据的完善，旨在通过特征表示（包括特征数量、类型、粒度等）的加强提升模型决策面的构建能力，该方式先要遵循知识体系构建原则，判断新属性中是否存在可用于知识体系扩展的稳健关系，进而再基于目标区评估属性依赖数据的信息量，考量其分辨率、比例尺、时相现势性等是否与待计算参数的时空粒度相适应，再决定是否将其纳入并强化推测模型。
以上，本研究对数字化底座构建所需重点关注的3个科学问题进行了阐释说明。概言之，这3个科学问题响应了底座可靠表达、可信分析、可控计算的核心需求，求解思路蕴含了逻辑推理、概率统计、微积分优化等数学思想。具体而言，第1个问题是针对“空间图”和“知识图”的多重表达与构建问题（即“图”的问题），重点体现时空唯一性及分区分层、分解综合的地理学思想与三大定律；第2个问题是针对遥感“特征谱”的构建问题（即“谱”的问题），其核心是空间形态约束下谱序特征重建的不确定性分析问题，重点体现局部空间内的特征统计与遥感机理；第3个问题是如何进一步形成“星-地-人”协同的计算流程与闭环机制，实现模型的迭代趋优和参数准确推测。面向具体场景，底座需要针对专题开展服务，而上述3个科学问题也随之需要在通用表述的基础上进一步领域化，即针对应用需求回答：① 底座如何分级?如何构建约束关系?如何定义参数体系（基础参数和专业参数）?需要收集和处理哪些数据?② 单个空间对象如何基于谱序遥感进行解析并量化不确定性?③ 如何构建智能专业的参数计算模型，建立三“测”闭环?这些是构建专题底座不可回避的问题。

5 地理时空数字化底座的农业应用实践

农业生产具有开放的视觉空间、时序的作物生长过程，以及规律的条件属性等显著优势，同时又与农业补贴、保险等大金融产品紧密相关，是开展地理时空数字化底座构建与应用实践的理想场景。本文选择数字农业为应用出口，设计农业产业数字化底座，以此为案例展现地理时空数字化底座组合3S技术开展“全覆盖-精准化-低成本-平台化”应用的新模式。

5.1 农业产业数字化底座设计

参照上一节，依据农业产业特点和应用需求，农业产业数字化底座构建的科学问题具体化为：① 复杂农业生产空间的多粒度分解与知识约束（行政分区+种植分区、地块分层）?② 作物生长过程多模态观测的不确定性分析及作物生长条件的时空分异探测?③ “星-地-人”协同交互的农情参数推测、知识传递与过程模拟?在技术实现上（图9），遵循“系统分解（行政分区+种植分区+地块分层）-知识约束（社会干预自然+全域限定局部+空间约束时间+定性约束定量+条件关联约束）-信息传递（置信区间+本底观测/抽样调查/实地验证/样方测定+知识关联/知识迁移/强化学习）”的步骤开展底座支架构建。
图9 农业产业数字化底座构建的实施流程

Fig. 9 Implementation process of constructing the digital base for agricultural industry

在底座内容上，针对农业生产与产业关注的要素，从自然与社会、定性与定量、表层与内部（平面与立体）、结构与单体、静态与动态由简入难顺序梳理底座承载的农情参数体系（图10），包括地块的土地利用（一级类/二级类的类型）、表层的土地覆盖变化（作物类型-生物量-产量）、浅层的土壤性状条件（土壤类型/质地/微生物/有机质/肥力/污染等）、周边环境的土地资源（水文/光热/社会经济等）等土地相关基础参数。伴随底座构建的实施流程，影响农业生产的自然因素和人文因素变量（参数）被有序嵌入于不同粒层：在广域空间的行政区上，受土地政策影响的土地利用分类系统（耕地、园地等一级类，水田、旱地等二级类）得以把握；在区域空间的种植分区上，地形地貌、水光热气等自然禀赋条件以及交通、区位、劳动力等社会经济条件得以分级，影响农业生产的自然因素和人文因素变量被有序嵌入；在局部空间的耕地区上，种植作物的功能区域得以划分；在对象空间的地块单元上，种植作物类型、产量以及管理措施变量得以表达。
图10 农业产业数字化底座承载的参数体系

Fig. 10 Supported parameter system of digital base for agricultural industry

在基础参数计算之后，面向“人-地-钱-事”应用构建一系列土地产品专业参数计算模型[96]：① “人”（监测监管），侧重于在明晰地块权属后，开展地块利用方式、使用状况的非农化、非粮化监测监管及量化评估，从而有依据地实施对人的奖励（补贴）、惩罚（罚款）和对地的治理、利用；② “地”（设计规划），强调在划定的有限空间范围和一定的价值目标约束下，对地块的土地资源和外部投入或干预进行时空优化配置与精细规划，使其产生更优的社会经济效益；③ “钱”（财务精算），落实于金融领域，是在一定社会经济相关指标协同下，对地块的农产品产出价值进行资产核算，服务于信贷、保险等金融产品的精确计算；④ “事”（事件防控），发生在对农业生产变化态势的动态预测上，通过耦合自然与社会实时发生的数据，准确预判事件的发生及未来事态的发展，如病虫害、气象灾害、产量、期货等关注内容的预警预判。值得说明的是，上述构建了面向农业应用的部分指标（参数）体系，在具体求算时，需进一步明确如下问题：每一种参数落到底座的哪一个粒层?对应的计算模型如何构建?如何使用知识约束?参数相互之间有无关联约束?如何进行相互比对和信息补充?这些问题要根据具体关注的目标参数给予针对性地思考。
通过上述思路铺垫，本文设计了农业产业数字化底座（图11），其定位概述如下：综合利用卫星遥感、人工智能等现代信息技术和设施设备，有机组合基础地理信息和星地观测数据资源，围绕某一行政区主要保供产业和特色产业地块级的精准化管理需求，以地图为载体，在“地理推测-遥感探测-地面观测”闭环支撑下，沿着“系统分解-知识约束-信息传递”的路径进行数据获取、信息处理、地理推测、智慧应用的全链条转换，最终形成“数据+软件”双驱动的农业数字化服务能力。基于该底座，可以开展主要种养产业时空分布、农业资源环境在地图上的数字化应用，对重要种植产业能进行智能辅助决策，对主要农业产业“产在哪里、规模多大、状态如何”实行动态监测，为生产决策提供可追踪、可查询、可分析的“时空信息字典”，为农业主管部门和行业处室及涉农企事业单位提供便捷实用的“地图工具”。
图11 农业产业数字化底座设计示意图

Fig. 11 The design diagram of digital bases in the agricultural industry

5.2 重庆开州区农业应用案例

在上述框架设计基础上，图12具体描绘了农业生产空间进行五层空间分解的基本过程。对照该层级结构，本文结合重庆开州区地块种植作物类型参数计算的需求予以阐释，按照“行政分区—种植分区—地块分层—属性分级—关系约束—参数计算—农情服务”的路径展开具体说明。
图12 农业产业数字化底座五层空间结构构建过程

Fig. 12 The construction of a five story spatial structure for the digital base for agricultural industry

（1）行政分区。首先，利用乡镇行政矢量数据，基于高分遥感影像对乡镇边界进行微调。调整原则：① 不破坏地块的完整性；② 以路网、水网为基准进行分区；③ 与行政分区边界偏差不能过大。其次，通过查找统计数据，确定各乡镇种植区内政策导向、特色优势作物及各类作物占比、时空分布、产量等信息，对作物类型进行编码。重庆开州区的行政分区微调及作物历史种植情况统计调查结果如图13和表1所示。
图13 重庆开州区行政分区边界微调

Fig. 13 Fine adjustment of administrative division boundaries of Kaizhou District, Chongqing City

表1 重庆开州区2021年种植作物面积统计[97]

Tab. 1 Statistical investigation on historical crop planting in Kaizhou District, Chongqing City （hm2）

行政编码 行政名称 种植面积
水稻 玉米 油菜 柑橘
5001541 重庆开州区 27 990 22 719 12 161 21 003
（2）种植分区。基于行政分区边界，根据分区内的地形地貌特征进行二次分区。在乡镇分区基础上进一步依据物候信息、地形地貌等划分各乡镇内种植区范围，确保各种植区内部地理条件的趋同性。分区原则： ① 保证不破坏地块的完整性；② 山区、丘陵及平地等尽可能分为不同区域； ③ 同一种植区内耕地类型、环境尽可能保持一致（气候、水热、土壤条件等）； ④ 参考作物物候划分界线进行分区（高程、山谷、山脊等）。开州区各乡镇的种植分区如图14所示。在此基础上，统计各种植区内部的高程、高程差、温度等自然地理条件信息，进一步确定每个种植区的作物分类系统，形成各种植区作物类型集合及关联信息，包括作物类型、优先级顺序（权重）、物候特征等，缩小各种植区内部作物类型、种植物候的差异。
图14 重庆开州区各乡镇的种植分区（以大德镇为示例展示分区过程）

Fig. 14 Planting zoning of towns in Kaizhou District, Chongqing City (Using Dade Town as an example to demonstrate the partitioning process)

（3）地块分层。在每个种植分区控制下，根据不同类型农田地块在高空间分辨率遥感影像上呈现的视觉特征差异，利用边缘、纹理、语义等异构深度网络模型进行地块分层提取（图15）。具体过程如下[98]： ① 在规则耕地集中分布区，田块边缘清晰、形态齐整，采用HED、RCF等边缘模型提取田块边界线； ② 在坡耕地、梯田为主的丘陵地带，田块零散分布，边缘模糊但纹理相对明朗，选择ITNet、EncNet等纹理模型提取田块边界线； ③ 针对山地不同区域耕地光谱特征不匹配、阴坡耕地难识别、几何形状和高层语义不一致的问题，引入对抗生成网络和语义网络构建不同区域的迁移学习和多层次信息转换机制； ④ 通过数学形态学方法与“线构面”处理算法构建田块面状矢量轮廓；⑤ 辅以少量人工检查与修改，最终形成由多边形联接而成的地块，满足作物类型参数计算的矢量制图需求。
图15 重庆开州区地块分层提取

Fig. 15 Stratified extraction of land geo-parcels in Kaizhou District, Chongqing City

（4）属性分级。以地块基准上，进一步根据地块所在位置，收集描绘土地资源的多源时空数据，包括表征自然资源禀赋、生态环境本底、社会经济条件的历史调查和社会感知数据，将其在地块上聚合，以特征向量形式构建地块分级的结构化属性序列，根据地块形态特征、迁移土地利用调查等历史调查数据，确定每个自然分区内各地块的土地利用类型，种植地块分级属性表及其实例如表2、表3所示。基于该视角，本研究将农业用地大致分为4大类：① 耕地（水田-水稻、水浇地-小麦、旱地/坡耕地-玉米/土豆）；在山地区，进一步定义耕地为平坝区水田、山地梯田、旱地/坡耕地、缓坡区的水浇地（喀斯特地貌）；② 园（林草）地（果园、茶园、经济作物用地等）；③ 设施农业用地（大棚、灌溉水系及水利设施、田间道路、农业生产型建筑等）；④ 养殖（坑塘）水面（鱼塘、水生养殖地、灌溉水面等）。
表2 种植地块分级属性

Tab. 2 Attribute table of land geo-parcel

分级类别 字段名称 属性名称 属性说明与示例
基本属性 land_code 地块编号 1，2，…，分区号
[分区号为086+500（省代码）+0000（分区编号代码）]
land_xz 行政区划 例：500154109000
land_zrea 地块面积 单位：hm2
land_lengt 地块周长 单位：m
土地利用 lu_1 地块类别（一级类） 耕地：0100；园地：0200；水域：0400
lu_2 土地利用类型（二级类） 水田0101；旱地0102；水浇地0103；果园0201；茶园0202；经济园0203；其他园地0204；坑塘水面0401
土地覆盖 zw_1 作物类型（一轮） 水稻、玉米、蔬菜……
zw_2 作物类型（二轮） 再生稻……
zw_3 作物类型（三轮） 油菜、小麦……
land_grow 作物长势 5个等级：好、较好、持平、较差、差
land_prod 作物产量 单位：kg
土地资源 land _tem 地块积温 单位：℃
land _rain 地块降水 单位：mm
land_dem 地块高程 单位：m
land_aspec 地块坡度 单位：°
land_slope 地块坡向 单位：°
表3 重庆开州区地块属性表实例

Tab. 3 Example of land geo-parcels' attributes in Kaizhou District, Chongqing City

地块编号 行政区划 地块面积
/hm2		 地块周长
/m		 地块高程
/m		 地块坡向
/(°)		 地块坡度
/(°)		 土地利用
一级类		 土地利用
二级类
340865000026 500154115000 0.112 154.98 310 111 6 0100 0101
1260865000026 500154115000 0.019 55.39 366 315 2 0100 0101
1270865000026 500154115000 0.005 29.90 324 298 8 0100 0103
1290865000026 500154115000 0.177 171.21 329 255 4 0100 0101
1330865000026 500154115000 0.092 173.97 368 212 11 0100 0103
1750865000026 500154115000 0.185 233.37 316 258 2 0100 0103
… … … … … … … … …
（5）关系约束（地理推测）。约束关系的构建，是底座灵魂所在。在行政区、种植区、耕地区的层层约束下，社会条件与自然条件干预相结合，使地块种植的作物类型产生了一定的时空约束关系。因此按照“行政区-种植区-耕地区-地块-像元”的由粗到细的层级粒度变化，从稳定（宏观）到不稳定（微观）建立时空约束关系，以提升对目标参数的整体性系统认知。具体如图16所示：① 在行政区层级上，确定基本的土地利用分类系统，体现政府指导和市场对种植制度、优势与特色作物的影响干预；② 在种植区层级上，地形/地貌、土壤/水/光/热等自然条件，具有相对一致性；协同行政区划，确定作物分类系统，包括黑/白名单（即必无/必存在的作物类型）、优势排序等，确定作物品种的物候生长特征；③ 在耕地区层级上，利用土地利用调查数据划定耕地、园地范围边界，并通过农用地的土地利用类型二级类属性对种植作物类型进行约束，如耕地包含水田（水稻）、水浇地（蔬菜）、旱地/坡耕地（小麦、玉米、高粱、油菜、马铃薯、红苕）等，园地包含果园、茶园、药材、园艺等，养殖地包含坑塘水面（鱼塘、水生养殖地、灌溉水面等）；④ 在地块层级上，内部土壤物质构成、表面土地覆盖变化、外部自然条件与人类活动影响等，具有相对均质的条件属性约束，且能通过地块空间形态约束土地覆盖（种植作物）的变化，定性的类型参数（集合）约束了定量指标的取值区间；⑤ 在像元层级上，由亚米级高分遥感影像视觉信号感知地物对象的图形边界和特征，由超越视觉遥感的谱序信号探测地物物质成分及其变化机理。
图16 重庆开州区农业产业数字化底座内嵌的知识关系约束

Fig. 16 Knowledge relationship constraints embedded in the digital base of agricultural industry in Kaizhou District, Chongqing City

随后，根据种植区作物类型优先级顺序（权重）、物候特征及各地块的土地利用类型对土地覆盖类型（作物类型）的约束关系，确定每个地块的作物类型集合，并确定各作物类型识别的不确定性，用置信度予以刻画。以水稻为例，推测过程如图17所示。
图17 重庆开州区地块作物类型推测及置信度计算过程

Fig. 17 The process of crop type inference and confidence calculation on land geo-parcels in Kaizhou District, Chongqing City

（6）参数计算（遥感探测+地面观测）。在推测得到的作物类型基础上，进一步加入遥感探测信号构建“星-地-人”协同的地块作物类型参数计算：以种植区为任务单元，将碎片化的遥感数据按照时间维度重组到地块单元上，分谱、分时构建反映地块作物生长过程的谱序特征，再迁移地理环境相关的属性特征数据，形成时空协同的特征立方体；进而通过内外业结合进行地面采样观测，建立分区内地块作物类型的样本集。基于该样本集训练机器学习模型，从而在地块作物类型的候选集合内挑选出最有可能的作物类型，并综合地块形态特征、遥感时序观测信号的不完备性以及地形干扰等不确定性因素，计算得到每个地块作物类型的置信度。综合置信度的空间分布、交通路线的可达性等因素，向移动终端推送采样扩增或种植作物类型验证的请求，定位低置信度的地块予以重点关注，通过外业采集或专家内业目视判读进行确认和补样；在得到增量信息的补充后，进行增量学习模型训练，实现模型的迭代和作物类型参数的重置。重庆开州区2022年作物类型参数计算结果如图18所示。总体而言，地块级的制图成果能较好贴合实际耕地边界，作物类型参数计算结果的置信度较高。
图18 重庆开州区地块作物类型参数计算及其置信度

Fig. 18 Calculation of crop type and confidence on land geo-parcels in Kaizhou District, Chongqing City

（7）农情服务。通过以上过程，农业产业数字化底座可以被稳固地构建起来，各类基础参数和专题信息被作为呈现内容装载其中。面向进一步的专业化应用需求，该底座可提供如下智慧农情服务：① 实现行政分区、种植分区以及分层地块数据的轻量化管理与融合，包括全量耕地地块数据的定期更新、局部数据的实时更新；② 通过系统API接口实现地块属性的快速更新和地块参数的智能计算，并表达出计算结果的置信度；③ 通过接口方式将计算结果和置信度推送给外业APP或内业专家，获取实地调查或内业检核的验证信息，将其作为反馈数据实时更新到底座数据库中；④ 具备农情地图服务能力，面向“人-地-钱-事”的智慧农业应用需求构建专业模型，提供扎实可靠的时空信息服务。

6 结论

高质量发展是全面建设社会主义现代化国家的首要任务。利用地理时空信息助力数字化转型，对于赋能我国各行业的高质量发展意义重大、任重道远。当前，以空间定位、对地观测、地理信息系统为核心的时空信息技术取得了长足进步，与数字经济相关的科技交叉融合和共生发展渐成常态。在此背景牵引下，本文聚焦高质量发展对时空信息赋能提出的迫切需求，以大数据智能时代地理学面临的内生革新发展问题为导向，全面梳理了地理时空表达与计算理论方法所取得的研究进展及面临的新挑战，指出亟须更新观念、跨界融合、创新技术，以提升时空信息产品生产水平，助力三生空间上社会经济活动之高质量转型发展。
在此基础上，本文立足时空唯一性、时空分布规律，提出了围绕支架、容器、引擎3个基本要素的地理时空数字化底座概念模型和设计理念，重点描绘了以“系统分解-知识约束-信息传递”为主线的遥感智能计算路径及底座内嵌的知识图谱，进一步聚焦“可靠表达”、“可信分析”、“可控计算” 3个环节阐释了其中的关键科学问题，响应了立足复杂地表系统打造精准化底座所面临的“全域空间可解构”、“局部空间可解析”、“空间之间可传递”挑战。通过求解思路的浅析，说明了“地学分析思想+遥感机理知识+机器智能算法”有机协同以及“符号主义+连接主义+行为主义”智能综合的可行性与必要性。最后，通过数字化底座的农业应用实践案例，描绘了面向“人-地-钱-事”的四类应用模式，以种植类型参数为例展示了“地理推测-遥感探测-地面观测”闭环的计算流程，论证了底座之于精准应用的基础性和有效性。
本文聚焦农业生产空间提出数字化底座的构建思路，旨在综合地理、遥感、人工智能和农学领域知识初步开展了农业种植监测应用，通过数据获取、信息处理、知识产生、智慧应用的链条串接，验证了稳固底座支撑下精准农情信息的可及性与可靠性。以微知著，地理时空数字化底座构建的多学科交叉特色极为显著，本文以农业应用为案例抛砖引玉，期待面向自然生态、城市生活、能源安全、应急救灾等领域的数字化底座不断涌现，以提供更高品质的时空信息，支撑更高层次的时空分析和专题应用，赋能更多行业高质量发展。
本文图文责任编辑： 蒋树芳 黄光玉

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
中国政府网, 中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要[R].2021-3-13.

[ The Chinese government. The 14th Five Year Plan for National economic and social development of the China and the outline of vision goals for 2035[R]. 2021-3-13. ]

[2]
王钦敏. 全面建设数字政府统筹推进数字化发展[J]. 行政管理改革, 2022, 149(1):4-7.

[ Wang Q M. Building digital government in an all-round way and promoting digitalized development in a coordinated manner[J]. Administration Reform, 2022, 149(1):4-7. ] DOI:10.14150/j.cnki.1674-7453.2022.01.002

[3]
徐冠华, 黄写勤. 数字经济背景下地理信息产业现状及发展重点探讨[J]. 地理信息世界, 2022, 29(5):1-3.

[ Xu G H, Huang X Q. On the status quo and development focus of geospatial industry under the background of digital economy[J]. Geomatics World, 2022, 29(5):1-3. ] DOI: 10.3969/j.issn.1672-1586.2022.05.001

[4]
傅伯杰. 地理学:从知识、科学到决策[J]. 地理学报, 2017, 72(11):1923-1932.

DOI

[ Fu B J. Geography: From knowledge, science to decision making support[J]. Acta Geographica Sinica, 2017, 72(11):1923-1932. ] DOI:10.11821/dlxb201711001

[5]
骆剑承, 吴田军, 吴志峰, 等. 地理图斑智能计算及模式挖掘方法研究[J]. 地球信息科学学报, 2020, 22(1):57-75.

DOI

[ Luo J C, Wu T J, Wu Z F, et al. Methods of intelligent computation and pattern mining based on geo-parcels[J]. Journal of Geo-information Science, 2020, 22(1):57-75. ] DOI:10.12082/dqxxkx.2020.190462

[6]
张兵, 杨晓梅, 高连如, 等. 遥感大数据智能解译的地理学认知模型与方法[J]. 测绘学报, 2022, 51(7):1398-1415.

DOI

[ Zhang B, Yang X M, Gao L R, et al. Geo-cognitive models and methods for intelligent interpretation of remotely sensed big data[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7):1398-1415. ]

DOI

[7]
傅伯杰. 新时代自然地理学发展的思考[J]. 地理科学进展, 2018, 37(1):1-7.

DOI

[ Fu B J. Thoughts on the recent development of physical geography[J]. Progress in Geography, 2018, 37(1):1-7. ] DOI:10.18306/dlkxjz.2018.01.001

[8]
Awrejcewicz J, Sanjuán M A F. Introduction to focus issue: Recent advances in modeling complex systems: Theory and applications[J]. Chaos, 2021, 31(7):070401. DOI: 10.1063/5.0061767

[9]
Siegenfeld A F, Bar-Yam Y. An introduction to complex systems science and its applications[J]. Complexity, 2020, 2020:6105872. DOI: 10.1155/2020/6105872

[10]
钱学森, 于景元, 戴汝为. 一个科学新领域——开放的复杂巨系统及其方法论[J]. 自然杂志, 1990, 12(1):3-10,64.

[ Qian X S, Yu J Y, Dai R W. A new field of science—Open complex giant system and its methodology[J]. Nature Magazine, 1990, 12(1):3-10,64. ]

[11]
Zadeh L A. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic[J]. Fuzzy Sets and Systems, 1997, 90(2):111-127. DOI: 10.1016/S0165-0114(97)00077-8

[12]
Xu Z B, Sun J. Model-driven deep-learning[J]. National Science Review, 2018, 5(1):22-24. DOI:10.1093/nsr/nwx099

[13]
Steffen W, Richardson K, Rockström J, et al. The emergence and evolution of Earth System Science[J]. Nature Reviews Earth & Environment, 2020,1:54-63. DOI: 10.1038/s43017-019-0005-6

[14]
狄增如, 陈晓松. 复杂系统科学研究进展[J]. 北京师范大学学报(自然科学版), 2022, 58(3):371-381.

[ Di Z R, Chen X S. Complex systems science: Recent advances[J]. Journal of Beijing Normal University (Natural Science), 2022, 58(3):371-381. ] DOI: 10.12202/j.0476-0301.2022178.

[15]
傅伯杰, 赵文武, 陈利顶. 地理-生态过程研究的进展与展望[J]. 地理学报, 2006, 61(11):1123-1131.

[ Fu B J, Zhao W W, Chen L D. Progress and perspective of geographical-ecological processes[J]. Acta Geographica Sinica, 2006, 61(11):1123-1131. ] DOI:10.3321/j.issn:0375-5444.2006.11.001.

[16]
宋长青, 程昌秀, 史培军. 新时代地理复杂性的内涵[J]. 地理学报, 2018, 73(7):1204-1213.

DOI

[ Song C Q, Cheng C X, Shi P J. Geography complexity: New connotations of geography in the new era[J]. Acta Geographica Sinica, 2018, 73(7):1204-1213. ] DOI:10.11821/dlxb201807002

[17]
陈述彭, 岳天祥, 励惠国. 地学信息图谱研究及其应用[J]. 地理研究, 2000, 19(4):337-343.

DOI

[ Chen S P, Yue T X, Li H G. Studies on Geo-informatic Tupu and its application[J]. Geographical Research, 2000, 19(4):337-343. ]

[18]
Forman R T T, Godron M. Landscape ecology[M]. New York: Wiley, 1986.

[19]
傅伯杰. 景观多样性分析及其制图研究[J]. 生态学报, 1995, 15(4):345-350.

[ Fu B J. Landscape diversity analysis and mapping research[J]. Acta Ecologica Sinica, 1995, 15(4):345-350. ] DOI:10.3321/j.issn:1000-0933.1995.04.001

[20]
周成虎. 全息地图时代已经来临——地图功能的历史演变[J]. 测绘科学, 2014, 39(7):3-8.

[ Zhou C H. The era of holographic map has come-the historical evolution of map function[J]. Science of Surveying and Mapping, 2014, 39(7):3-8. ] DOI:10.16251/j.cnki.1009-2307.2014.07.001

[21]
周成虎. 全空间地理信息系统展望[J]. 地理科学进展, 2015, 34(2):129-131.

DOI

[ Zhou C H. Prospects on pan-spatial information system[J]. Progress in Geography, 2015, 34(2):129-131. ]

DOI

[22]
周成虎, 孙九林, 苏奋振, 等. 地理信息科学发展与技术应用[J]. 地理学报, 2020, 75(12):2593-2609.

DOI

[ Zhou C H, Sun J L, Su F Z, et al. Geographic information science development and technological application[J]. Acta Geographica Sinica, 2020, 75(12):2593-2609. ] DOI:10.11821/dlxb202012004

[23]
王迪, 钱海忠, 赵钰哲. 综述与展望:地理空间数据的管理、多尺度变换与表达[J]. 地球信息科学学报, 2022, 24(12):2265-2281.

DOI

[ Wang D, Qian H Z, Zhao Y Z. Review and prospect: Management, multi-scale transformation and representation of geospatial data[J]. Journal of Geo-Information Science, 2022, 24(12):2265-2281. ] DOI:10.12082/dqxxkx.2022.220163

[24]
吴田军, 骆剑承, 赵馨, 等. 精准地理应用驱动的高分遥感协同计算研究[J]. 武汉大学学报(信息科学版), 2022, 47(8):1220-1235.

[ Wu T J, Luo J C, Zhao X, et al. Collaborative computing of high-resolution remote sensing driven by fine-accurate geographic applications[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8):1220-1235. ] DOI: 10.13203/j.whugis20220335.

[25]
华一新, 赵鑫科, 张江水. 地理信息系统研究新范式[J]. 地球信息科学学报, 2023, 25(1):15-24.

DOI

[ Hua Y X, Zhao X K, Zhang J S. New paradigm of geographic information systems research[J]. Journal of Geo-Information Science, 2023, 25(1):15-24. ] DOI:10.12082/dqxxkx.2023.220300

[26]
Zhou C H, Wang H, Wang C S, et al. Geoscience knowledge graph in the big data era[J]. Science China Earth Sciences, 2021, 64(7):1105-1114. DOI:10.1007/s11430-020-9750-4

[27]
Wang S, Zhang X Y, Ye P, et al. Geographic knowledge graph (GeoKG): A formalized geographic knowledge representation[J]. ISPRS International Journal of Geo-Information, 2019, 8(4):184. DOI: 10.3390/ijgi8040184

[28]
DiSalle R. Space and time: Inertial frames. Stanford Encyclopedia of Philosophy (ed. Edward N. Zalta. Third edition)[M]. Berlin: Spring, 2020.

[29]
Jakeman A J, Letcher R A, Norton J P. Ten iterative steps in development and evaluation of environmental models[J]. Environmental Modelling & Software, 2006, 21(5):602-614. DOI:10.1016/j.envsoft.2006.01.004

[30]
Walker W E, Harremo S P, Rotmans J, et al. Defining uncertainty: A conceptual basis for uncertainty management in model-based decision support[J]. Integrated Assessment, 2003, 4(1):5-17. DOI:10.1076/iaij.4.1.5.16466

[31]
Brown J D. Knowledge, uncertainty and physical geography: Towards the development of methodologies for questioning belief[J]. Transactions of the Institute of British Geographers, 2004, 29(3):367-381. DOI:10.1111/j.0020-2754.2004.00342.x

[32]
邓伟, 张少尧, 张昊, 等. 人文自然耦合视角下过渡性地理空间概念、内涵与属性和研究框架[J]. 地理研究, 2020, 39(4):761-771.

DOI

[ Deng W, Zhang S Y, Zhang H, et al. Transitional geospace from the perspective of human-nature coupling: Concept, connotations, attributes, and the research framework[J]. Geographical Research, 2020, 39(4):761-771. ] DOI:10.11821/dlyj020200189

[33]
Xu L, Chen N C, Chen Z Q, et al. Spatiotemporal forecasting in earth system science: Methods, uncertainties, predictability and future directions[J]. Earth-Science Reviews, 2021, 222:103828. DOI:10.1016/j.earscirev.2021.103828

[34]
黄骁力, 丁浒, 那嘉明, 等. 地貌发育演化研究的空代时理论与方法[J]. 地理学报, 2017, 72(1):94-104.

DOI

[ Huang X L, Ding H, Na J M, et al. Theories and methods of space-for-time substitution in geomorphology[J]. Acta Geographica Sinica, 2017, 72(1):94-104. ] DOI:10.11821/dlxb201701008

[35]
张静静, 朱文博, 赵芳, 等. 山地平原过渡带地形起伏特征及其对景观格局的影响——以太行山淇河流域为例[J]. 中国科学(地球科学), 2018, 48(4):476-486.

[ Zhang J J, Zhu W B, Zhao F, et al. Spatial variations of terrain their impacts on landscape pattern in the transition zone from mountains to plains—a case study of Qihe River Basin in the Taihang Mountains[J]. Scientia Sinica (Terrae), 2018, 48(4):476-486. ] DOI:10.1360/N072016-00417

[36]
张雪莹, 张正勇, 刘琳, 等. 新疆地形复杂度的空间格局及地理特征[J]. 地理研究, 2022, 41(10):2832-2850.

DOI

[ Zhang X Y, Zhang Z Y, Liu L, et al. Spatial pattern and geographical characteristics of terrain complexity index in Xinjiang[J]. Geographical Research, 2022, 41(10):2832-2850. ] DOI:10.11821/dlyj020211075

[37]
邓伟, 戴尔阜, 贾仰文, 等. 山地水土要素时空耦合特征、效应及其调控[J]. 山地学报, 2015, 33(5):513-520.

[ Deng W, Dai E F, Jia Y W, et al. Spatiotemporal coupling characteristics, effects and their regulation of water and soil elements in mountainous area[J]. Mountain Research, 2015, 33(5):513-520. ] DOI:10.16089/j.cnki.1008-2786.000064

[38]
黄琦, 王宏志, 顾江, 等. 城乡景观复杂度视角下的城乡交错带界限确定——以武汉市为例[J]. 经济地理, 2019, 39(10):71-77.

[ Huang Q, Wang H Z, Gu J, et al. The determination of urban-rural ecotones from the perspective of urban and rural landscape complexity[J]. Economic Geography, 2019, 39(10):71-77. ] DOI:10.15957/j.cnki.jjdl.2019.10.010

[39]
刘彦随. 现代人地关系与人地系统科学[J]. 地理科学, 2020, 40(8):1221-1234.

DOI

[ Liu Y S. Modern human-earth relationship and human-earth system science[J]. Scientia Geographica Sinica, 2020, 40(8):1221-1234. ] DOI:10.13249/j.cnki.sgs.2020.08.001

[40]
柳钦火, 辛晓洲, 唐娉, 等.定量遥感模型、 应用及不确定性研究[M]. 北京: 科学出版社, 2010.

[ Liu Q H, Xin X Z, Tang P, et al. Quantitative remote sensing model, application and uncertainty research[M]. Beijing: Science Press, 2010. ]

[41]
张倩宁. 栅格类别数据面积尺度效应及其不确定性研究[D]. 成都: 西南交通大学, 2021.

[ Zhang Q N. Study on area scale effect and its uncertainty of raster category data[D]. Chengdu: Southwest Jiaotong University, 2021. ]

[42]
杨静, 陆铭华, 胡星辰, 等. 基于不确定时间序列的来袭目标解算方法[J]. 系统仿真学报, 2023, 35(6):1245-1259.

DOI

[ Yang J, Lu M H, Hu X C, et al. An approach to solving the incoming target based on uncertain time series[J]. Journal of System Simulation, 2023, 35(6):1245-1259. ] DOI:10.16182/j.issn1004731x.joss.22-0123

[43]
杜萌, 赵萍, 张浩, 等. 多源时空数据的地表分类信息挖掘[J]. 测绘通报, 2021,5:10-14.

[ Du M, Zhao P, Zhang H, et al. Surface classification information mining based on multi-source spatio-temporal data[J]. Bulletin of Surveying and Mapping, 2021, 5:10-14. ] DOI:10.13474/j.cnki.11-2246.2021.0133

[44]
汪静平, 吴小丹, 马杜娟, 等. 基于机器学习的遥感反演:不确定性因素分析[J]. 遥感学报, 2023, 27(3):790-801.

[ Wang J P, Wu X D, Ma D J, et al. Remote sensing retrieval based on machine learning algorithm: Uncertainty analysis[J]. National Remote Sensing Bulletin, 2023, 27(3):790-801. ]

[45]
秦昆. GIS空间分析理论与方法[M]. 2版. 武汉: 武汉大学出版社, 2010.

[ Qin K. Theories and methods of spatial analysis in GIS[M]. 2nd ed. Wuhan: Wuhan University Press, 2010. ]

[46]
Foody G M. Approaches for the production and evaluation of fuzzy land cover classifications from remotely-sensed data[J]. International Journal of Remote Sensing, 1996, 17(7):1317-1340. DOI: 10.1080/01431169608948706

[47]
史文中. 空间数据与空间分析不确定性原理[M]. 2版. 北京: 科学出版社, 2015.

[ Shi W Z. Principles of modeling uncertainties in spatial data and spatial analyses[M]. 2nd ed. Beijing: Science Press, 2015. ]

[48]
Tim P, Felix L, Alexandra B, et al. Uncertainty in neural networks: Approximately bayesian ensembling[C]. The 23rd International Conference on Artificial Intelligence and Statistics, Beijing, China, 2019.

[49]
吴浩, 程志萍, 史文中, 等. 遥感云分类不确定性的多维混合熵模型评价[J]. 测绘科学, 2016, 41(5):50-54,176.

[ Wu H, Cheng Z P, Shi W Z, et al. Evaluation on uncertainty of RS cloud classification based on multidimensional hybrid entropy model[J]. Science of Surveying and Mapping, 2016, 41(5):50-54,176. ] DOI:10.16251/j.cnki.1009-2307.2016.05.011

[50]
McIver D K, Friedl M A. Estimating pixel-scale land cover classification confidence using nonparametric machine learning methods[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(9):1959-1968.

[51]
竞霞, 魏曼, 王纪华, 等. 基于边界域修正粗糙熵模型的遥感影像分类不确定性评价[J]. 中国农业科学, 2014, 47(11):2135-2141.

DOI

[ Jing X, Wei M, Wang J H, et al. Uncertainty research of remote sensing image classification using the boundary region-based modified rough entropy model[J]. Scientia Agricultura Sinica, 2014, 47(11):2135-2141. ] DOI:10.3864/j.issn.0578-1752.2014.11.007

[52]
Liang J Y, Wang J H, Qian Y H. A new measure of uncertainty based on knowledge granulation for rough sets[J]. Information Sciences, 2009, 179(4):458-470. DOI:10.1016/j.ins.2008.10.010

[53]
甘秀娜, 李明, 王月波. 基于信息粒化的区间值信息系统不确定性度量方法[J]. 计算机应用与软件, 2021, 38(8):107-114.

[ Gan X N, Li M, Wang Y B. Uncertainty measurement method of interval-valued information system based on information granulation[J]. Computer Applications and Software, 2021, 38(8):107-114. ] DOI:10.3969/j.issn.1000-386x.2021.08.018

[54]
雷蕾, 王晓丹. 结合SVM与DS证据理论的信息融合分类方法[J]. 计算机工程与应用, 2013, 49(11):114-117.

[ Lei L, Wang X D. Approach of information fusion and classification by SVM and DS evidence theory[J]. Computer Engineering and Applications, 2013, 49(11):114-117. ] DOI:10.3778/j.issn.1002-8331.1110-0377

[55]
罗海燕, 廖芳, 郑文武, 等. 顾及邻域像元分类决策的遥感影像分类蚁群算法[J]. 测绘地理信息, 2016, 41(6):35-39,61.

[ Luo H Y, Liao F, Zheng W W, et al. An ACO algorithm for remote sensing image classification considering correlation among adjacent pixels[J]. Journal of Geomatics, 2016, 41(6):35-39,61. ] DOI:10.14188/j.2095-6045.2016.06.009

[56]
Fu T Y, Ma L, Li M C, et al. Using convolutional neural network to identify irregular segmentation objects from very high-resolution remote sensing imagery[J]. Journal of Applied Remote Sensing, 2018, 12:025010. DOI: 10.1117/1.JRS.12.025010

[57]
Brna A P, Brown R C, Connolly P M, et al. Uncertainty-based modulation for lifelong learning[J]. Neural Networks, 2019, 120:129-142. DOI:10.1016/j.neunet.2019.09.011

PMID

[58]
王春艳, 刘佳新, 徐爱功, 等. 一种新的高分辨率遥感影像模糊监督分类方法[J]. 武汉大学学报(信息科学版), 2018, 43(6):922-929.

[ Wang C Y, Liu J X, Xu A G, et al. A new method of fuzzy supervised classification of high resolution remote sensing image[J]. Geomatics and Information Science of Wuhan University, 2018, 43(6):922-929. ] DOI:10.13203/j.whugis20150726

[59]
熊巨华, 高阳, 吴浩, 等. 国家自然科学基金视角下地理科学融合发展路径探索[J]. 地理学报, 2022, 77(8):1839-1850.

DOI

[ Xiong J H, Gao Y, Wu H, et al. Exploring the integrative development paths of geographic sciences from the perspective of National Natural Science Foundation of China[J]. Acta Geographica Sinica, 2022, 77(8):1839-1850. ] DOI:10.11821/dlxb202208001

[60]
Hartshorne R. The nature of geography: A critical survey of current thought in the light of the past[J]. Annals of the Association of American Geographers, 1939, 29(3):173. DOI:10.2307/2561063

[61]
刘瑜. 地理信息科学:地理学的核心或是外缘?[J]. 中国科学:地球科学, 2022, 52(2):377-380.

[ Liu Y. Geographic information science: The core or periphery of geography?[J]. Scientia Sinica (Terrae), 2022, 52(2):377-380. ]

[62]
刘瑜, 郭浩, 李海峰, 等. 从地理规律到地理空间人工智能[J]. 测绘学报, 2022, 51(6):1062-1069.

DOI

[ Liu Y, Guo H, Li H F, et al. A note on GeoAI from the perspective of geographical laws[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(6):1062-1069. ] DOI:10.11947/j.AGCS.2022.20220125

[63]
Golledge R G. The nature of geographic knowledge[J]. Annals of the Association of American Geographers, 2002, 92(1):1-14. DOI:10.1111/1467-8306.00276

[64]
陈旻, 闾国年, 周成虎, 等. 面向新时代地理学特征研究的地理建模与模拟系统发展及构建思考[J]. 中国科学:地球科学, 2021, 51(10):1664-1680.

[ Chen M, Lü G N, Zhou C H, et al. Thinking on the development and construction of geographic modeling and simulation system for the study of geographical characteristics in the new era[J]. Scientia Sinica (Terrae), 2021, 51(10):1664-1680. ]

[65]
闾国年, 周成虎, 林珲, 等. 地理综合研究方法的发展与思考[J]. 科学通报, 2021, 66(20):2542-2554.

[ Lü G N, Zhou C H, Lin H, et al. Development overview and some thoughts on geographic synthesis[J]. Chinese Science Bulletin, 2021, 66(20):2542-2554. ] DOI:10.1360/TB-220-0799

[66]
裴韬, 刘亚溪, 郭思慧, 等. 地理大数据挖掘的本质[J]. 地理学报, 2019, 74(3):586-598.

DOI

[ Pei T, Liu Y X, Guo S H, et al. Principle of big geodata mining[J]. Acta Geographica Sinica, 2019, 74(3):586-598. ] DOI:10.11821/dlxb201903014

[67]
张雪英, 闾国年, 叶鹏. 大数据地理信息系统:框架、技术与挑战[J]. 现代测绘, 2020, 43(6):1-8.

[ Zhang X Y, Lü G N, Ye P. Big data GIS: Framework, technologies and challenges[J]. Modern Surveying and Mapping, 2020, 43(6):1-8. ] DOI:10.3969/j.issn.1672-4097.2020.06.001

[68]
张永生, 张振超, 童晓冲, 等. 地理空间智能研究进展和面临的若干挑战[J]. 测绘学报, 2021, 50(9):1137-1146.

DOI

[ Zhang Y S, Zhang Z C, Tong X C, et al. Progress and challenges of geospatial artificial intelligence[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(9):1137-1146. ]

DOI

[69]
高松. 地理空间人工智能的近期研究总结与思考[J]. 武汉大学学报(信息科学版), 2020, 45(12):1865-1874.

[ Gao S. A review of recent researches and reflections on geospatial artificial intelligence[J]. Geomatics and Information Science of Wuhan University, 2020, 45(12):1865-1874. ] DOI: 10.13203/j.whugis20200597

[70]
Ge Y, Zhang X N, Atkinson P M, et al. Geoscience-aware deep learning: A new paradigm for remote sensing[J]. Science of Remote Sensing, 2022, 5:100047. DOI:10.1016/j.srs.2022.100047

[71]
Wang S, Guan K Y, Zhang C H, et al. Airborne hyperspectral imaging of cover crops through radiative transfer process-guided machine learning[J]. Remote Sensing of Environment, 2023, 285:113386. DOI: 10.1016/j.rse.2022.113386

[72]
Shang K, Yao Y J, Di Z H, et al. Coupling physical constraints with machine learning for satellite-derived evapotranspiration of the Tibetan Plateau[J]. Remote Sensing of Environment, 2023, 289:113519. DOI:10.1016/j.rse.2023.113519

[73]
Bolton T, Zanna L. Applications of deep learning to ocean data inference and subgrid parameterization[J]. Journal of Advances in Modeling Earth Systems, 2019, 11(1):376-399. DOI:10.1029/2018MS001472

[74]
Wang N Z, Zhang D X, Chang H B, et al. Deep learning of subsurface flow via theory-guided neural network[J]. Journal of Hydrology, 2020, 584:124700. DOI:10.1016/j.jhydrol.2020.124700

[75]
Li T W, Shen H F, Yuan Q Q, et al. Geographically and temporally weighted neural networks for satellite-based mapping of ground-level PM2.5[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 167:178-188. DOI: 10.1016/j.isprsjprs.2020.06.019

[76]
沈焕锋, 张良培. 地球表层特征参量反演与模拟的机理-学习耦合范式[J]. 中国科学:地球科学, 2023, 53(3):546-560.

[ Shen H F, Zhang L P. Mechanism-learning coupling paradigms for parameter inversion and simulation in earth surface systems[J]. Scientia Sinica (Terrae), 2023, 53(3):546-560.]

[77]
王志华, 杨晓梅, 周成虎. 面向遥感大数据的地学知识图谱构想[J]. 地球信息科学学报, 2021, 23(1):16-28.

DOI

[ Wang Z H, Yang X M, Zhou C H. Geographic knowledge graph for remote sensing big data[J]. Journal of Geo-Information Science, 2021, 23(1):16-28. ] DOI:10.12082/dqxxkx.2021.200632

[78]
张雪英, 张春菊, 吴明光, 等. 顾及时空特征的地理知识图谱构建方法[J]. 中国科学:信息科学, 2020, 50(7):1019-1032.

[ Zhang X Y, Zhang C J, Wu M G, et al. Spatiotemporal features based geographical knowledge graph construction[J]. Scientia Sinica (Informationis), 2020, 50(7):1019-1032. ]

[79]
蒋秉川, 黄梓航, 任琰, 等. 基于时序超图模型的战场环境多层次知识建模方法[J]. 地球信息科学学报, 2023, 25(6):1148-1163.

DOI

[ Jiang B C, Huang Z H, Ren Y, et al. Multi-level knowledge modeling method of battlefield environment based on temporal knowledge hypergraph model[J]. Journal of Geo-information Science, 2023, 25(6):1148-1163. ]

[80]
李彦胜, 张永军. 耦合知识图谱和深度学习的新一代遥感影像解译范式[J]. 武汉大学学报(信息科学版), 2022, 47(8):1176-1190.

[ Li Y S, Zhang Y J. A new paradigm of remote sensing image interpretation by coupling knowledge graph and deep learning[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8):1176-1190. ] DOI:10.13203/j.whugis20210652

[81]
陆锋, 诸云强, 张雪英. 时空知识图谱研究进展与展望[J]. 地球信息科学学报, 2023, 25(6):1091-1105.

DOI

[ Lu F, Zhu Y Q, Zhang X Y. Spatiotemporal knowledge graph: Advances and perspectives[J]. Journal of Geo-Information Science, 2023, 25(6):1091-1105. ]

[82]
Chen M, Lv G N, Zhou C H, et al. Geographic modeling and simulation systems for geographic research in the new era: Some thoughts on their development and construction[J]. Science China Earth Sciences, 2021, 64(8):1207-1223. DOI: 10.1007/s11430-020-9759-0

[83]
Shen Y, Chai Y W, Kwan M P. Space-time fixity and flexibility of daily activities and the built environment: A case study of different types of communities in Beijing suburbs[J]. Journal of Transport Geography, 2015, 47:90-99. DOI:10.1016/j.jtrangeo.2015.06.014

[84]
Tobler W R. A computer movie simulating urban growth in the Detroit region[J]. Economic Geography, 1970, 46:234. DOI:10.2307/143141

[85]
程昌秀, 史培军, 宋长青, 等. 地理大数据为地理复杂性研究提供新机遇[J]. 地理学报, 2018, 73(8):1397-1406.

DOI

[ Cheng C X, Shi P J, Song C Q, et al. Geographic big-data: A new opportunity for geography complexity study[J]. Acta Geographica Sinica, 2018, 73(8):1397-1406. ] DOI:10.11821/dlxb201808001

[86]
汤国安, 李吉龙, 熊礼阳, 等. 论地理边界的科学属性与表达[J]. 地理学报, 2021, 76(11):2841-2852.

DOI

[ Tang G A, Li J L, Xiong L Y, et al. Scientific attributes and expression methods of geographical boundary[J]. Acta Geographica Sinica, 2021, 76(11):2841-2852. ] DOI:10.11821/dlxb202 111017

[87]
罗开富. 中国自然地理分区草案[J]. 地理学报, 1954, 9(4):379-394.

[ Luo K F. Draft physical geographical division of China[J]. Acta Geographica Sinica, 1954, 9(4):379-394. ] DOI:10.11821/xb195404001

[88]
Luo Q, Shu H, Zhao Z Y, et al. Evaluation of community livability using gridded basic urban geographical data: A case study of Wuhan[J]. ISPRS International Journal of Geo-Information, 2022, 11(1): 38. DOI:10.3390/ijgi11010038

[89]
Goodchild M F. The validity and usefulness of laws in geographic information science and geography[J]. Annals of the Association of American Geographers, 2004, 94(2):300-303. DOI:10.1111/j.1467-8306.2004.09402008.x

[90]
自然资源部. 实景三维中国建设技术大纲(2021版)[S], 2021-08-11.

[ Ministry of Natural Resources. Technology outline of national 3D real scene (2021 Edition)[S], 2021-08-11. ]

[91]
陈军, 刘建军, 田海波. 实景三维中国建设的基本定位与技术路径[J]. 武汉大学学报(信息科学版), 2022, 47(10):1568-1575.

[ Chen J, Liu J J, Tian H B. Basic directions and technological path for building 3D realistic geospatial scene in China[J]. Geomatics and Information Science of Wuhan University, 2022, 47(10):1568-1575. ] DOI:10.13203/j.whugis20220576

[92]
杨飞, 华一新, 李响, 等. 基于多粒度时空对象数据模型的城市基础设施建模与管理[J]. 地球信息科学学报, 2021, 23(11):1984-1997.

DOI

[ Yang F, Hua Y X, Li X, et al. An urban facilities modeling and management method based on the multi-granularity spatiotemporal object data model[J]. Journal of Geo-information Science, 2021, 23(11):1984-1997. ] DOI:10.12082/dqxxkx.2021.210400

[93]
Zhu A X, Lu G N, Liu J, et al. Spatial prediction based on Third Law of Geography[J]. Annals of GIS, 2018, 24(4):225-240. DOI: 10.1080/19475683.2018.1534890

[94]
Riva F, Graco-Roza C, Daskalova G N, et al. Toward a cohesive understanding of ecological complexity[J]. Science Advances, 2023, 9(25):eabq4207. DOI:10.1126/sciadv.abq4207

[95]
Caldarelli G, Arcaute E, Barthelemy M, et al. The role of complexity for digital twins of cities[J]. Nature Computational Science, 2023,3:374-381. DOI:10.1038/s43588-023-00431-4

[96]
骆剑承, 吴田军, 胡晓东, 等. 面向数字经济的地理时空智能计算理论与应用模式[J]. 四川师范大学学报(自然科学版), 2023, 46(6):711-718,708.

[ Luo J C, Wu T J, Hu X D, et al. Research on the theory and application mode of geographic spatiotemporal intelligent computing for digital economy[J]. Journal of Sichuan Normal University (Natural Science), 2023, 46(6):711-718,708. ] DOI:10.3969/j.issn.1001-8395.2023.06.001

[97]
重庆市统计局. 2021重庆统计年鉴[M]. 北京: 中国统计出版社, 2021.

[ Chongqing Municipal Bureau of Statistics. Chongqing Statistical Yearbook 2021[M]. Beijing: China Statistical Publishing House, 2021. ]

[98]
刘巍, 吴志峰, 骆剑承, 等. 深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法[J]. 测绘学报, 2021, 50(1):105-116.

DOI

[ Liu W, Wu Z F, Luo J C, et al. A divided and stratified extraction method of high-resolution remote sensing information for cropland in hilly and mountainous areas based on deep learning[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(1):105-116. ]

DOI

Options
文章导航

/

〈 〉