EN中文

地球信息科学学报 >

2025 , Vol. 27 >Issue 2: 305 - 330

DOI: https://doi.org/10.12082/dqxxkx.2024.230729

专栏：“遥感地理空间图谱建模与复杂场景智能解译”

面向复杂自然场景的遥感地学分区智能解译框架及初探

  • 王志华 , 1, 2 ,
  • 杨晓梅 , 1, 2, * ,
  • 张俊瑶 1, 2 ,
  • 刘晓亮 1, 2 ,
  • 李连发 1, 2 ,
  • 董文 3 ,
  • 贺伟 1, 2
展开
  • 1.中国科学院地理科学与资源研究所 地理信息科学与技术全国重点实验室，北京 100101
  • 2.中国科学院大学，北京 100049
  • 3.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 100094
*杨晓梅（1970— ），女，湖北武汉人，博士，研究员，主要从事遥感地学分析研究。E-mail:

作者贡献：Author Contributions

王志华主要参与第1、2、5、6节内容的撰写；张俊瑶、刘晓亮、李连发、董文、贺伟主要参与第3、4节内容的实验和写作；杨晓梅对整体进行了指导和修改。所有作者均阅读并同意最终稿件的提交。

Section 1, 2, 5, 6 were written by WANG Zhihua. Section 3, 4 and corresponding experiments were completed by ZHANG Junyao, LIU Xiaoliang, LI Lianfa, DONG Wen and HE Wei. And the manuscript was revised by YANG Xiaomei. All authors have read the last version of paper and consented for submission.

王志华（1988— ），男，河南信阳人，博士，副研究员，主要从事遥感大数据地学智能分析研究。E-mail:

收稿日期: 2023-12-05

  修回日期: 2024-01-31

  网络出版日期: 2025-01-24

基金资助

国家重点研发计划项目(2021YFB3900501)

国家自然科学基金项目(42371473)

收起

A Remote Sensing Intelligent Interpretation Framework Through Geo-Science Zoning for Complex Nature Scenes and Its Preliminary Experiments

  • WANG Zhihua , 1, 2 ,
  • YANG Xiaomei , 1, 2 ,
  • ZHANG Junyao 1, 2 ,
  • LIU Xiaoliang 1, 2 ,
  • LI Lianfa 1, 2 ,
  • DONG Wen 3 ,
  • HE Wei 1, 2
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
*YANG Xiaomei, E-mail:

Received date: 2023-12-05

  Revised date: 2024-01-31

  Online published: 2025-01-24

Supported by

National Key Research and Development Program of China(2021YFB3900501)

National Natural Science Foundation of China(42371473)

Fold

摘要

【目的】 当下，面向多圈层耦合、人类干扰强烈的复杂自然场景遥感智能解译在地学研究和实际业务中常存在不好用的问题。为此，本文从遥感地学认知原理角度出发，在明晰遥感智能解译的使命是依托遥感大数据更好地辅助建立数字地球之后，认为达成一致的知识表征模型是解决问题的关键，进而提出遥感解译与地学认知应该耦合为一个系统，以实现“数据获取知识”与“知识引导数据”的双向驱动。【分析】 在此基础上，提出以遥感地学分区为纽带的智能解译框架，以打通已有地学知识向遥感智能解译过程的输入与引导，增加解译结果与已有地学知识体系的匹配度。该框架主要依靠定量化的场景复杂性度量和地理分区知识耦合，形成面向遥感智能解译的地学分区方法以及分区样本抽样与规范，从而实现面向大区域的知识耦合下分区解译策略。【展望】 通过复杂度与优化抽样实验、影像分区分割尺度优选、耕地类型细分等实验，初步揭示了本框架思路在优选样本、影像分割、耕地精细类型识别等遥感智能解译多方面均存在巨大潜力。

关键词： 遥感大数据; 数字地球; 遥感智能解译; 信息提取; 地理分区/区划; 土地利用/覆被分类; 复杂自然场景; 场景分类; 地学知识图谱

本文引用格式

王志华 , 杨晓梅 , 张俊瑶 , 刘晓亮 , 李连发 , 董文 , 贺伟 . 面向复杂自然场景的遥感地学分区智能解译框架及初探[J]. 地球信息科学学报, 2025 , 27(2) : 305 -330 . DOI: 10.12082/dqxxkx.2024.230729

Abstract

[Objectives] Remote Sensing Intelligent Interpretation (RSII) often encounters challenges when applied for practical resource and environmental management, especially for complex scenes. To address this, we start from the explanation of why remote sensing interpretation is needed, and clarify that the mission of RSII is to achieve more rapid interpretation to build the digital twin earth with lower cost compared to manual interpretation. However, most RSII systems operate as a unidirectional process from remote sensing data to geoscience knowledge, lacking the feedback from knowledge to data. As a result, remote sensing information extracted from data often mismatch the knowledge of existing geoscience, creating a trust crisis between RSII researchers and geoscience researchers. And the crisis becomes more severe with the uncertainty of remote sensing information. [Analysis] We believe that an agreed upon representation model of geoscience knowledge between RSII researchers and geoscience researchers is necessary to alleviate the crisis. Based on this analysis, we propose a framework using geo-science zoning as the bridge to connect RSII researchers and geoscience researchers. In this framework, knowledge from geoscience could be transferred into the RSII system through geo-science zoning so that the interpretation results could be more coincided with geoscience knowledge. The framework mainly relies on (a) the scene complexity measurement, (b) the knowledge coupling of geographic regions to form the geological zoning method for remote sensing intelligent interpretation, and (c) the sampling specification of regional samples. The scene complexity measurement provides quantitative features for geoscience zoning and sampling weights assignment. Existing zoning data, such as ecological zoning data, geographic elements, and multisource remote sensing images are the main data inputs for geoscience zoning. The main principles for constructing zoning methods include (a) the geoscience elements type, (b) the scale of geoscience zoning, and (c) the process of information flow from data to knowledge. [Prospects] With these models, we can realize regional RSII guided by the knowledge. Preliminary experiments on complexity and optimization sampling, image segmentation scale optimization, cultivated land type fine classification, etc., reveal that this framework has great potential in improving the geoscience knowledge acquisition by RSII, enhancing the accuracy of the state-of-the-art RSII by 6%~10%, especially for the high-complexity nature scenes. However, the superiority of the framework may disappear if the scene for interpretation is simple, like the first level land use/cover classification, which is mainly caused by the inefficient samples after geoscience zoning. Therefore, more attention is needed in sampling when developing geoscience zoning framework.

Key words： remote sensing big data; digital earth; remote sensing intelligent interpretation; information extraction; geographical zoning; land use/cover classification; complex natural scenes; scene classification; geoscience knowledge graph

1 引言

20 世纪70年代，陈述彭先生有感于我国遥感技术与国际水平的差距，以及基础工作和理论研究方面的薄弱环节，提出了“没有新技术武装的理论研究是落后的，缺乏基础理论指导的技术是盲目的”的至理名言，成为我国遥感界努力的方向[1]。在遥感智能解译领域，经过多年的发展，尤其是先进的数字图像处理、计算机视觉、机器学习、模式识别等技术的引入，极大地丰富了遥感智能解译的技术方法。然而，在遥感智能解译实际应用中，业务部门制图需求仍然难以满足，科学研究制图需求也有待进一步发展，单纯地引入信息、智能领域先进技术的思维方式（后文称之为“算法思维”）似乎已触及瓶颈[2-3]。或许回归地学、寻找初心使命[4]，有望进一步借助地学的“理论”引导遥感智能解译的“技术”寻找下一步发展的方向[2,5⇓-7]。为此，本文首先从地学认知视角出发，辨析遥感智能解译初心使命，然后对当前遥感智能解译现实困境进行再认知，进而提出当前遥感智能解译一个可能的努力方向。

1.1 遥感智能解译的使命：依托遥感大数据更好地辅助建立数字地球

人类一直在不停地获取地球的信息，以认识地球、适应地球、改造地球、保护地球，因为在历史长河以及现在，甚至可以预见的未来，地球是、并仍是人类赖以生存的唯一家园。然而，获取地球的信息是一件十分困难的事情。它的困难性一方面是人类自身的生理局限性和观测手段的不足导致，另一方面也是由地球本身的复杂特性所导致。例如，地球的空间范围十分巨大，赤道长达40 075.02 km，假设地表平坦，正常成年人能够日行200 km，也需要走200年，在当代人均寿命不足100年的有限时间里，加之地表起伏、气候复杂、生物多样、海陆交错等因素，个人是难以依靠自身力量遍及地球全部的；地球的地物类型多样、空间分布错杂，水、土、气、生等多圈层交错耦合，在广大的空间中分布，形成超级复杂的巨系统[8]，并且空间异质性强烈，几乎每个区域都有独特的系统；地球各事物的发展并非线性，充满很多不确定性，需要不断地观测、获取实况信息校正人类认知规律所构建的模型。
遥感是众多对地观测方式中的革命性手段。遥感系统类似脱离人体的视觉系统，借助远离地表的卫星平台，可以在几乎同一时间获取超大范围的地球观测数据，并且可以源源不断地持续这个观测过程。这种宏观、综合、动态、快速的优势是传统观测方法难以企及的。但遥感传感器直接获取的还是电磁信号，即由地物本身发射或者反射的电磁波在强度、频率、相位等方面的变化，并不能直接用来测量、统计、计算地球的相关特征。需要将这种电磁信号根据相应的原理和法则还原为真实物理世界的地球相关特征信息，才能够用于认知和模拟。这其中，对于陆地区域，即经典的土地利用/覆被（Land Use/Land Cover, LULC）分类信息，是非常基础和关键的信息[5]，因为这种信息表征的是人-地关系定量化特征信息的空间聚合实体，揭示了不同区域之间的功能差异[9]。遥感解译就是从遥感数据中获取这种信息的一种方法。
然而，随着遥感观测系统的进步，现实需求也随之高涨，早期依赖专家目视和手工勾画的遥感解译方式越来越难以满足，依靠计算机的遥感智能解译成为必选的方向。一方面，随着载荷平台和传感器的发展，数据逐渐呈现“四高”特征：高空间分辨率、高时间分辨率、高光谱分辨率、高辐射分辨率，可以看地更清、测地更准，地球表面的巨大性、复杂性、动态性也逐渐伴随这“四高”体现出来，最直观的就是遥感观测数据的海量性，继续坚持目视解译将会穷尽人力、财力、物力。另一方面，人类改造地球、影响地球的能力也越来越强、越快，对地球复杂巨系统信息更新的速率要求也越来越高，传统人工目视解译的速度根本无法满足。随着超大存储、超性能计算、高速网络通信等计算机硬件平台的发展，人类拥有潜能依靠计算机系统来实现海量遥感大数据的高速解译，其关键就在于遥感解译流程的自动化方法或算法，即遥感智能解译。
综上，作者认为遥感智能解译的使命是：利用计算机系统，将海量遥感大数据高精度、高时效、自动化的转化为地球系统运行的空间类型及边界范围信息，从而辅助建立由人类认知的规律构建出的尽可能贴合物理世界的数字地球，服务于地球系统模拟，支撑可持续发展决策。示意图如图1所示。
图1 遥感智能解译的使命定位示意图（图片素材来源于网络）

Fig. 1 A concept figure showing the mission of remote sensing intelligent interpretation

1.2 遥感智能解译的现实困境：地学研究及业务应用的需求难满足

尽管遥感智能解译研究取得大量的成果[10]，但是地学研究与业务应用的信息获取需求仍然难以满足。例如，以遥感智能解译为主题的研究项目不断立项，研究论文大量发表，发明专利不断被授权，但是遥感解译的产品在专题类型、分类体系上仍然难以满足实际需求，解译结果的表现形态（如像素与图斑）也与实际需求存在差异，产品解译精度空间异质性强，在情况复杂地区精度通常较低，智能解译算法部署和使用难度大，并且可控性越来越弱，如表1所示。
表1 遥感智能解译研究现状与科学研究/业务需求的供需矛盾点

Tab. 1 The contradictions between the providing state of remote sensing intelligent interpretation and the demands of geoscience research and management practice

供需矛盾点 遥感智能解译总体现状 科学研究和业务需求
分类体系 以遥感影像视觉可区分的地物类型为主建立分类体系 以地理要素的社会、经济、生态等功能价值属性的异质性为主建立分类体系
解译结果表现形态 以遥感影像的像元为基本空间单元表达 以实际管理地块对应的图斑、科学研究中需要考虑的最小尺度图斑为基本空间单元
解译精度 小区域实验精度高，大区域应用精度低，且随主题、区域、情景不同而呈现强烈的空间分异性 大区域应用时精度高，且精度全区域标准化，能控制在一定的范围内
算法可控性 以深度学习为代表的智能解译算法，硬件需求越来越高，算法机理“黑箱化”，随着智能化的提升，可控性越来越弱 领域细分越来越明显，领域知识融入的可控性越来越高，对轻小型、低成本算法需求越来越旺
究其根源，可能与研发这个技术和解决问题的学科背景有强烈的关系，导致遥感智能解译的供需对接出现鸿沟。从图1可看出，遥感智能解译的研究人员主要来自2个领域：一类是将遥感观测系统作为主要研究对象的群体，本文称之为“信息派”；另一类是将地球系统作为主要主要研究对象的群体，本文称之为“地学派”。信息派通常多是电子信息、信号系统、空间测绘等技术研发类专业背景，习惯于算法思维解决遥感智能解译问题，通常将遥感智能解译视为遥感观测数据发挥价值的一种方式，其出发点是遥感数据；地学派通常多是地理学、海洋学、资源与环境等地球系统科学认知类专业背景，习惯于地学思维解决遥感智能解译问题，通常将遥感智能解译作为认识地球系统的一种技术手段[11]，其出发点是地表要素和运行规律。正是这些出发点不同，常导致两个学派的研究成果在对接过程中存在着天然的隔阂，进而产生上段所述的分类体系、表现形态、解译精度、算法可控性性等问题。
地学派通常会采用经典的实地考察、访问交谈、统计调查、长期观测记录等多种手段来获取信息，并且这种获取方式几乎维持了人类文明以来的所有认知。这些多途径、近距离获取手段得到的丰富信息，可以从全方位的角度认知地球系统。当地学派在研究遥感智能解译时，常常会不自觉的带入已有地球系统的认知来辅助遥感解译，以将解译的结果与其他途径获取的认知匹配上[12⇓-14]，尽可能消除遥感解译过程中的不确定性。这种过程相当于隐含地综合了多源大数据，例如以陈述彭和周成虎为主的团队提出的遥感地学分析思想[2,15⇓⇓-18]。信息派由于学科背景的差异，往往是从能够获取的遥感数据本身具有的特征信息出发，尝试从算法改进的视角进行智能解译，以研制更高精度的信息产品。然而，受观测视角、空间分辨率、时间分辨率等限制，遥感数据所能获取的信息本身也是有限的，解译结果很容易与地学派已有的认知起冲突，从而难以建立两派的信任。此外，遥感解译本身存在的诸如尺度效应、真实性检验等导致的不确定性问题，进一步加剧了这种信任危机。这种不信任感的产生，往往会阻碍遥感应用的发展，包括遥感智能解译。

1.3 破解困境的可能途径：达成一致的知识表征模型

在信息派与地学派之间建立一种能够达成一致且尽可能符合实际认知的知识表征模型，或许是破解当前遥感智能解译困境的关键。如果两个学派采用统一的信息表征模型，就如同计算机通信时大家共同遵守相同的密码协议，就可以统一知识的获取和输出，进行知识的比对和校正，消除信息传输过程中的不确定性，增强相互间的信任。对于信息派，统一的表达模式，可以使得遥感解译的知识输出能够满足地学派的需求；而地学派则可以从统一的表达模式中获取想要的信息，并将拥有的知识反馈至信息派，促使信息派使用相同的表征模型引导解译结果。在现实中，由于在算法领域的天然临近性，当前主流的表达模式多是信息派提出，并且多是信号信息处理和自然图像处理领域的研究人员跨界提出，例如基于数字图像处理的图像特征表达，乃至最新的深度学习模型。然而，信息派提出的模式多是日常生活中的自然场景，而非面向宏观、大尺度、动态的复杂地学场景，难以表达和继承地学派已有的知识，从而容易失去已有地学知识对遥感智能解译的知识反馈与引导价值。典型的例子就是，当选取小区域测试算法时，信息派可以不停地给算法“打补丁”优化以提升精度，但是当模型在大区域的复杂场景测试时，解译精度往往急剧下降。
为此，本文尝试从地学领域出发，更具体的，是从地学分区这一地学传统经典的视角出发，构建一种地学知识的表征模型，以此架构起信息派和地学派的沟通桥梁，实现地学知识反馈引导的遥感智能解译框架，提升现阶段遥感智能解译的地学实用性需求，以更好地完成基于海量遥感数据构建数字地球的使命。

2 地学分区与遥感智能解译

地学分区是地学研究高级认知的过程和结果，尽管在以往典型区域和典型专题遥感解译中得到应用，但是尚未得到系统性剖析和总结。为此，以下从地学分区与地学知识表达的关系入手，系统性总结以地学分区为媒介的遥感解译与地学认知的耦合系统，从而为后续遥感地学分区智能解译框架的研究提供理论基础。

2.1 地学分区与地学知识表达

地学知识零散、种类繁多，但仍然有一些普适性的规律。例如，1970年Waldo Tobler发表了《A computer movie simulating urban growth in the Detroit region》[19]，提出了“everything is related to everything else, but near things are more related than distant things”，标志着地理学第一定律的诞生。地理学第一定律虽以定性的方式描述了地理现象在空间上的自相关性，但为地理信息的表达、分析以及应用提供了不可替代的定量化计算的理论依据，也为地理信息系统中分析算法的设计提供了坚实的理论基础。地理学第二定律（“geographic variables exhibit uncontrolled variance”）源于Anselin[20]提出的“空间异质性”（Spatial Heterogeneity），而后由Goodchild[21]在讨论地理学第一定律时作为地理学第二定律的候选。地理学第二定律概括了地理现象的另一个特点：地理现象的空间变化以及变化本身的差异性，即不可控的空间变化规律。近期， Zhu等[22]提出地理学的第三定律：地理环境越相似，地理特征越相近（The more similar geographic configurations of two points (areas), the more similar the values (processes) of the target variable at these two points (areas)） [23]。总体而言，这3个定律都表达了地理学在物理地球表面空间上的相似性或者差异性规律总结。
更具体些，从自然地理学的综合视角看，这种空间规律性被称之为地域分异规律[24]。所谓的地域分异，是指自然地理环境各组成要素或自然综合体沿地表按确定方向有规律地发生分化所引起的差异。在宏观大、中尺度上，这种差异规律，主要包括水平地带性（纬向和径向）、垂直地带性；小尺度的差异规律主要可归为地方性。其中，纬向地带性追根究底主要由地球的形状和位置引起的热量差异导致，径向地带性主要由海陆水热差异导致；垂直地带性则主要由地质构造引起的海拔高度不同导致；在小尺度上，日常生活常见的差异性是地方性，主要是由局部地形、小气候、岩性、土质以及人类活动导致。在现实情况中，这种地域分异规律多是一种复合型分异规律，尤其是一些小尺度的地方性，其地域分异往往包含大尺度的地域分异。
地学分区，主要指地理分区，是地学派常用的一种空间分异规律综合表达的方法，或可为地学知识的表达提供启发。地学分区指根据地理学要素空间分布或相互作用规律进行区域划分的方法或结果。在这种划分中，空间相邻、特征相似的空间归并到同一区域，而相邻区域之间的空间特征则存在差异，这些空间特征主要是指地理学要素的类型、排列结构或者多种地理学要素系统的组成、排列结构、发挥功能或者主控因子[24]。在精细尺度上，基于这种地学分区思路常见的表达手法有土地类型分类、土地利用/覆被分类、场景分类/空间场景分类[5]；在大尺度上，以反应客观规律为主的各种地理分区，例如地貌分区[25]、气候分区、生态分区、土壤分区等[24]。地学分区结果中，同一个或者同一类区域拥有相似的要素组成、排列结构或者功能输出。地学分区的组织形式将复杂的地表特征简化为若干类型的同质性区域，极大地压缩了地表特征的信息表现形式，是地表规律高层次认知结果的表达，即地学知识的表达。对应于地域分异规律的多尺度性，地学分区或者区划，通常也是多尺度的。正是因为地学分区的这些特点，很多土地资源管理也采用地学分区的思路进行分区分类施策，在简化管理的同时最大化发挥土地资源的整体功能效益，例如国土空间开发区划、农业区划、水资源区划等。

2.2 地学分区与遥感解译

遥感解译与地学分区本身就具有强烈的联系，也有很大的潜力将地学知识融入到解译中提升解译效果。在精细尺度上，遥感解译本身就是地块或者像元尺度上地物类型、空间功能的识别和划分，即土地利用/覆被识别。这与精细尺度上的地学分区，即反映地方性分异规律的需求是一致的[5]，同时也是国际上GEOBIA（Geographic Object-based Image Analysis）一提出便广受欢迎的核心所在[7,26-27]。如果地表区域已经有相应精细尺度的地学分区，即LULC数据集，那么大部分未变化的区域是可以直接复用的，不需要再次分类，进而通过减少未变化区域的遥感解译不确定性实现整体区域解译精度的提高[28]。或者，可以挖掘已有LULC中的潜在知识，以先验性概率的方式融入解译模型提高识别精度[17]。随着大数据时代的到来，各种LULC数据和专题要素数据集逐渐丰富，这种思路越来越受到重视，并成为一种主流[29-30]。在大尺度上，地学分区可以隐含式地实现知识向精细尺度LULC分类的注入。精细尺度的LULC体现了地方性特点，但是也包含了大区域尺度的特征，例如组成、结构、功能等。在解译过程中融入地学分区，相当于将大区域尺度上隐含的差异性特征融入解译特征，可以增强小尺度解译时所含大尺度分区上的差异表达，进而提高解译的精度。此外，大尺度分区变化周期通常较长，相比小尺度分区，往往可以认为是静态不变的知识。如此一来，以往专家积累的大量分区知识都可以通过研制的地学分区数据集引入遥感解译过程中。此外，精度较低的LULC也可以上推到精度较高的地学分区类型，进而根据高精度的地学分区类型再反过来指导LULC的高精度分类约束[31-32]。
早期地学派的一些研究已经揭示了这方面的巨大潜力。例如，Bauer等[33]在明尼苏达州林地分类制图时做过对比实验，结果显示使用自然地理分区分类策略比整景影像直接分类，精度平均高出15%。Homer等[34-35]在研制知名的NLCD数据集时，引入生态分区进行LULC分类，正式提出制图分区（原文：mapping zones）的概念并明确了相应的作用。他认为多景镶嵌的大幅影像会出现变化复杂的光谱梯度效应（原文：Spectral Gradients），主要由自然分区、物候、光照、大气以及传感器等引起，需要制图分区消除光谱梯度效应。在国内，莫源富等[36]较早明确提出分区分类的方法，并在山区进行了测试，得到较高的精度。类似采用分区或者分层得到较大精度提升研究的，主要还有师庆东等[37]、张翊涛等[38]、李石华等[39]、申怀飞等[40]、竞霞等[41]、李文莉等[42]、于菲菲等[43]。
近些年，也有系列基于高分遥感影像分类的研究再一次揭示该方向的巨大潜力。例如，周文等[44]对比了面向耕地信息提取的分区最优尺度分割，结果显示分割效果较不分区有显著提升；刘巍等[45]则基于深度学习模型，对高分影像中丘陵山区耕地提取进行了分区与不分区对比实验，总体分类精度提升10%以上，图斑交并比提升0.1以上；林双双[46]在地形分区支持下的山区耕地提取实验也得到了类似的结果；赵辰雨[47]以国产高分六号影像在京津冀地区的小麦提取为例，采用景观格局分区解译的策略，最终提取精度高达93%； Campos-Taberner等[48]的研究则进一步显示，即使是使用粗略的格网分区，精细作物分类精度也能将当前的分类算法精度提升10%以上。
总之，无论是早期的30 m分辨率为主的中尺度遥感智能解译研究，还是近期的米级高分辨率遥感智能解译研究，其主体思路都是相似的，即不再依靠单一算法模型或单一的一套训练样本或参数进行整体分类。如图2所示，对于一个区域，传统研究思路是根据获取的特征X和训练样本，得到可将X映射为地物类型Y的一个函数f；而地学分区思路，则是根据不同的特征Xi和分区域的训练样本，得到可将Xi映射为地物类型Yi的n个函数fi，即通过“分区施策”实现整体区域解译效果的提升。虽然方法和应用情景不同，这些研究结果得到的结论是比较一致的，即分区策略比不分区有较大的精度提升，通常高于10%。
图2 融入地学分区的遥感智能解译示意图

注:X是解译特征,f是将特征X映射为标签Y的函数,即分类器。

Fig. 2 A concept figure showing the remote sensing intelligent interpretation fusing geo-science zoning.

然而，这些融入地学分区的遥感解译思路尚未引起系统性或理论性的关注。例如，已有研究要么直接使用已有的地学分区数据集，要么根据个人经验或待解译地物类型直接进行分区，甚至直接使用格网分区，缺乏系统性的分区方法总结、提炼，难以推广到其他地区或者其他地物类型的解译。此外，当前的地学分区使用策略也只是简单用于提取精度的效果对比，对于分区的其他潜在效益，例如样本选择指导、增强与地学派的信任感等，缺乏系统性论述。

2.3 遥感解译与地学认知耦合系统

当下，地学视角的区域认知与遥感智能解译通常是两个独立的系统。如图3所示，对于遥感解译系统而言，首先根据研究区域和待关注的目标，进行遥感影像的选择和预处理；然后，选择深度学习模型架构或者设计新的架构，如果使用经典的机器学习方法，还会考虑选择解译单元（像素、对象、格网）、特征提取和机器学习算法模型；接着，根据以上选择制作解译样本库，用于解译模型的训练，即模型参数调优；当模型训练精度满足需求后，会执行模型自动解译；接着，地学思维方式引导下，通常还会采用地形、其他专题数据掩膜等方式进行后处理，避免一些常识性错误或者优化解译结果的可视化效果；接着，根据样本进行精度评价，对解译结果的可靠性进行验证和定量评估。整个解译体系根据不同的内涵、应用情景，会有不同的叫法，例如土地利用/覆被、场景分类、专题要素提取等[5]。总体而言，这种情况下的遥感解译系统通常被作为地学认知的一种数据获取手段，是“单向”的遥感解译服务地学认知。然而，遥感解译系统则缺乏来自认知结果的反馈引导，即地学知识的引导，使得遥感解译结果长期处于浅表层的认知阶段，难以与已有地学知识匹配，导致当下许多的解译结果用不上或不好用。
图3 遥感地学分区为桥梁的智能解译系统与地学认知系统耦合

Fig. 3 The coupling between remote sensing intelligent interpretation system and geo-science knowledge acquiring system through remote sensing geo-science zoning

面向遥感智能解译的地学分区（简称遥感地学分区），可以有效将遥感解译与地学认知两个系统耦合起来。如图3所示，遥感地学分区模块可以将分区或区划表达的地学知识对接到遥感智能解译系统中的多个环节和子模块，形成全链路的遥感智能解译知识引导。具体而言，遥感地学分区可以将复杂的目标区域拆解成地物类型组成较为一致、核心尺度较为均一、时相变化规律较为统一的不同子区域，从而可以针对子区域的不同特点，分门别类解译，主要包括：① 有针对性的选择最适宜的时、空、谱等不同特征的遥感影像，从而提升最终的解译效果；② 考虑子区域的差异性，有针对性的选择与设计最适宜的算法、模型；③ 提供分区分层的指导，避免样本分布有偏带来解译模型精度的巨大差异，同时还可以指导精度评价的样本抽样。通过以上方式，遥感智能解译与地学分区为代表的知识体系就可以连接起来，突破传统的“单向”服务机制，形成“双向”的循环互促机制，在提升遥感解译精度的同时，使得地学认知和知识积累更加准确。
为了更系统地阐述这一思想的实现框架，本文后续内容旨在：系统性构建遥感地学分区智能解译框架，并开展初步实验，总结其在遥感智能解译中的主要应用效益、可能存在的问题以及未来的研究重点。

3 遥感地学分区智能解译框架

在当前遥感智能解译方法体系基础上，本文以地学分区为核心，构建了遥感地学分区智能解译框架，如图4所示。该框架主要由4个模块构成：场景复杂性度量、遥感地学分区方法、样本抽样与规范、分区解译策略。其中，场景复杂性度量主要是为地学分区提供分区时所需要的定量化特征表达与计算，避免分区方法缺乏定量参考依据；地学分区方法主要是在场景复杂性度量的基础上，提供复杂场景区域划分方法或者算法；样本抽样与规范主要是解决在引入地学分区方法后，样本该如何定量化抽样的问题，如有必要，还会将场景复杂性度量的结果作为抽样权重；分区解译策略主要是将前3个模块与当前智能解译算法相结合，实现大区域乃至全球的分区解译策略。
图4 遥感地学分区智能解译框架

Fig. 4 The proposed remote sensing intelligent interpretation framework through geo-science zoning

3.1 场景复杂性度量

场景复杂性度量旨在以定量化的方式表达地表场景组成要素及其组合的时空变化复杂程度，从而为遥感地学分区其他模块的自动化实现提供支撑。具体而言，复杂性度量结果可作为遥感地学分区方法自动化执行时所需的特征定量化表达依据；同时，还能够为训练样本选取提供权重定量化计算依据，进而提升训练样本对总体数据的代表性；此外，鉴于复杂性度量结果是对目标区域内地物数量、空间布局、时序变化等地学信息的量化表达，还可以直接作为输入变量随图像光谱信息参与解译模型的训练或对模型训练过程进行限制性优化，从而引导模型更好地学习影像中特征信息与现实对象之间的对应关系，提升模型解译精度，如图5所示。
图5 场景复杂性度量方法及其应用

Fig. 5 Scene complexity measurement and its application

在具体应用中，需要进行多个指标的比较与综合，以表达不同研究区域、地物类型、研究目标的特点。通常而言，地物专题要素的时、空分布数据集代表了物理世界中地表场景的各种组成要素，因此可以基于这些专题数据集作为复杂性度量的指标输入来实现定量化计算。根据物理世界中组成要素的时、空变化和组成特点，复杂性度量指标通常可分为3类：① 类似空间熵、莫兰指数、结构相似性指数（Structural Similarity, SSIM）[49]等可对地表要素随空间分布变化的复杂程度进行度量的指标；② 类似时间熵、频率等可对地表要素随时间变化的复杂程度进行度量的指标；③ 类似香浓多样性、辛普森多样性等景观多样性指数可对要素组成类型的复杂程度进行度量的指标[50]。一些专题要素的独特刻画指标往往含有实际的物理含义，也可以作为复杂性度量指标，例如针对地形地貌，可直接基于DEM(Digital Elevation Model)数据计算其地表粗糙度、地形起伏度、地形复杂性指数等进行复杂性度量[51⇓-53]。此外，遥感影像的时、空、谱数据本质上是相应地物在时、空变化及类型组成上的信息，当研究区域相应的专题要素数据缺失时，还可以直接基于遥感影像时、空、谱数据计算相应复杂性度量指标。

3.2 遥感地学分区方法

遥感地学分区方法是所提智能解译框架整体自动化运行的关键一环。该模块的主要目的是将多分辨率、多传感器、多时期的遥感影像与LULC、植被生长状况、地形地貌、气候等多源环境地理数据结合，通过多类型地理要素空间异质性原理与空间分异统计理论[54]的结合，创建面向复杂场景遥感智能解译的遥感地学分区自适应建模理论与方法，将复杂的自然场景系统通过地学分区的方式进行分区解构与简化，为样本抽样与规范和分区解译策略提供分区分层依据。遥感地学分区实现路线如图6所示，其核心内容主要包括3个方面：数据驱动的定量化分区方法，分区尺度确定和分区有效性评价。
图6 遥感地学分区实现路线

Fig. 6 Remote sensing geo-science zoning method

数据驱动的定量化分区是遥感地学分区研究的首要核心。面向遥感智能解译的地学分区研究随着研究区域、研究目标和研究尺度的变化，将是一项在多时空尺度反复进行的工作，涉及海量多源空间数据的交换、融合、匹配及联合分析，因此要求分区方法具有较高的可重复性，进一步对分区方法在自适应性和自动化方面提出了要求。运用定量化技术形成一套标准化的自动分区流程，从数据结构与内在特征联系出发进行分区，将克服以往自然地域分区与研究尺度不匹配或无法有效反映研究目标特征差异等问题，同时显著地提高分区结果的客观性及准确性。常见的定量化分区方法主要包括以下5种。① 空间聚类算法[55]。通过识别数据特征的相似性和差异性捕捉空间关系，将分区指标作为特征，以聚类的方式实现分区，该方法能较好地识别和分析地理区域中的模式。具体的聚类方法可采用K均值聚类（k-means clustering algorithm，k-means）、层次聚类（hierarchical clustering）、基于密度的聚类（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）等常用方法。 ② 分割算法[56]。将分区指标作为特征，对分区指标进行分割，分割的常用方法包括Mean-Shift分割、棋盘分割、多尺度分割等。与面向对象的遥感解译过程中影像分割不同之处在于分割的对象不是影像的光谱波段，而是对地理要素的复杂性度量结果。 ③ 人工神经网络[57]。目前广泛应用于大量复杂数据的处理，是非参数化的模式识别方式，根据神经网络进行初始化、训练等步骤自动调节各要素间的权重，达到映射真实系统的结构和状态，最后通过连接权重进行识别或分类。例如：自组织映射神经网络模型（Self-Organizing Map，SOM）根据数据集进行自动分类，在空间上展示为不同的类型区。 ④ 景观格局分析[58⇓-60]。基于已有的LULC遥感监测数据集，从景观格局的视角进行分区可以捕捉土地利用变化过程及其生态效应。例如，从大小、形状、数量、类型和空间组合上可以对地表覆被的空间格局特征进行表征。
分区尺度确定是分区实现过程中的另一个关键问题。无论采用分割或是聚类的方式进行分区，合适的尺度是分区结果能有效应用于遥感解译的前提。具体而言，若采用分割的方式进行分区则需要考虑分割尺度参数设置的问题，若采用聚类的方式进行分区则需要考虑聚类数量参数设置的问题，理想状况下，应当采用一定的分区评价方法确定最优分割尺度参数或聚类数量参数以实现分区尺度的自适应确定。以分割尺度参数设置为例，可基于现有的非监督分割评价方法进行最优尺度参数的自动选择，例如，考虑分区内部同质性和分区之间异质性的全局评价指标，具体而言，能够最大化分区内部同质性和分区之间异质性的分割尺度参数被认为是最优的，包括局部方差变化率、基于加权方差和全局莫兰指数的GS(Global Score)目标函数及F(F-measure)目标函数等[28,61⇓-63]。对于聚类数量的设置，可以采用基于轮廓系数（Silhouette Coefficient）、Calinski-Harabasz（CH）指数及肘部法则(Elbow method)等聚类性能评估方法进行优选[64]。其中，轮廓系数表示的是聚类后各类中样本之间的紧密程度和各类之间的离散程度。CH指数通过计算类中各点与类中心的距离平方和来度量类内的紧密度，通过计算各类中心点与数据集中心点距离平方和来度量数据集的分离度，最后结合紧密度和分离度2种因素对聚类结果进行评估。肘部法则通过改变聚类数K，然后进行聚类,计算损失函数,拐点处即为推荐的聚类数（即通过此点后,聚类数的增大也不会对损失函数的下降带来很大的影响）。
分区有效性评价是分区结果和分区方法优化改进的依据。合理且有效的分区结果应当展现区域内部的相似性和区域之间的差异性，反映出空间分异的规律。有效性评价的方法具体包括： ① 与现有分区数据对比。经验知识是地理学的重要组成部分，通过将所得分区结果与传统基于专家经验集成的分区（例如，生态地理分区、气候分区、生态分区、中国植被区划等）进行叠置分析，对不一致性边界进行对比分析，可以进一步提高当前分区结果的可靠性； ② 与现有LULC等公开专题数据对比。LULC的复杂程度是影响分类结果不确定性的重要因素，因此将分区内部主、次要LULC的类型和面积占比作为反映LULC复杂程度的指标，基于多套广泛使用的LULC和植物功能型产品对分区结果开展有效性评价； ③ 基于统计检验类内方差或特征分布。使用非参数 Kruskal-Wallis 检验和 Dunn's成对比较检验[65]对区划结果中不同分区间特征指标的差异显著性进行统计检验（显著性水平0.05，置信度95%）。此外，在进行成对比较统计检验的过程中，只对空间邻接的分区进行比较，因为对地理位置不同但生态、气候等环境条件相似的区域而言，其内部特征具有相似性是合理的。

3.3 样本抽样与规范

样本抽样与规范是降低遥感地学分区智能解译框架不确定性的一个关键模块。在遥感智能解译过程中，模型的训练、评估和解译结果的质量评价都依赖选择的样本，是遥感智能解译中精度不确定性的一个巨大来源[66]。在场景复杂性度量和地学分区方法提供的定量化参数支持下，研制样本抽样和规范以指导样本集的制作，可以有效指导非专业人员在开展遥感地学分区智能解译过程中也能取得近似专业人员的解译效果，如图7所示。
图7 遥感地学分区样本抽样与规范

Fig. 7 Sampling and its standard for remote sensing geo-science zoning

本模块的首要目标是制定样本制作规范，在有限成本下尽可能提高解译精度，或者在保证精度下尽可能减少样本量，即保证样本的代表性。遥感智能解译中样本制作主要是依靠人工目视解译、实地调查等方式获取真实地理对象的信息。为保证样本的全面性和有效性，常用的样本制作策略是对目标区域遥感影像进行全面精确地标注，该过程工作量大，需要花费较多的人工成本和时间成本[67]。样本制作规范通过场景复杂性度量指标对目标区域进行复杂程度的量化，通过复杂程度全面直观反映目标区域的地理对象信息；依据目标区域复杂程度对目标进行地学分区，将蕴含不同复杂程度的地理对象区域进行分级；对各个地学分区中的地理对象进行样本制作，根据解译应用需求和目标区域地理对象复杂程度整体情况确定样本制作数量。如此，能够尽可能保证制作的样本能够涵盖目标区域不同复杂程度的地理对象信息，提升样本对于目标区域地理对象信息的代表性，保证遥感智能解译的精度和降低样本制作的工作量，减少样本制作所花费的成本。
本模块的另一目标是制定一套规范化的训练样本抽样流程，使得专业相关人员与非专业相关人员能够通过该方法获得的训练样本取得相同或相似质量的遥感智能解译精度，即保证训练样本的稳定性。随机抽样、分层抽样、聚类抽样、系统抽样等训练样本抽样方法采样规则的确定，如不同层级划分、聚类类型设置、采样间距选择，这些多是依据先验知识制定的，具有很大主观性。专业人员与非专业人员使用同一种抽样方法获取的训练样本，因人员不同知识背景的影响，获取的训练样本会有显著的差异，在其上训练得到的智能解译模型精度也会受到影响。在本框架下，可以通过场景复杂性度量指标对地学分区下的样本进行复杂程度的量化；进而，对样本进行标准化分层，定量化反应样本地理对象信息的分布情况；从而，在不同层级内以复杂指标数值为权重进行采样，保证训练样本能够覆盖不同复杂程度的地理对象信息。这种样本抽样方法具有定量化的指标依据，能够避免因人员差异导致的训练样本差异，确保了遥感解译质量的稳定性。例如，Li等[68]采用空间熵作为场景复杂性指标，对高分2号影像LULC数据集进行分层抽样，提升了训练样本对总体样本的代表性，相比于随机抽样获得的训练样本，遥感解译精度MIoU(Mean Intersection over Union)最高提升了10%。
样本形态转换规范可为同一区域的点、对象、切片等不同形态样本间的迁移转换提供规范，提高现有样本使用频率，同时为不同算法分区解译评估提供统一条件，即保证样本的可迁移性。在专题制图任务中，以像元为解译单元的智能算法可以通过点样本对目标专题地物进行学习；在面向对象的智能解译任务中，可以通过对象形态的样本对智能解译模型的训练；在深度学习的土地利用分类制图任务中，需要精细的切片或格网形态的样本参与到智能解译过程。因为样本形态不同，同一套样本无法直接应用于不同遥感智能解译方法中，重新制作工作量大，并且难以统一对比不同算法的区域适宜性。面向遥感地学分区智能解译的样本迁移转换规范，依据智能解译算法，主要可分为点、斑块和切片（或格网）3种形态；以样本的中心位置、重叠面积比例、样本目标的自身形态相结合，设计相应的指标，统一转换标准，是一类有效的思路。例如，张定祥等[69]通过总结了第三次全国国土调查土地任务中的经验，提出了一种土地利用矢量数据栅格化的方法，为矢量或对象样本向格网样本迁移提供了一种有效途径。分割对象的监督评价方法[70]，也可以实现类似效果，值得借鉴参考。

3.4 分区解译策略

分区解译策略是将地学分区所表征的地学知识与遥感智能解译算法（如深度学习）有效连接起来的重要桥梁。该模块的主要目的是将场景复杂性度量、地学分区方法、样本抽样与规范3个模块的成果与解译三大要素——数据、模型和样本的优选相结合，实现解译效果的提升。同时，解译结果可作为分区、抽样典型性评价以及抽样方法的优化迭代的依据。将遥感解译系统的各个环节“分区施策”是分区解译策略的主要实现方式，参考基于“图-谱”耦合与协同计算的思想[4,9]，可将其核心内容分为3个方面（图8）：知识引导的分层解译框架构建、智能解译模型评估优选和样本时空迁移与挖掘。具体如下：
图8 分区解译策略

Fig. 8 Strategies for Geo-Science Zoning interpretation

知识引导的分层解译框架是实现分区解译的基础。基于地学分区知识引导下的解译框架的设计需要综合考虑解译场景、目标要素、影像数据、解译模型以及可用样本等对解译效果有影响的各类因素，涉及分类体系的制定、数据尺度与解译单元的确定以及集成方案的选择，需要具有不同场景下的适应性。对于分类体系围绕不同尺度遥感数据对地物的可识别程度进行分级，地物类别以现有标准分类体系为基础针对不同地区和场景进行归并与细分。数据尺度与解译单元的确定以分类的级别和影像数据的复杂性为主要依据。目前常见的集成方案主要包括： ① 数据集成法[44⇓⇓⇓-48]。依据不同的分区或者识别目标，进行分区分类或者分要素提取，最后通过解译结果的合并实现区域分类结果的综合。通过将地学分区的知识用于不同区域模型的优化来提升总体精度； ② 模型集成法。面向区域解译目标，通过不同模型的集成优化来提升解译精度，目前常见的有将机器模型用于深度学习模型输入特征的转换与优选，形成耦合的分类模型； ③ 分层集成法[38⇓-40,71]。结合不同尺度上地物的可区分程度，通过在不同尺度上数据集成与模型集成相结合的方式，构建分层次逐步集成的框架。
智能解译模型评估优选是分区解译策略从方法体系到技术实现的关键步骤，重点是基于智能解译算法的适宜性评估结果为不同场景、分区以及不同识别目标筛选最优模型。目前对于解译算法的评估主要集中在单一试验区不同算法的比较[38⇓-40,71]和针对单类解译目标同一解译模型在不同地区的比较[38⇓-40,71] 2大类，主要评价指标为解译结果的总体精度。面向分区解译的算法的适宜性评估需要在此基础上增加地学分区的影响评估。同时，需要从总体精度、空间准确度等多个维度构建评估指标，用于更加准确的评估不同模型对解译的提升效果。
样本时空迁移与挖掘是解决分区解译框架下样本不均衡问题、快速扩充样本的重要手段。从迁移类型方面可以将其分为样本数据的迁移、样本特征的迁移和样本知识的迁移3个层次。样本数据迁移是基于地物在时间上具有较大的连续性[38⇓-40,71]这一特点，将源域的样本直接用于目标域参与模型训练和预测，一般适合同一地区不同时间的样本利用。样本特征迁移是基于同一类地物具有相关属性上的相似性特点，将源域中样本点对应的属性，如光谱、指数、时序等特征用于目标域模型训练和预测[38⇓-40,71]，一般适合跨区域的样本利用。样本知识的迁移则是基于地理学第二定律，将源域训练或搭建的比较成熟的模型及参数进行少量的修改或者直接用于相近区域的预测，基于这一理论可以指导解译模型在相似分区中的快速应用。

4 初步解译实验及结果分析

本文提出的遥感地学分区智能解译框架是一个较为庞大的系统性框架，需要系统性实验协同推进验证。现阶段，作者分散性地开展了相关实验，主要包括复杂性度量与优化抽样对解译精度提升的实验、影像分区对面向对象解译过程中的尺度优选提升试验、耕地类型分区解译对比实验以及经典LULC分类实验，旨在对各个模块和体系进行初步测试，评估整体框架及各个模块对遥感智能解译体系提升的潜力以及现阶段框架系统存在的局限性，同时为下一步系统性实验研究指明努力的方向。

4.1 复杂性度量与优化抽样实验

本实验旨在评估遥感地学分区智能解译框架中训练样本抽样方法对遥感智能解译精度的提升潜力。实验使用高分2号遥感影像基于U-Net模型进行土地利用分类实验，土地利用类型有5种：建筑、耕地、林地、草地、水域。采用信息熵[68]作为场景复杂性度量指标，对样本数据集的复杂程度进行量化并辅助优化抽样，设计了4组实验用于验证复杂度抽样方法对遥感智能解译模型性能提升；一组实验是随机抽样获取训练样本，另一组实验是采用复杂度抽样方法获取训练样本，另外两组是在前两组的基础上，对模型进行复杂度限制性优化，具体是通过损失函数实现，公式如下：
L t o t a l _ l o s s =   L l o s s + γ L C o m p l e x i t y
L C o m p l e x i t y = 1 n ∑ i = 1 n ( f S C y i - y ^ C i ) 2
式中：Ltotal_loss为复杂度限制性优化的损失函数；Lloss为对模型分类结果进行优化的损失函数；LComplexity为复杂度限制性项； f S C y i为C类地物的第i个样本的真实复杂度值， y ^ C i为对应样本的复杂度预测值；S表示样本集。本实验选择交叉熵损失函数（Binary cross-entropy Loss）和Dice损失函数（Dice Loss）作为Lloss对模型进行纠正。
测试结果显示，复杂度训练样本抽样方法能够显著提升遥感解译精度。如表2所示，相较于随机抽样方式，建筑物分类中，复杂度抽样和限制性优化的组合具有最大的提升，JI（Jaccard Index）增加了6%，PA（Pixel Accuracy）增加了4%；耕地分类中，复杂度抽样组合将JI提升了9%，MIoU（Mean Intersection over Union）提升了10%；林地分类中，复杂度抽样和限制性优化组合具有最大提升，JI提升了3%，PA提升了2%；在草地分类中，随机抽样和复杂度限制性组合在测试PA和JI中提高了约1%（MIoU约为2%）。复杂度抽样和限制性优化的组合将测试PA和JI提高了约2%；在水域分类中，也有相应的提升。从图9可看出，复杂度抽样方法和限制性优化方法使得模型的解译性能得到了较大地提升，对耕地的识别能力显著增强了。
表2 数据集模型预测结果

Tab. 2 Data set model prediction results

地物类型 抽样方法 训练精度 测试精度
PA JI MIoU PA JI MIoU
建筑 随机抽样 0.85 0.75 0.74 0.85 0.75 0.74
限制性优化+随机抽样 0.88 0.79 0.79 0.87 0.79 0.78
复杂度抽样 0.88 0.80 0.79 0.88 0.80 0.79
限制性优化+复杂度抽样 0.89 0.80 0.80 0.89 0.81 0.80
耕地 随机抽样 0.86 0.79 0.75 0.84 0.78 0.75
限制性优化+随机抽样 0.87 0.80 0.80 0.85 0.79 0.76
复杂度抽样 0.94 0.90 0.88 0.86 0.87 0.85
限制性优化+复杂度抽样 0.95 0.91 0.91 0.86 0.89 0.87
林地 随机抽样 0.99 0.98 0.97 0.90 0.82 0.82
限制性优化+随机抽样 0.99 0.98 0.98 0.91 0.83 0.83
复杂度抽样 0.99 0.98 0.98 0.90 0.81 0.81
限制性优化+复杂度抽样 0.99 0.99 0.99 0.92 0.84 0.83
草地 限制性优化+随机抽样 0.99 0.98 0.98 0.96 0.98 0.96
随机抽样 1.00 0.99 0.99 0.97 0.99 0.98
限制性优化+复杂度抽样 1.00 0.99 0.99 0.97 0.99 0.97
复杂度抽样 1.00 0.99 0.99 0.97 0.99 0.98
水域 随机抽样 0.98 0.98 0.96 0.98 0.98 0.96
限制性优化+随机抽样 0.99 0.99 0.97 0.99 0.99 0.97
复杂度抽样 1.00 1.00 0.99 0.99 1.00 0.99
限制性优化+复杂度抽样 1.00 1.00 0.99 0.99 1.00 0.99
图9 信息熵量化和耕地分类结果

Fig. 9 Information entropy quantification and Cultivated land classification result

4.2 影像分区分割尺度优选实验

本实验旨在评估遥感地学分区对面向对象影像解译中关键解译单元的自动生成潜力。影像分割是GEOBIA的基础和关键步骤。本节实验以多分辨率遥感影像为数据，以结构相似性指数SSIM[49]为场景复杂性度量指标，建立了基于场景空间结构复杂性度量结果的影像分区方案，并在此基础上提出了一种分区指导下的影像最优分割尺度参数优化框架。主要实验实验数据与主要结果如图10所示，主要步骤包括： ① 基于SSIM计算高分辨率影像和中分辨率影像间的结构相似性，度量研究区内场景空间结构的复杂程度； ② 对高分辨率影像进行粗分割，基于粗分割结果与场景空间结构复杂程度度量结果，使用K-means聚类进行影像分区，得到具有不同场景结构复杂度的区域； ③ 以全局莫兰指数(Global Moran's I, MI)和面积加权方差(Weighted Variance, WV)为分割质量评价指标，对每个分区分别执行基于F-measure的非监督最优分割尺度参数优选[72]； ④ 在不分区情况下采用相同方法对整幅影像执行最优分割尺度参数优选，并对分区与不分区情况下的影像分割精度开展定量对比评价。
图10 基于SSIM的影像分区结果

Fig. 10 SSIM-based image partitioning results

为验证所提方法的有效性，采用定量评价指标对分区前后的影像分割结果进行评价。实验中，选取Su等[73]所提的过分割指标(Global Over-Segmentation Error, GOSE)、欠分割指标(Global Under-Segmentation Error, GUSE)以及二者的欧几里得距离组合(Total Error, TE)进行分割结果评价，这些指标均是值越小表示分割结果越好。评价结果显示（图11），将各分区分割结果的总体指标TE均较未分区分割结果下降，对于整体区域，TE由0.44降低到0.27，意味着分割质量提升了约39.86%。
图11 分区前后分割结果质量对比评价

Fig. 11 Quality comparison of segmentation results before and after partitioning.

4.3 北京耕地类型分区解译实验

本实验旨在测试智能解译框架在高分场景分类中的提升潜力。实验选取北京市西部地区高分影像开展了耕地类型细分实验，并对比分区解译和不分区解译的结果。首先，在分区过程中，结合耕地与非耕地间时序物候特征差异、耕地绝大多数分布在人类活动区域周围以及不同类型耕地分布区域地形特征差异大的特点，综合使用NDVI(Normalized Difference Vegetation Index)时序特征、ESA GlobCoverLULC数据（获取建筑物空间分布信息）和DEM等多源数据，通过频率统计和空间聚类的方式，实现研究区域的遥感地学分区。通过分区，获得包含耕地区、非耕地区2个子区域的一级分区，以及包含规则耕地与大棚区、坡耕地区、梯田区和非耕地区4个子区域的二级分区，如图12所示。进而，在每个子区内进行影像分割最优尺度分割、样本优化和分类算法模型（Random Forest，RF）[74]训练和分类，实现地学分区下的耕地信息提取。然后，通过野外实地调查数据，对分类结果进行精度评价。最后，还采用了相同的特征和样本进行了未分区情况下的分类实验。
图12 面向耕地信息提取的遥感地学分区结果示意

Fig. 12 Schematic diagram of zoning results for cropland information extraction

分区支持下与未分区的耕地信息提取结果精度差异如图13所示。结果显示，数据驱动的定量化分区方法为后续遥感智能解译提供了可靠的分区依据，在分区支持下的分类精度有明显提升。在用户精度方面，大棚、梯田和坡耕地3种类型上的提高相较明显，在生产者精度方面，坡耕地、规则耕地和非耕地3种类型上的提高相较明显。从总体精度来看，分区后的分类精度比未分区高出6.00%，kappa系数高出0.11。另外分区后各子区域内的分类精度也有显著提升，特别是不同分区内主要分布的耕地类型的精度提升更为明显。以梯田集中分布区域为例，分区后该区域内梯田类型的用户精度和生产者精度分别提升了9.8%和3.7%。除了在分类精度上有提升之外，在分类结果边界的准确性上也有明显提升。分区后在各子区域内开展尺度优选下的影像分割能更准确地表达各子区域内耕地类型的边界。如图14所示，图14（a）和图14（b）是分区前后坡耕地与非耕地的分类结果边界，图14（c）和图14（d）是分区前后大棚与非耕地的分类结果边界。从对比中可以看出，分区能够有效细化耕地类型与非耕地的界线，提高结果的准确度。
图13 不同方案下分类结果的精度对比

Fig. 13 Comparison of accuracy of classification results under different schemes

图14 分区前后分割边界对比

Fig. 14 Comparative segmentation boundaries before and after zoning

4.4 四川眉山土地覆被分类实验

为了测试框架体系在中分辨遥感影像土地覆被分类中的实用性，以生态、生产、生活场景较为均衡的四川省眉山市为例，开展实验分析。首先，结合中分辨率遥感数据对LULC的可识别性与试验区主要LULC类型，设计了耕地、林地、草地、水体和建设用地5类地物的试验区中分尺度的LULC分类体系。其次，利用月度合成的哨兵系列卫星影像计算了光谱、NDVI等指数以及合成孔径雷达（Synthetic Aperture Radar, SAR）的极化特征，作为特征优选与模型构建的基础特征。然后， 选择了经典的机器学习方法支持向量机(Support Vector Machines, SVM)和随机森林(Random Forest, RF)算法作为解译方法。最后，基于地理分区结果和统一的样本数据集，开展基于地理分区的LULC分类实验，并通过分类结果对比分析，评 估分区解译策略对对中分尺度LULC分类结果的影响。
鉴于地形地貌是影响区域水热分布的重要因素，进而影响植被的空间分布，实验选择基于试验区的地貌特征进行分区。对试验区的地貌、植被物候特征和影像特征进行相关性分析，发现表明眉山市地貌分区与植被物候特征和影像特征高度相关。为此，实验利用地貌分区作为解译的分区基础，将眉山市划分为峨眉山中低山小区、峨眉山中高山小区、龙泉山低山丘陵小区、岷江冲积平原小区、内江-富顺低丘缓丘台地平原小区、新场低山丘陵小区和雅安-洪雅低山丘陵台地谷地小区7个子区域，结果如图15所示。
图15 眉山市地形分布与地学分区结果

Fig. 15 The GeoSicence Zoning result overlaid on DEM of Meishan City

基于分区解译策略的分类结果与传统不分区模式下的分类结果对比发现：在中等分辨率尺度的LULC分类中，采用分区解译策略对结果的总体精度提升不显著，但解译结果的空间细节与实际分布符合度更高（图16）。例如，在峨眉山中高山小区，采用分区解译策略对数量稀少的类别（水体、建筑用地）在尺度允许的情况下可正确识别，而传统模式下识别为错误类型；在内江-富顺低丘缓丘台地平原小区，分区解译策略对混杂地物的区分更加有效和精细。表3显示，采用不同方法在各分区的解译结果精度差异显著，不同分区精度介于78.26%~100%之间，其中RF方法的精度差异为4.47%、SVM方法的为20.02%，RF在各个分区的表现均优于SVM。
图16 采用分区策略的试验区解译结果

Fig. 16 Map of decoding results of the test area using the partitioning strategy

表3 分类精度对比

Tab. 3 Classification accuracy comparison table

分区 分类方式 总体精度/% Kappa系数
不分区 RF 97.04 0.963
SVM 96.56 0.957
分区融合 RF 97.31 0.965
SVM 93.68 0.918

5 讨论

通过以上框架提出背景、原理的介绍以及初步解译实验，已可以对遥感地学分区智能解译框架的优势和局限性以及适用情景进行初步的讨论，进而将其原理与已有框架体系和定律进行关联，从而更好地促进本理论框架的发展。

5.1 遥感地学分区智能解译框架的优势性

截止目前，作者能够检索到的类似地学分区思想的遥感解译研究，主要集中在不同区域的解译模型选择或参数训练方面，例如山区植被分类[36-37,41]、耕地信息提取和类型细分[44⇓⇓⇓-48]或者综合性分类[38⇓-40,71]。这些研究涉及到了分区数据及方法，但是如何系统性的获取或者生成分区数据集，则缺乏针对性的研究和总结。要达到遥感解译与地学认知相耦合、协同促进（图3），那么地学认知到遥感地学分区环节的自动化必不可少。分区自动化实现的另一个好处就是标准可控，避免因人而异。此外，样本抽样在这些研究中，要么没有引起重视，要么缺乏定量化依据。本文系统化的构建了遥感地学分区的框架，并对目前研究存在的不足进行了补充。在地学分区方面，本文重点提出了面向遥感智能解译的地学分区方法；在样本构建方面，尝试针对性的提出和构建一套面向遥感地学分区智能解译的样本抽样与规范。此外，本文创新性提出场景复杂性度量的概念和模块，以便用于地学分区和样本抽样与规范的定量化支撑。
初步实验显示出本文的遥感地学分区智能解译框架具有较好的效果。样本优化抽样解译实验显示，采用复杂性度量支持下的训练样本优选思路，可以在相同数量的样本情况下实现更高的精度，或者在同等精度下，需要的样本量更少；影像分割实验显示，复杂性度量指标和分区方法支撑下的精细尺度遥感影像分区对于提高高分遥感影像的分割尺度优选方面，比未分区提升效果明显，这一结论与周文 等[44]的研究结论是一致的。在北京地区耕地细分的初步集成实验显示，分区策略可以有效融合已有地学数据和知识，比未分区策略精度提升约6个百分点。这个比前人普遍总结的精度提升10%~16%存在一定的差距[47-48]，可能是由于以往研究多以10 m或者30 m的中尺度遥感影像为解译数据源本身混淆程度大、精度提升空间大有一定的关系，也可能与所提解译模型选择或者整体框架尚未完善有一定的关系。在眉山LULC分类实验中，在中高山小区，分区解译对数量稀少的类别（水体、建筑区）的在尺度允许的情况下可以正确识别，而不分区解译识别为错误类型，而在平原小区，在尺度允许条件下，分区解译对混杂地物的区分更加有效和精细。

5.2 遥感地学分区框架当前研究的局限性

在实验中，也遇到遥感地学分区的结果并没有显著提升解译精度的情况，部分结果甚至略微下降。结合实验中遇到的问题和对比分析前人的实验经验，这种实验情景的出现是有可能的。一方面，遥感地学分区智能解译框架侧重解决的是极易混淆的地物类型，例如耕地类型细分情景[45⇓-47]，而一般的匀质区域，有可能与传统方法差别不大。另外一方面，在实验中发现，采用地学分区方法分区选样本后，一些区域由于地物类型十分稀少，面临严重的样本采样不足问题，这也是精度没有提升的直接原因之一。分区解译一定程度上会加剧样本的不均衡问题，需要综合考虑分区地物类型的分布与样本获取成本等问题，充分利用跨时空的样本迁移、自动化样本扩充以及样本优选等技术，或许可以实现样本的快速补充。这间接说明了当前的遥感地学分区框架还有待进一步完善，尤其是样本使用策略以及适用情景方面，需要进一步完善和加强。将当前已有研究与图3相比，当前的地学分区在解译模型方面研究较多，而在数据的预处理、解译结果后处理、精度评价模块，研究较少，甚至空白。尽管这些不是解译过程中的核心模块，但通常也是解译中的一环，对最终的精度指标也会有较大的影响。这些都可能成为本文眉山LULC分类实验未能达到预期目标的原因，在未来需要进一步加强研究。
在实验过程中，作者也注意到一些问题或者经验，或许对于遥感地学分区智能解译研究的系统推进具有一定的参考经验。例如，分区是有尺度的。受自然规律形成中不同因素的作用尺度不同，无论是地理学的分区，还是区划，通常都是多尺度的。此外，分区是有专题针对性的。实验需要根据某一种、某一类或者某些特定要素的综合，来进行分区或者区划。例如，气候分区是针对气候要素空间分布异质性的认知综合，生态分区是针对生态系统类型空间分布异质性的认知综合，农业区划是针对农业种植管理适宜性而做的综合区划。因此，在应用地学分区进行遥感智能解译前，应该明晰解译的目标，针对性的采用相适宜的分区方案，而不是试图寻找一种分区方案可以应用于所有类型。此外，为了更好地推进整个框架理论体系的成熟，最好使用集中实验的方式开展对比，例如选择固定的区域、专题、数据、质评，开展不同分区方案、不同样本策略、不同模型方法的对比实验，完成整体系统框架的调优后，再更换不同的应用情景或者区域进行体系的检验和改进，测试系统框架的普适性。

5.3 不同遥感地学分区方案及其适用情景

根据前两节内容和上段讨论，可以进一步将当前能够预想到的遥感地学分区方案根据分区依据（表4）和所依赖的数据（表5）进行初步归类总结。分区依据可以从3个不同的视角考虑：① 研究对象所属的地理学要素或系统类型，用于反映不同的地理要素或系统（例如三生空间）的多尺度分异性； ② 研究对象的空间尺度性，反映研究对象分布模 式在不同尺度上（宏观、中观、微观）的空间分异性；③ 数据到知识的信息获取流程，以根据可获取信息所处的不同流程环节（数据、信息、知识）针对性分区。根据这些分区依赖数据的信息认知综合性程度，可以分为4类：① 已有地学分区或区划，例如生态分区、农业区划等，在分区时可以直接空间叠置融合实现；② 研究目标时空分布数据或其地理环境数据，例如LULC数据、DEM、NDVI等，在分区时可依次通过基于地理要素的复杂性度量-区域分布模式挖掘-区域划分的思路实现，即相当于地学分区或区划的流程基于数据驱动实现； ③ 以时-空-谱多源遥感影像为主的观测数据，在分区时以影像时空谱特征复杂性度量-区域分布模式挖掘-区域划分的思路实现，相当于在②的基础上，适用影像特征间接代替地理要素或其环境要素实现分区或区划； ④ 观测数据、地理要素与地理区划等多源数据，在分区时可采用空间叠置-复杂性度量-分布挖掘-综合区划等多种思路实现。
表4 遥感地学分区方案分区依据分类

Tab. 4 A system classification of Geo-Science Zoning solutions based on zoning basis

分区依据 潜在效果
研究对象所属的地理学要素类型或系统 生态：以森林、植被、水、裸地等生态要素为主 能够反映不同的地理要素或系统的多尺度分区差异性
生产：以农业、渔业、矿业等资源获取为主
生活：城市、乡村里的居住区、工业区、商业区等
研究对象的空间尺度 宏观尺度：分辨率公里以上的大气候、大地形地貌等地理规律空间分异性 够能反映研究对象分布模式在不同尺度上的差异性
中观尺度：分辨率30 m左右以土地利用/覆被分布模式
微观尺度：米级分辨率空间场景分布模式
数据到知识的信息
获取流程		 数据：以遥感大数据为主的观测数据 能够根据可获取信息所处的不同流程环节针对性分区
信息：经过数学等手段加工为地理要素产品
知识：经地理学专家系统认知后的分区或者区划知识
表5 遥感地学分区方案依赖数据分类

Tab. 5 A system classification of Geo-Science Zoning solutions based on depending data

依赖数据 实现路径
已有地学分区或区划，例如生态分区、农业区划等 已有分区数据直接空间叠置融合
研究目标时空分布数据集，例如土地利用/覆被、专题要素等，以及其他
地理学环境要素产品，例如DEM、气温、降水、NDVI等		 基于地理要素的复杂性度量-区域分布模式挖掘-区域划分
以时-空-谱多源遥感影像为主的观测数据 影像时空谱特征复杂性度量-区域分布模式挖掘-区域划分
观测数据、地理要素与地理区划等多源数据 空间叠置-复杂性度量-分布挖掘-综合区划
从思路原理上看，所提分区框架可以适用于多数情景。在设定的研究区域范围内，当研究目标或者其特征属性在空间上具有一定的分异性，并且可获取的数据能捕捉到这种分异性，那么遥感地学分区就可以把这种分异性表达出来，进而实现预期的“分类施策”效果。相反，如果设定的研究范围内，研究目标或者其特征属性是均匀、随机分布的，或者可获取的数据捕捉不到研究目标的空间分异性（例如时空谱分辨率较低），那么即使分区，每个区域内的情况也是相同的，这时候分区的意义就仅限于将大规模任务拆解为小任务的价值。如果空间分异性存在并且可获取数据能够捕捉到，但是遥感地学分区方案没有把空间分异性划分出来，那么这种情况下也将会与均匀、随机分布的情况类似，其应用效果也将会不明显。考虑到在现实情况中空间分异性普遍存在，所以只要获取的数据理想、分区方案合理，所提分区框架应该是可普遍实现预期的效果。

5.4 遥感地学分区框架与已有理论框架的关系

将遥感解译与地理数据统筹起来考虑的思路在以往也有提出。例如，秦其明[75]早在2000年就提出遥感与地理信息系统相结合的遥感解译思路；在国土资源监测过程中，杜培军等[76]提出了像元—对象结合的多时相影像变化检测、基于对象实体统计分析的变化识别方法；骆剑承等[9,77]提出了地理时空大数据协同计算技术，以及地理图斑智能计算及模式挖掘方法。这些思路的相同点均是强调地理信息数据与知识融入到遥感智能解译中的作用。但秦其明[75]的研究更多是的指出知识融入这个方向，并没有给出具体的遥感智能解译方案。杜培军 等[76]的研究是针对具体的国土资源监测，尤其是变化检测，利用的知识是较为初始的矢量边界，对于图斑之间的模式知识并没有涉及。骆剑承等[9,77]等的研究虽提到分区，但是对于分区的方案、价值并没有进一步系统化研究。本文从地理学的分异性原理和知识表达入手，系统化阐述了地学分区与遥感智能解译的联系，提出了遥感地学分区智能解译框架，并进一步构建了场景复杂性度量、地学分区方法、样本抽样规范、分区解译策略4个模块。
本文所提框架可以视为大数据与大知识融合的一类思维结果。在2021年，作者团队提出了面向遥感大数据的地学知识图谱构想[2]，旨在将地学思维与算法思维相结合，形成知识与解译相融合的框架，从而促进“数据获取知识”和“知识引导数据”的双赢局面[3]。LULC是一种有效地连接解译方法与地学认知的桥梁。然而，如何实现这种框架，还需要寻找一种多尺度的空间知识表达方式，以从具体方法层面实现这种构想。为此，借鉴景观生态学的等级斑块动态范式，作者团队进一步提出了等级斑块结构模型框架，以综合地学的尺度、区域、格局与功能思想对遥感智能解译的指导[7]。但是尺度比LULC图斑大的区域，具体如何实现智能解译的知识引导，现阶段尚未有明确的框架与方案。本文所提的遥感地学分区智能解译方案恰好是对此更为详细的框架实现设计，有望进一步促进地学思维与算法思维的融合，推动知识与数据循环互促的双赢局面。
本文所提框架偏向于一种使用策略或者解译框架，并非一个具体的算法或者模型。其核心价值在于，在使用过程中提供有一种有效地沟通机制，将遥感解译与地学认知协作起来，增加彼此的沟通和信任，从而协同促进彼此的发展[3]，而非取代现有的遥感智能解译方法。在实际研究中，仍然需要精度高、实现简单、标准可控的解译方法研究，也需要具体的知识更新机制研究和遥感智能解译多情景验证实验，以此促进本文所提框架的进一步发展。

6 结论

本文从遥感智能解译的使命辨析出发，首先阐述了地学分区与遥感智能解译的联系，进而提出了遥感地学分区智能解译框架，包括场景复杂性度量、地学分区方法、样本抽样规范、分区解译策略 4个模块；在此基础上，分别开展了样本抽样、分割尺度优选及耕地类型细分的实验，初步证实了遥感地学分区的智能解译框架在解译单元生成、样本库研制以及耕地细分情景方面，能够将现有智能解译方法在地学认知方面的效果进行实质性提升。主要研究结论如下：
（1）地学分区是一种有效的地学知识表达方式，基于此的智能解译框架对于提升现有智能解译算法的地学实用性方面潜力巨大，包括但不限于解译精度。
（2）地学分区引入遥感智能解译中是一个体系化研究，需要在复杂性度量、分区方法、样本抽样与规范、分区解译策略等多方面协同推进，单一方面的使用效果优势性可能并不显著，例如本文的四川眉山一级分类体系下的LULC分类实验。
（3）地学分区可以从研究对象的地理学要素类型系统、空间尺度以及数据到知识的信息获取流程等多个维度开展，分别适用于不同的情景，但常用的分区数据主要包括已有地学分区/区划、研究目标时空分布数据集及地理学环境要素产品、以时-空-谱多源遥感影像为主的观测数据4类。
（4） 遥感地学分区智能解译框架是大数据与大知识融合的一类思路，是面向遥感大数据的地学知识图谱解译思路的一类具体实现方式，也是等级斑块结构模型中尺度超越解译目标本身时的知识融合具体实现方式，有望促进“数据获取知识”和“知识引导数据”的双赢。
■本文图文责任编辑：黄光玉 蒋树芳

利益冲突： Conflicts of Interest 所有作者声明不存在利益冲突。

All authors disclose no relevant conflicts of interest.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
《陈述彭编年纪事》编委会. 陈述彭编年纪事[M]. 北京: 科学出版社, 2021.

[ Editorial Committee of Chen Shupeng's Chronological Records. Chen Shupeng's Chronological Records[M]. Beijing: Science Press, 2021. ]

[2]
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

[3]
杨晓梅, 王志华, 刘岳明, 等. 遥感智能信息处理的发展及技术前景[J]. 同济大学学报(自然科学版), 2023, 51(7):1025-1032.

[ Yang X M, Wang Z H, Liu Y M, et al. Development and technical prospect of remote sensing intelligent information processing[J]. Journal of Tongji University (Natural Science), 2023, 51(7):1025-1032. ] DOI: 10.11908/j.issn.0253-374x.23145

[4]
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

[5]
王志华, 郜酷, 杨晓梅, 等. 地理学视角下土地利用/覆被分类发展探讨[J]. 地理研究, 2022, 41(11):2946-2962.

DOI

[ Wang Z H, Gao K, Yang X M, et al. Land use/land cover classification development from a geographical perspective[J]. Geographical Research, 2022, 41(11):2946-2962. ] DOI: 10.11821/dlyj020220076

[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:10.11947/1AGCS.2022.20220279

[7]
王志华, 杨晓梅, 刘岳明, 等. 面向对象影像分析的地理学原理及分析框架启示[J]. 遥感学报, 2023:1-13.

[ Wang Z H, Yang X M, Liu Y M, et al. Geographical principles of remote sensing object-based image analysis and an analysis framework[J]. National Remote Sensing Bulletin, 2023:1-13. ]

[8]
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 scientific field — open complex giant systems and their methodology[J]. Nature Magazine, 1990, 12(1):3-10,64. ]

[9]
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

[10]
Xu Z B, Sun J. Model-driven deep-learning[J]. National Science Review, 2018, 5(1):22-24. DOI:10.1093/nsr/nwx099

[11]
Strahler A H, Woodcock C E, Smith J A. On the nature of models in remote sensing[J]. Remote Sensing of Environment, 1986, 20(2):121-139.DOI:10.1016/0034-4257(86)90018-0

[12]
Wang Z H, Zhang J Y, Yang X M, et al. Global mapping of the landside clustering of aquaculture ponds from dense time-series 10 m Sentinel-2 images on Google Earth Engine[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 115:103100. DOI:10.1016/j.jag.2022.103100

[13]
Zhang J Y, Yang X M, Wang Z H, et al. Mapping of land-based aquaculture regions in Southeast Asia and its Spatiotemporal change from 1990 to 2020 using time-series remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2023, 124:103518. DOI:10.1016/j.jag.2023.103518

[14]
Liu Y M, Wang Z H, Yang X M, et al. Satellite-based monitoring and statistics for raft and cage aquaculture in China’s offshore waters[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 91:102118. DOI:10.1016/j.jag.2020.102118

[15]
陈述彭, 赵英时. 遥感地学分析[M]. 北京: 测绘出版社, 1990.

[ Chen S P, Zhao Y S. Remote sensing geoscience analysis[M]. Beijing: Sino Maps Press, 1990. ]

[16]
周成虎, 骆剑承, 杨晓梅, 等. 遥感影像地学理解与分析[M]. 北京: 科学出版社, 1999.

[ Zhou C H. Geoscience understanding and analysis of remote sensing images[M]. Beijing: Science Press, 1999. ]

[17]
杨存建, 周成虎. 基于知识的遥感图像分类方法的探讨[J]. 地理学与国土研究, 2001, 17(1):72-77.

[ Yang C J, Zhou C H. Investigation on classification of remote sensing image on basis of knowledge[J]. Geography and Territorial Research, 2001, 17(1):72-77. ] DOI:10.3969/j.issn.1672-0504.2001.01.016

[18]
周成虎, 骆剑承. 高分辨率卫星遥感影像地学计算[M]. 北京: 科学出版社, 2009.

[ Zhou C H, Luo J C. Geoscience calculation of high resolution satellite remote sensing images[M]. Beijing: Science Press, 2009. ]

[19]
Tobler W R. A computer movie simulating urban growth in the Detroit Region[J]. Economic Geography, 1970, 46:234. DOI:10.2307/143141

[20]
Anselin L. What is special about spatial data? Alternative perspectives on spatial data analysis (89-4)[C]. National Center for Geographic Information and Analysis, Santa Barbara, CA:NCGIA, 1989.

[21]
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.

[22]
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.

[23]
朱阿兴, 闾国年, 周成虎, 等. 地理相似性:地理学的第三定律?[J]. 地球信息科学学报, 2020, 22(4):673-679.

DOI

[ Zhu A X, Lü Guonian, Zhou C H, et al. Geographic Similarity: The Third Law of Geography?[J]. Journal of Geo-information Science, 2020, 22(4):673-679. ] DOI:10.12082/dqxxkx.2020.200069

[24]
刘南威, 郭有立, 张争胜. 综合自然地理学[M].3版. 北京: 科学出版社, 2009.

[ Liu N W, Guo Y L, Zhang Z S. Comprehensive physical geography[M]. 3rd ed. Beijing: Science Press, 2009. ]

[25]
程维明, 周成虎, 李炳元, 等. 中国地貌区划理论与分区体系研究[J]. 地理学报, 2019, 74(5):839-856.

DOI

[ Cheng W M, Zhou C H, Li B Y, et al. Geomorphological regionalization theory system and division methodology of China[J]. Acta Geographica Sinica, 2019, 74(5):839-856. ] DOI:10.11821/dlxb201905001

[26]
Burnett C, Blaschke T. A multi-scale segmentation/object relationship modelling methodology for landscape analysis[J]. Ecological Modelling, 2003, 168(3):233-249. DOI: 10.1016/S0304-3800(03)00139-X

[27]
Blaschke T, Hay G J, Kelly M, et al. Geographic Object-Based Image Analysis-Towards a new paradigm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 87:180-191. DOI:10.1016/j.isprsjprs.2013.09.014

PMID

[28]
Wang Z H, Yang X M, Lu C, et al. A scale self-adapting segmentation approach and knowledge transfer for automatically updating land use/cover change databases using high spatial resolution images[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 69:88-98. DOI:10.1016/j.jag.2018.03.001

[29]
Kang J M, Yang X M, Wang Z H, et al. Collaborative extraction of paddy planting areas with multi-source information based on google earth engine: A case study of Cambodia[J]. Remote Sensing, 2022, 14(8):1823. DOI:10.3390/rs14081823

[30]
Huang X, Song Y H, Yang J, et al. Toward accurate mapping of 30-m time-series Global Impervious Surface Area (GISA)[J]. International Journal of Applied Earth Observation and Geoinformation, 2022, 109:102787. DOI:10.1016/j.jag.2022.102787

[31]
Zhang C, Sargent I, Pan X, et al. Joint deep learning for land cover and land use classification[J]. Remote Sensing of Environment, 2019, 221:173-187. DOI:10.1016/j.rse.2018.11.014

[32]
Zhang X Y, Du S H, Wang Q. Integrating bottom-up classification and top-down feedback for improving urban land-cover and functional-zone mapping[J]. Remote Sensing of Environment, 2018, 212:231-248. DOI:10.1016/j.rse.2018.05.006

[33]
Bauer M E, Burk T E, Ek A R, et al. Satellite inventory of Minnesota forest resources[J]. Photogrammetric Engineering and Remote Sensing, 1994, 60(3):287-298

[34]
Homer C, Ramsey R D, Edwards T, et al. Landscape cover-type modeling using a multi-scene thematic mapper mosaic[J]. Photogrammetric Engineering and Remote Sensing, 1997, 63:59-67.

[35]
Homer C, Gallant A. Partitioning the conterminous United States into mapping zones for Landsat TM land cover mapping[R]. USGS Draft White Paper, 2001.

[36]
莫源富, 周立新. 分区分类法——针对山区遥感图象的一种有效的分类方法[J]. 中国岩溶, 2000, 19(4):360-365.

[ Mo Y F, Zhou L X. Sub region classification method—An new classification method to remote sensing image in mountain areas[J]. Carsologica Sinica, 2000, 19(4):360-365.] DOI:10.3969/j.issn.1001-4810.2000.04.011

[37]
师庆东, 吕光辉, 潘晓玲, 等. 遥感影像中分区分类法及在新疆北部植被分类中的应用[J]. 干旱区地理, 2003, 26(3):264-268.

[ Shi Q D, Lu G H, Pan X L, et al. Vegetation classification method of divided area and DEM at North Xinjiang[J]. Arid Land Geography, 2003, 26(3):264-268. ] DOI:10.13826/j.cnki.cn65-1103/x.2003.03.013

[38]
张翊涛, 陈洋, 王润生. 结合自动分区与分层分析的多光谱遥感图像地物分类方法[J]. 遥感技术与应用, 2005, 20(3):332-337.

[ Zhang Y T, Chen Y, Wang R S. Multispectral image classification based on sub-region and hierarchical theory[J]. Remote Sensing Technology and Application, 2005, 20(3):332-337. ] DOI:10.3969/j.issn.1004-0323.2005.03.005

[39]
李石华, 王金亮, 陈姚. 独龙江流域TM图像的分区分类方法探讨[J]. 遥感信息, 2006, 21(3):40-43,93.

[ Li S H, Wang J L, Chen Y. An investigation on subr-egion classification method of TM image in Dulong River Basin[J]. Remote Sensing Information, 2006, 21(3):40-43,93. ] DOI:10.3969/j.issn.1000-3177.2006.03.013

[40]
申怀飞, 胡楠, 丁圣彦, 等. 基于主成分融合的遥感影像分区分类方法探讨[J]. 河南大学学报(自然科学版), 2007, 37(3):294-299.

[ Shen H F, Hu N, Ding S Y, et al. Discussion of sub-region classification method based on principal components fusion[J]. Journal of Henan University (Natural Science), 2007, 37(3):294-299. ] DOI:10.15991/j.cnki.411100.2007.03.021

[41]
竞霞, 王锦地, 王纪华, 等. 基于分区和多时相遥感数据的山区植被分类研究[J]. 遥感技术与应用, 2008, 23(4):394-397,360.

[ Jing X, Wang J D, Wang J H, et al. Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images[J]. Remote Sensing Technology and Application, 2008, 23(4):394-397,360. ] DOI:10.11873/j.issn.1004-0323.2008.4.394

[42]
李文莉, 杨泽元, 李瑛, 等. 基于分区和纹理特征的伊犁河谷遥感影像土地利用分类[J]. 测绘与空间地理信息, 2013, 36(8):68-71.

[ Li W L, Yang Z Y, Li Y, et al. Ili valley land use classification of SPOT remote sensing image based on partition and texture information[J]. Geomatics & Spatial Information Technology, 2013, 36(8):68-71. ] DOI:10.3969/j.issn.1672-5867.2013.08.021

[43]
于菲菲, 曾永年, 徐艳艳, 等. 基于植被分区的多特征遥感智能分类[J]. 国土资源遥感, 2014, 26(1):63-70.

[ Yu F F, Zeng Y N, Xu Y Y, et al. Intelligent remote sensing classification of multi-character data based on vegetation partition[J]. Remote Sensing for Natural Resources, 2014, 26(1):63-70. ] DOI:10.6046/gtzyyg.2014.01.12

[44]
周文, 明冬萍, 闫鹏飞. 结合影像分区与尺度估计的耕地提取方法研究[J]. 地球信息科学学报, 2018, 20(7):1014-1025.

DOI

[ Zhou W, Ming D P, Yan P F. Cultivated land extraction based on image region division and scale estimation[J]. Journal of Geo-information Science, 2018, 20(7):1014-1025. ] DOI:10.12082/dqxxkx.2018.180076

[45]
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:10.11947/j.AGCS.2021.20190448

[46]
林双双. 地形信息支持下的山区耕地分区分层提取方法[D]. 贵阳: 贵州师范大学, 2023.

[ Lin S S. A hierarchical extraction method of cultivated land in mountainous area based on topographic information[D]. Guiyang: Guizhou Normal University, 2023. ] DOI:10.27048/d.cnki.ggzsu.2023.000613

[47]
赵辰雨. 基于深度学习的农田场景分区智能解译研究[D]. 廊坊: 北华航天工业学院, 2023.

[ Zhao C Y. Research on intelligent interpretation of farmland scene partitioning based on deep learning[D]. LangFang: North China Institute of Aerospace Engineering, 2023. ]

[48]
Campos-Taberner M, Javier García-Haro F, Martínez B, et al. Land use classification over smallholding areas in the European Common Agricultural Policy framework[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 197:320-334. DOI:10.1016/j.isprsjprs.2023.02.005

[49]
Wang Z, Bovik A C, Sheikh H R, et al. Image quality assessment: from error visibility to structural similarity[J]. IEEE Transactions on Image Processing, 2004, 13(4):600-612. DOI:10.1109/tip.2003.819861

PMID

[50]
Peng J, Wang Y L, Zhang Y, et al. Evaluating the effectiveness of landscape metrics in quantifying spatial patterns[J]. Ecological Indicators, 2010, 10(2):217-223. DOI: 10.1016/j.ecolind.2009.04.017

[51]
王雷, 汤国安, 刘学军, 等. DEM地形复杂度指数及提取方法研究[J]. 水土保持通报, 2004, 24(4):55-58.

[ Wang L, Tang G A, Liu X J, et al. Terrain complexity index and its derivation from DEMs[J]. Bulletin of Soil and Water Conservation, 2004, 24(4):55-58. ] DOI:10.3969/j.issn.1000-288X.2004.04.015

[52]
Amatulli G, Domisch S, Tuanmu M N, et al. A suite of global, cross-scale topographic variables for environmental and biodiversity modeling[J]. Scientific Data, 2018, 5:180040. DOI:10.1038/SDATA.2018.40

[53]
Yu F Y, Wang T J, Groen T A, et al. Multi-scale comparison of topographic complexity indices in relation to plant species richness[J]. Ecological Complexity, 2015, 22:93-101. DOI:10.1016/j.ecocom.2015.02.007

[54]
Wang J F, Zhang T L, Fu B J. A measure of spatial stratified heterogeneity[J]. Ecological Indicators, 2016, 67:250-256. DOI:10.1016/j.ecolind.2016.02.052

[55]
Omran M G H, Engelbrecht A P, Salman A. An overview of clustering methods[J]. Intelligent Data Analysis, 2007, 11(6):583-605. DOI:10.3233/IDA-2007-11602

[56]
Hossain M D, Chen D M. Segmentation for Object-Based Image Analysis (OBIA): A review of algorithms and challenges from remote sensing perspective[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2019, 150:115-134. DOI:10.1016/j.isprsjprs.2019.02.009

[57]
Kohonen T. The self-organizing map[J]. Proceedings of the IEEE, 1990, 78(9):1464-1480. DOI:10.1109/5.58325

[58]
Turner M G. Spatial and temporal analysis of landscape patterns[J]. Landscape Ecology, 1990, 4(1):21-30. DOI:10.1007/BF02573948

[59]
Luck M, Wu J G. A gradient analysis of urban landscape pattern: A case study from the Phoenix metropolitan region, Arizona, USA[J]. Landscape Ecology, 2002, 17(4):327-339. DOI:10.1023/A:1020512723753

[60]
O’neill R V, Krummel J R, Gardner R H, et al. Indices of landscape pattern[J]. Landscape Ecology, 1988, 1(3):153-162. DOI:10.1007/BF00162741

[61]
Drăguţ L, Csillik O, Eisank C, et al. Automated parameterisation for multi-scale image segmentation on multiple layers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88:119-127. DOI:10.1016/j.isprsjprs.2013.11.018

PMID

[62]
Drăguţ L, Tiede D, Levick S R. ESP: a tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010, 24(6):859-871. DOI:10.1080/13658810903174803

[63]
Wang Z H, Lu C, Yang X M. Exponentially sampling scale parameters for the efficient segmentation of remote-sensing images[J]. International Journal of Remote Sensing, 2018, 39(6):1628-1654. DOI:10.1080/01431161.2017.1410297

[64]
Tibshirani R, Walther G, Hastie T. Estimating the number of clusters in a data set via the gap statistic[J]. Journal of the Royal Statistical Society Series B: Statistical Methodology, 2001, 63(2):411-423. DOI:10.1111/1467-9868.00293

[65]
Dinno A. Nonparametric pairwise multiple comparisons in independent groups using Dunn's test[J]. The Stata Journal: Promoting Communications on Statistics and Stata, 2015, 15(1):292-300. DOI:10.1177/1536867X1501500117

[66]
陆尘, 杨晓梅, 王志华. 基于样本自动扩充的街区式农村居民地遥感提取方法[J]. 地球信息科学学报, 2018, 20(9):1306-1315.

[ Lu C, Yang X M, Wang Z H. Supervised dense rural residential extraction from high-resolution remote sensing images based on automatically augmentation of training samples[J]. Journal of Geo-information Science, 2018, 20(9):1306-1315. ] DOI:10.12082/dqxxkx.2018.170289

[67]
饶杨莉, 张玉金, 周兴霞, 等. 面向深度学习的遥感影像样本库建设技术研究[J]. 测绘与空间地理信息, 2023, 46(4):38-42.

[ Rao Y L, Zhang Y J, Zhou X X, et al. Research on the construction technology of remote sensing image sample database for deep learning[J]. Geomatics & Spatial Information Technology, 2023, 46(4):38-42. ] DOI:10.3969/j.issn.1672-5867.2023.04.011

[68]
Li L F, Zhu Z P, Wang C Y. Multiscale entropy-based surface complexity analysis for land cover image semantic segmentation[J]. Remote Sensing, 2023, 15(8):2192. DOI:10.3390/rs15082192

[69]
张定祥, 汪秀莲, 刘顺喜, 等. 第三次全国国土调查土地利用矢量数据栅格化方法[J]. 测绘通报, 2022, 0(4):138-144.

DOI

[ Zhang D X, Wang X L, Liu S X, et al. Vector rasterization method of national land use data in the third national land survey[J]. Bulletin of Surveying and Mapping, 2022, 0(4),138-144. ] DOI:10.13474/j.cnki.11-2246.2022.0125

[70]
Costa H, Foody G M, Boyd D S. Supervised methods of image segmentation accuracy assessment in land cover mapping[J]. Remote Sensing of Environment, 2018, 205:338-351. DOI:10.1016/J.RSE.2017.11.024

[71]
刘亚岚, 阎守邕, 王涛, 等. 遥感图像分区自动分类方法研究[J]. 遥感学报, 2002, 6(5):357-363.

[ Liu Y L, Yan S Y, Wang T, et al. A study on segmentation-based classification approaches for remotely sensed imagery[J]. National Remote Sensing Bulletin, 2002, 6(5):357-363. ] DOI:10.11834/jrs.20020507

[72]
Johnson B A, Bragais M, Endo I, et al. Image segmentation parameter optimization considering within-and between-segment heterogeneity at multiple scale levels: test case for mapping residential areas using landsat imagery[J]. ISPRS International Journal of Geo-Information, 2015, 4(4):2292-2305. DOI:10.3390/ijgi4042292

[73]
Su T F, Zhang S W. Local and global evaluation for remote sensing image segmentation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130:256-276. DOI:10.1016/j.isprsjprs.2017.06.003

[74]
Pal M. Random forest classifier for remote sensing classification[J]. International Journal of Remote Sensing, 2005, 26(1):217-222. DOI:10.1080/01431160412331269698

[75]
秦其明. 遥感图像自动解译面临的问题与解决的途径[J]. 测绘科学, 2000, 25(2):21-24.

[ Qing Q M. The problem and approach in the auto-interpretation of remote sensing imagery[J]. Science of Surveying and Mapping, 2000, 25(2):21-24. ] DOI:10.3771/j.issn.1009-2307.2000.02.005

[76]
杜培军, 王欣, 蒙亚平, 等. 面向地理国情监测的变化检测与地表覆盖信息更新方法[J]. 地球信息科学学报, 2020, 22(4):857-866.

DOI

[ Du P J, Wang X, Meng Y P, et al. Effective change detection approaches for geographic national condition monitoring and land cover map updating[J]. Journal of Geo-information Science, 2020, 22(4):857-866. ] DOI:10.12082/dqxxkx.2020.190747

[77]
骆剑承, 胡晓东, 吴炜, 等. 地理时空大数据协同计算技术[J]. 地球信息科学学报, 2016, 18(5):590-598.

DOI

[ Luo J C, Hu X D, Wu W, et al. Collaborative computing technology of geographical big data[J]. Journal of Geo-information Science, 2016, 18(5):590-598. ] DOI:10.3724/SP.J.1047.2016.00590

Options
文章导航

/

〈 〉