【意义】 数据已成为重要的生产资料，与人工智能技术相互促进，伴生发展，并不断催生新质生产力。遥感数据智能是遥感大数据和人工智能快速发展的必然产物，不仅提高了遥感数据处理效率，还增强了应对突发事件和复杂环境变化的响应能力。【目的】 本文旨在探讨遥感数据智能的发展及其在关键领域的应用潜力，分析了遥感数据智能的出现背景和技术支撑，提出了遥感数据智能技术框架，并结合具体应用案例，展示遥感数据智能在超高分辨率遥感图像中提取中国集中式和分布式光伏分布信息的应用成效。【展望】 研究强调，对于遥感数据智能而言，高质量的数据是遥感数据智能的基础，应重视AI-ready的知识库建设和小数据的作用；有针对性的高效算法是实现遥感数据智能的关键，发展实用的数据智能方法是迫切需要研究的课题；通过数据智能，推进遥感数据、信息和知识的多层次服务。

【意义】 制图级矢量要素提取是遥感智能解译可直接应用于真实场景的关键前提。【分析】 尽管遥感观测技术和深度学习在遥感影像解译中取得了显著进步，但生产满足业务需求的矢量要素仍依赖大量人工目视解译和人机交互后处理。【进展】 本文基于公众测绘产品生产等业务场景的实际数据需求，深入分析了大量业务场景中遥感影像解译的不同地物矢量要素的规则约束，初步定义了能够直接满足行业需求的“制图级矢量要素”。围绕该定义，从矢量类型，地物形状，边界定位，面积、长度、宽度和角度大小，拓扑约束以及邻接约束这9个维度对制图级矢量要素规则集内容进行了归纳和分析，并从类别属性、位置准确性、拓扑准确性以及综合取舍合理性4个方面梳理了制图级矢量要素的评价方法。随后，重点回顾了基于深度学习提取矢量要素的分割后处理、迭代式和并行式3类方法，分析它们的基本思路、提取矢量的特点与精度、灵活性以及计算效率等方面的优劣与异同，概括了当前面向制图级矢量要素遥感智能解译方法在制图级解译能力、制图级规则耦合以及遥感可解译性方面的不足。【展望】 最后，从构建广泛且开放的制图规则集、构建并共享制图级矢量要素样本集、发展面向多要素的制图级矢量要素提取框架、探索多模态耦合语义规则潜力等方面对制图级矢量要素智能解译的未来研究方向进行了展望。

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

【目的】 随着遥感分类解译技术的发展，复杂场景下自然资源遥感智能解译已成为研究的焦点。在这一背景下，遥感样本的获取和选择对提高解译的准确性和可靠性至关重要。我国地形地貌多样，气象条件复杂，地表结构细碎，导致复杂地表具有时空分异性，直接影响遥感样本的选择和质量。传统抽样方法所选样本对总体特征的代表性较差，进而影响解译效果。【方法】 为解决这一问题，本研究总结了遥感分类标记样本抽样方法、多尺度形态转换扩充样本以及标记样本质量评估的关键要点，从理论上阐述了样本优选以减少偏差的必要性，并提出了基于地表复杂度的分区/层和加权样本优化方法。该方法通过考虑地形的复杂性和多样性，优化了样本的抽样过程，减少了因抽样偏差带来的解译误差。【结果】 通过遵循这些要点和技术，可以获得高质量且有强代表性的标记样本，从而提高遥感分类建模解译精度和/或效益。本研究总结了3个基于复杂度的样本优选的实验结果，并为未来遥感智能解译技术的发展提供了坚实的理论和技术基础。【结论】 这项研究对于通过样本优选推动复杂场景下遥感自然资源分类建模及智能解译的研究和实际应用具有重要的参考价值。

【目的】 随着深度学习技术的发展，遥感影像自然资源要素变化监测能力得到显著提高。基于深度学习的变化检测技术善于挖掘遥感影像的低层次语义信息，但在区分土地利用类型变化与非土地利用类型变化（如农作物轮作、水位自然变化、森林自然退化等）方面存在局限性。为了保证变化检测的高召回率，深度学习变化检测方法往往产生大量虚警变化图斑，仍需大量人工作业工作量来排除虚警变化图斑。【方法】 针对这一问题，本文提出了遥感时空知识图谱驱动的自然资源要素变化图斑净化算法。该方法可以在保持变化图斑高召回率的前提下，尽可能降低变化图斑虚警率，从而提高自然资源要素变化监测效率。为了支撑遥感时空知识图谱智能构建与高效推理，本文设计了顾及时空特性的遥感时空知识图谱本体模式，研发了图数据库内存储运算一体化的GraphGIS工具包。本文提出了基于GraphGIS图数据库原生空间分析的矢量知识抽取技术、基于SkySense视觉大模型高效微调的遥感影像知识抽取技术和基于SeqGPT大语言模型的图斑净化知识抽取技术。在时空本体模式约束下，矢量知识、影像知识和文本知识汇聚形成遥感时空知识图谱。受变化图斑净化业务人工作业方式的启发，本文提出了基于遥感时空知识图谱一阶逻辑推理的变化图斑自动净化技术。为了提升遥感时空知识图谱的并发处理与人机交互核验效率，本文研发了一套遥感时空知识图谱管理服务系统。【结果】 针对广东省2024年3—6月自然资源要素变化图斑净化任务，本文方法的存真率达到95.37%、去伪率达到21.82%。【结论】 本文提出的自然资源要素变化图斑智能净化算法及系统能够在充分保留真实变化图斑的条件下，可以高效剔除虚警变化图斑，显著提升自然资源要素变化监测作业效率。

【目的】 验证基于知识图谱的空间推理方法在煤矿区生态损伤主动发现和智慧识别的适应性，探索新时期煤矿区生态环境治理的新思路与新技术。【方法】 基于知识图谱构建技术，对接矿山“天-空-地-人”多源监测、感知数据，总结概括煤矿区生态单元的位置、形态、群体分布、分布格局以及时空演变等知识，设计了煤矿区生态单元的描述指标，构建了知识图谱辅助下的煤矿区生态损伤智慧识别推理规则，以辅助实现煤矿区地表生态环境采动损伤的主动发现与智能识别。【结果】 以山西省某矿区作为研究区，构建了精准识别采动扰动塌陷单元和自然水面单元的空间推理规则。实验证明，知识图谱辅助下的煤矿区采动扰动单元的精准化、智能化识别精度能得到一定的提升，与传统识别结果相比，本文方法对错误图斑的剔除率为21.43%。【结论】 知识图谱在煤矿区生态环境分析与评估具有良好适应性，可为采动扰动生态单元的主动发现、快速和精准识别提供技术支持，可为解决新时期复杂条件下的煤矿区生态环境治理问题提供了新的技术手段。

【目的】 目前，LiDAR退化环境检测方法存在需要启发式阈值、计算间接评价指标、检测效率低的问题。【方法】 本文提出一种基于改进XGBoost的LiDAR退化环境检测方法。实现了从环境的几何结构角度直接检测单帧点云的退化情况。本文基于LiDAR点云数据构建分类特征体系，用于建立XGBoost决策树。在此基础上，采用模糊综合评价算法计算每个特征的综合重要性度量指标，用于构建有效的特征子集，从而提高检测精度。同时，通过一种基于Spearman秩相关系数的双向特征筛选策略来加速构建特征子集，从而提高模型的训练效率。针对XGBoost的初步检测结果，本文基于滑动窗口策略和多数投票策略对其进行二次修正，提高最终的LiDAR退化环境检测的精度。为验证本文方法的有效性以及对LiDAR退化环境的检测效果，通过搭建实验平台，采集真实场景数据并设计了相关实验。【结果】 实验结果表明，本文方法各组成部分的有效性均能够被合理地验证；LiDAR退化环境检测成功率为94.41%，非退化误检测率为1.24%；相较于LOAM退化检测模块，检测成功率提高了10.91%，误检测率降低了95.26%，检测效率提高了56.97%。【结论】 本文方法实现了高效率、高精度的LiDAR退化环境检测。

【目的】 由于点云的非结构化和无序性，现有的深度学习点云分类网络存在局部特征和全局特征挖掘不充分并且缺乏有效的上下文特征融合的问题，难以实现地物精细分类。因此，本文提出了一种顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法。【方法】 首先，针对点云的非结构性，构建局部加权图学习中心点和邻域点的位置关系，动态调整核权重，以获得更具代表性的局部特征。同时提出全局图注意力模块，考虑各点之间的全局空间分布，应对点云无序性的同时，可以有效捕获全局上下文特征，从而有效整合不同尺度信息。此外，设计自适应加权池化模块进一步实现局部和全局特征的自适应融合，最大程度提高网络的分类性能。【结果】 应用开源Toronto-3D点云数据集和实测校园点云数据集验证本文方法有效性，实验结果表明，在Toronto-3D数据集本文方法的OA和MIoU分别为97.21%和85.46%，相较于Pointnet++、DGCNN、RandLA-Net、BAAF-Net和BAF-LAC等网络模型，OA提升了1.99%~8.21%，MIoU提升了3.23%~35.86%，在校园数据集本文方法的OA和MIoU分别为97.38%和85.70%，OA提升了0.58%~10.53%，MIoU提升了2.01%~32.01%。【结论】 本文方法实现了复杂场景下高精度、高效率的自动化地物精细分类。

【目的】 高性能遥感场景分类模型的训练需要搜集海量遥感数据样本，不同来源的数据安全性难以管控。为了应对数据集可能被投毒的安全挑战，同时顾及遥感数据集的大规模与大模型复杂计算对分布式训练的需求，本文提出了一种基于分布式对比学习的遥感场景分类模型后门防御方法。【方法】 通过将遥感数据集划分至不同的工作节点执行分布式训练，各节点将训练的模型参数，包括特征提取器与预测器的权重，上传至服务器进行参数聚合，迭代这一过程直至模型收敛。在工作节点训练阶段，执行两阶段训练：第一阶段通过增强数据集进行对比学习，用于训练干净的特征提取器；第二阶段，在冻结特征提取器的基础上，使用本地数据与标签训练预测器。在服务器参数聚合阶段，通过计算工作节点上传的预测器权重与上一轮聚合权重的差异，判断该节点是否存在有毒数据，进而标记有毒数据并排除该节点的聚合器权重，从而实现安全聚合。【结果】 在EuroSAT、NaSC-TG2和PatternNet遥感数据集，以及ResNet-50、VGG16和GoogleNet模型上的实验表明，本文提出的方法将平均后门攻击成功率从99.77%显著降低至1.36%，有效抑制了BadNets、Blended、SIG、Trojan和WaNet五种后门攻击。【结论】 为遥感场景分类模型训练过程中的后门防御提供有效的理论与方法支撑。