EN中文

Journal of Geo-information Science >

2025 , Vol. 27 >Issue 2: 350 - 366

DOI: https://doi.org/10.12082/dqxxkx.2025.240571

Intelligent Purification of Natural Resource Element Change Polygons Driven by Remote Sensing Spatiotemporal Knowledge Graphs

  • LI Yansheng , 1, 2 ,
  • ZHONG Zhenyu 1 ,
  • MENG Qingxiang 1 ,
  • MAO Zhidian 1 ,
  • DANG Bo 1 ,
  • WANG Tao 1 ,
  • FENG Yuanjun 1 ,
  • ZHANG Yongjun , 1, 2
Expand
  • 1. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China
  • 2. Technology Innovation Center for Collaborative Application of Natural Resources Data in GBA, Ministry of Natural Resources, Guangzhou 510075, China
*Corrsponding author: ZHANG Yongjun, E-mail:

Received date: 2024-10-13

  Revised date: 2024-12-18

  Online published: 2025-01-24

Supported by

National Natural Science Foundation of China(42371321)

National Natural Science Foundation of China(42030102)

Fold

Abstract

[Objectives] With the development of deep learning technology, the ability to monitor changes in natural resource elements using remote sensing images has significantly improved. While deep learning change detection models excel at extracting low-level semantic information from remote sensing images, they face challenges in distinguishing land-use type changes from non-land-use type changes, such as crop rotation, natural fluctuations in water levels, and forest degradation. To ensure a high recall rate in change detection, these models often generate a large number of false positive change polygons, requiring substantial manual effort to eliminate these false alarms. [Methods] To address this issue, this paper proposes a natural resource element change polygon purification algorithm driven by remote sensing spatiotemporal knowledge graph. The algorithm aims to minimize the false positive rate while maintaining a high recall rate, thereby improving the efficiency of natural resource element change monitoring. To support the intelligent construction and effective reasoning of the spatiotemporal knowledge graph, this study designed a remote sensing spatiotemporal knowledge graph ontology model taking into account spatiotemporal characteristics and developed a GraphGIS toolkit that integrates graph database storage and computation. This paper also introduces a vector knowledge extraction method based on the native spatial analysis of the GraphGIS graph database, a remote sensing image knowledge extraction method based on efficient fine-tuning of the SkySense visual large model, and a polygon purification knowledge extraction method based on the SeqGPT large language model. Under the constraints of the spatiotemporal ontology model, vector, image, and text knowledge converge to form a remote sensing spatiotemporal knowledge graph. Inspired by the manual operation methods for change polygon purification, this paper developed an automatic purification method of change polygons based on first-order logical reasoning within the knowledge graph. To improve the concurrent processing and human-computer interaction, this paper developed a remote sensing spatiotemporal knowledge graph management and service system. [Results] For the task of purifying natural resource element change polygons in Guangdong Province from March to June 2024, the proposed method achieved a true-preserved rate of 95.37% and a false-removed rate of 21.82%. [Conclusions] The intelligent purification algorithm and system for natural resource element change polygons proposed in this study effectively reduce false positives while preserving real change polygons. This approach significantly enhances the efficiency of natural resource element change monitoring.

Key words： spatiotemporal knowledge graph; natural resource element change monitoring; spatial computing in graph database; remote sensing large model; first-order logic reasoning; remote sensing image change detection; large language model; spatiotemporal intelligence

Cite this article

LI Yansheng , ZHONG Zhenyu , MENG Qingxiang , MAO Zhidian , DANG Bo , WANG Tao , FENG Yuanjun , ZHANG Yongjun . Intelligent Purification of Natural Resource Element Change Polygons Driven by Remote Sensing Spatiotemporal Knowledge Graphs[J]. Journal of Geo-information Science, 2025 , 27(2) : 350 -366 . DOI: 10.12082/dqxxkx.2025.240571

1 引言

深度学习作为自然资源常态化调查监测的主流技术手段，能够对遥感影像中直观呈现的变化实现较为有效的预警。一般来说，深度学习通常侧重于挖掘遥感影像的低层次语义信息，在判断地物是否发生变化时具有“所见即所得”的特点，导致变化检测结果中往往存在大量虚警图斑[1]。例如，农作物轮作、水位自然变化、森林自然退化等现象会导致土地在遥感影像中呈现出明显的视觉特征变化[2]，但这类变化通常不涉及土地利用类型的变化，不属于自然资源变化监测的对象[3]。在大范围自然资源变化监测任务中，大量虚警变化图斑的存在严重增加了人工作业的工作量，严重降低了自然资源监测效率。
为了应对自然资源要素变化图斑虚警率高的问题，研究人员提出了多种方法[1⇓-3]。具体而言，周治武等[1]针对时序地表覆盖数据间空间匹配误差引起的伪变化图斑问题，提出了一种基于形状指数的时序地表覆盖数据伪变化图斑过滤方法。高锡章等[3]从土地利用/覆被原始图斑与相邻变化图斑的空间关系入手，提出了基于面积对称理论的自动检测模型，以缓解空间配准误差导致的土地利用/覆被伪变化图斑问题。宁晓刚等[2]设计了一个遥感影像高可信智能地类不变检测技术框架，提出了先验信息引导的全局-局部不变检测方法，以消除整体性和局部性伪变化。然而，现有方法普遍存在人工特征泛化性弱、时空上下文利用不充分等问题，难以满足大范围自然资源要素变化监测任务需求。因此，亟需研究对自然资源要素变化图斑进行快速精准净化方法。
时空知识图谱[4]作为一种高效的时空知识组织与表示方式，有望克服深度学习这一数据驱动方法的局限性，为自然资源要素变化图斑智能净化提供额外支撑。具体来说，时空知识图谱是指具有地理时空分布或位置隐喻的知识构成的有向图[4]。目前，已有研究者对时空知识图谱进行了探索。陆锋等[5]聚焦地理学领域，系统研究了地理知识图谱。蒋秉川等[6]面向多源异构地理空间数据，提出了构建地理时空知识图谱的路径。针对遥感大数据的特点，周成虎等[7]研究了时空知识图谱的构建方法。此外，一些研究者将地学领域知识图谱应用于遥感图像语义分割和场景分类等任务[8⇓⇓⇓⇓⇓⇓⇓⇓-17]。例如，李彦胜等[16]从地学知识图谱中抽取符号化地学先验知识和语义信息，通过知识推理完成遥感影像解译，可以有效提高解译结果的准确性和可解释性。李彦胜等[17]利用知识图谱约束深度网络，充分利用遥感场景先验知识，显著提升遥感影像场景分类精度。然而，如何充分发挥时空知识图谱优势，解决自然资源要素变化图斑净化这一复杂任务仍然亟待研究。
地理时空知识图谱是基于地理信息科学和知识图谱技术构建的知识体系，通常以结构化的地理信息数据为基础，结合领域知识和时空演化规律，旨在表达地理实体及其空间关系、时空动态特性等内容。与之相比，本文提出的遥感时空知识图谱不仅关注地表实体的地理特征，还利用多模态多时序遥感数据、地理先验矢量数据、领域非结构化/半结构化文本等数据抽取、汇聚、更新知识，形成包含时间、空间、语义、事件等复合关系的多粒度时空知识结构，旨在精准表达多粒度地表实体之间的复杂语义关系和时空演变规律，可以支撑地表实体的实时监测、智能理解和态势推演。随着语言大模型、视觉大模型、多模态大模型等技术的迅猛发展[18⇓⇓⇓-22]，多模态预训练大模型能够在零样本和少样本条件下较好地从文本、影像中提取知识三元组，使遥感时空知识图谱智能构建成为可能。
基于上述分析，本文针对当前深度学习变化检测模型虚警率高的问题[23]，提出了基于遥感时空知识图谱的自然资源要素变化图斑净化方法。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3个关键技术：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；基于SeqGPT大语言模型的图斑净化知识抽取技术。这些技术进一步支撑了基于遥感时空知识图谱的自然资源要素变化图斑智能净化方法。为了实现遥感时空知识图谱从智能构建到推理应用的全生命周期管理，本文研发了遥感时空知识图谱管理服务系统，能够有效支撑自然资源要素变化图斑自动净化与人机交互核验入库。大量实验结果表明： ① 本文提出的影像和文本知识抽取方法在精度方面可以明显优于现有基线方法，提出的矢量知识抽取方法在运算效率方面可以显著优于国际同类软件工具包； ② 本文提出的遥感时空知识图谱驱动的自然资源要素变化图斑净化方法及系统能够在充分保留真实变化图斑的条件下，较好地剔除虚警变化图斑，有助于提升自然资源变化监测作业效率。

2 遥感时空知识图谱驱动的自然资源要素变化图斑净化方法

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方法的总体框架（图1），主要包括遥感时空知识图谱自动建模和自然资源要素变化图斑智能净化2大功能。为了实现遥感时空知识图谱自动构建，首先设计了遥感时空知识图谱本体模式，然后提出了基于大模型的矢量、影像、文本等多源知识三元组抽取技术，最后在时空约束下实现多来源知识三元组高效汇聚。在变化图斑净化业务的人工作业过程启发下，本文通过遥感时空知识图谱的一阶逻辑推理来模拟人工作业过程，实现遥感时空知识图谱引导的自然资源要素变化图斑自动净化。
图1 遥感时空知识图谱驱动的自然资源要素变化图斑净化方法总体框架

Fig. 1 Framework of remote sensing spatiotemporal knowledge graph-driven natural resources change polygon purification algorithm

2.1 遥感时空知识图谱智能构建

2.1.1 遥感时空知识图谱本体模式设计

遥感时空知识图谱本体模式是指遥感时空知识图谱中的概念、属性及其相互关系的本体模式。本文结合自然资源要素变化图斑净化的应用需求，设计了顾及时空特性的遥感时空知识图谱本体模式。
自然资源要素变化图斑净化的对象是带有时序信息的地理矢量，具有鲜明的时空演化特征。如图2所示，本文设计的遥感时空本体结构由内向外共分为6层，依次为遥感本体层、时间序列层、时序影像层、语义关联层、事件演进层和常识规律层。遥感本体的载体是地理矢量图形，同一遥感本体在多个时刻的表现可形成时间序列，多时序影像反映了遥感本体在各个时刻的特征。时间序列层反映了同一遥感本体在多个时刻的动态变化，而时序影像层侧重于多时相影像的具体特征表现，二者在空间维度上互为补充，形成了从动态变化到特征刻画的递进关系。对时序影像进行解译可形成遥感本体的语义描述，对多个遥感时空本体的多时相语义描述进行组织，构建起反映个人和集体行为、自然和社会事件的事件演进层，最终支撑起由物候规律、专家智慧、抽象常识等高级知识组成的常识规律层。上述本体结构灵活融合了空间单元、演化特征、领域常识、先验事件等时空先验知识，能够充分满足自然资源要素变化图斑净化任务对时空智能推理的需求。
图2 遥感时空知识图谱本体模式设计

Fig. 2 Ontology model architecture of remote sensing spatiotemporal knowledge graph

基于上述本体模式，从矢量、影像和文本数据中抽取的多源知识可以对遥感时空本体进行实例化。基于矢量数据与遥感影像的时空对应约束，建立矢量、影像实体间的关系。同时，通过矢量和影像数据的语义字段文本，实现同名实体的对齐与融合，进而完成遥感时空知识图谱的融合构建。

2.1.2 基于GraphGIS图数据库原生空间分析的矢量知识抽取技术

随着地理信息系统（GIS）技术的发展，海量的矢量数据被广泛应用于自然资源管理监测中。这些数据通过点、线、面等几何要素对地理空间进行精确描述，蕴含了丰富的地理先验知识。对这些数据的深度挖掘能够揭示潜在的空间关系，为构建遥感时空知识图谱提供重要支撑。矢量知识抽取是通过空间分析技术从海量矢量数据中提取先验知识的关键步骤。然而，现有的空间分析方法在知识图谱构建中存在局限。存储与计算分离的特点严重限制了知识抽取效率。特别是在处理复杂时空关系和大规模数据时，传统方法往往面临运算速度下降和数据流通不畅等问题，计算性能难以满足需求。针对上述局限，本文开发了一种基于图数据库的原生空间分析工具包，称为GraphGIS，旨在增强图数据库对矢量数据的存储、分析与处理能力，从而显著提升矢量知识抽取的效率。
本文提出的GraphGIS针对上述问题进行了创新性优化。基于GraphGIS图数据库原生空间分析方法的矢量知识抽取技术流程如图3所示。GraphGIS实现了矢量数据存储和空间分析运算的一体化。它在图数据库内部集成了多种空间分析函数，如相交、联合、擦除、融合、重投影、面积计算、距离计算、邻接计算等。这些原生空间分析算子能够在图数据库环境中直接调用。上述设计使GraphGIS能够更有效地处理时空拓扑关系和重叠度计算等复杂空间分析，增强了矢量知识抽取的灵活性。通过将存储和运算紧密结合，GraphGIS消除了数据读写冗余，简化了矢量数据空间分析任务的流程并优化了性能。与存储与计算分离的传统空间分析方法相比，GraphGIS显著提升了矢量知识抽取的效率。
图3 基于GraphGIS图数据库原生空间分析方法的矢量知识抽取技术流程

Fig. 3 Workflow for vector knowledge extraction based on graph-database-native spatial analysis method of GraphGIS

2.1.3 基于SkySense视觉大模型高效微调的遥感影像知识抽取技术

随着对地观测技术的发展，遥感数据的空间分辨率和时间分辨率显著提升，卫星平台和传感器日益多元化，遥感影像数据量呈指数级增长。遥感影像记录了丰富的地表信息，蕴含了大量先验知识。因此，开展遥感影像知识抽取是构建遥感时空知识图谱的重要基础。为实现多源遥感影像数据的高效准确知识抽取，本文以20亿参数多模态遥感基础大模型SkySense作为预训练模型[24]。依托自建的不同传感器、不同分辨率的多源光学遥感影像语义分割数据集，通过高效微调遥感基础大模型SkySense来构建遥感影像知识挖掘模型，其技术流程如图4所示。
图4 基于SkySense视觉大模型高效微调的遥感影像知识抽取技术流程

Fig. 4 Workflow for knowledge extraction from remote sensing imagery based on efficient fine-tuning of SkySense large vision model

本文基于AdaptFormer[25]高效微调方法，利用构建的语义分割数据集对模型进行微调。微调过程一方面，保留了SkySense通过预训练获得的遥感影像特征表达能力；另一方面，使模型能够更好地适应多源遥感影像的特征，从而提升其在实际应用场景中的知识抽取效果。
与普通的完全微调机制相比，AdaptFormer用AdaptMLP替换了Transformer编码器中的多层感知机（MLP）块，它由2个子分支组成。左分支中的MLP层与原始网络相同，而右分支是额外引入的轻量级模块，用于特定于任务的微调。具体地说，右分支为参数数量较少的瓶颈结构，该瓶颈模块使用缩放比例因子s通过剩余部分连接到原始左分支MLP网络。对于特定的输入特征 x l '， AdaptMLP中的右分支产生自适应特征 x ˜ l，公式如下：
x ˜ l = R e L U L N x l ' · W d o w n · W u p
式中：ReLU为非线性激活函数；LN为层归一化 模块； W d o w n ∈ R d × d ^为右分支下投影层的参数， W u p ∈ R d ^ × d为右分支上投影层的参数，其中 d ^为瓶颈的中间维，满足 d ^ ≪ d。
然后，通过残差连接将特征 x ˜ l和 x l '融合得到新的输出特征xl：
x l = M L P ( L N ( x l ' ) ) + s   ·   x ˜ l + x l '
式中：s为缩放比例因子；MLP为多层感知机。
模型的参数更新过程为：
L D ,   θ f ,   θ t = ∑ i = 1 N l o s s f θ f   ,   θ t x i ,   y i
θ t ← a r g   m i n   L D ,   θ f ,   θ t
式中： D = X i ,   Y i i = 1 N为给定微调数据集，其中Xi为输入图像，Yi为真值标签。模型参数可以拆解为 2部分θf和θt，其中θt为需要进行微调的模型参数（即本文所述视觉适配器和分割头部分）； θf为无需微调的参数（即本文所述的SkySense编码器部分）。
结合变化图斑矢量数据及对应的前后时相遥感影像，影像知识抽取模型能够输出变化图斑的前后时相语义类别，为构建遥感时空知识图谱提供影像知识。上述方法融合了遥感多源知识迁移、多时空分辨率融合、全局与局部微调协同等技术，构建了可处理多来源、多分辨率遥感影像的语义分割模型，能够精准高效地完成影像数据知识抽取任务。

2.1.4 基于SeqGPT大语言模型的图斑净化知识抽取技术

在对自然资源要素变化图斑进行净化时，必须以自然资源监测相关政策法规、业务需求为指导，并根据一定的技术规范和作业标准执行。上述政策法规、业务需求等内容是变化图斑净化任务中重要的先验知识。因此，本文从自然资源监测相关政策法规、业务需求及作业规范等多类非结构化文本中提取先验知识，并将其整合到遥感时空知识图谱中。
具体而言，本文基于SeqGPT大语言模型[26]对与变化图斑净化相关的非结构化文本进行挖掘，从中抽取出知识三元组，其技术流程如图5所示。考虑到矢量、影像知识可能存在错误，本文对输入的文本进行了拼写检查和语义一致性分析等规范化预处理，并针对地类混淆等潜在冲突场景设计相应的文本，增强了文本数据的容错性。然后，利用检索增强生成（RAG）技术[27]对非结构化文本数据进行预处理，提取相关政策、规范和需求的关键内容，从而形成语义丰富的文本表示。RAG技术通过将预检索模块与生成模型结合，能够在更大语境下进行精确的信息提取，其数学模型描述如式（5）。
R A G (q) = a r g m a x y ∑ d ∈ D p ( d | q ) · p ( y | q ,   d )
式中： q为查询问题； d为文档集合； p(d|q)表示在给定查询下相关文档的概率； p(y|q,d)表示在特定文档上下文中生成答案的概率。
图5 基于SeqGPT大语言模型的图斑净化知识抽取技术流程

注:Token表示文本令牌，Embed表示文本嵌入向量，LN表示层归一化模块，EmbedT表示文本嵌入向量的转置，Softmax表示归一化指数函数，MLP表示多层感知机。

Fig. 5 Workflow for polygon purification knowledge extraction based on SeqGPT large language model

随后，将预处理后的文本输入SeqGPT模型。SeqGPT是一个序列理解能力增强的预训练生成模型，可以直接从文本数据中提取出组成规则信息的知识三元组<头实体，关系，尾实体>。最后，将提取出的三元组组合形成变化图斑净化规则，这些规则可直接用于知识图谱推理，支撑常规及复杂场景下的变化图斑净化任务。

2.2 遥感时空知识图谱一阶逻辑推理驱动的自然资源要素变化图斑智能净化

首先，本文完成了遥感时空知识图谱在图数据库中的构建。随后，基于知识图谱中包含的变化图斑净化规则，通过执行高效的一阶逻辑推理[28]完成对自然资源要素变化图斑的净化。一阶逻辑（FOL）推理是一种经典的逻辑推理形式，能够通过量词和逻辑连接词在命题之间建立关系，从而表达复杂的规则和推理模式。在变化图斑净化任务中，变化图斑的判定涉及多种因素，例如时空邻接性、变化幅度、形态特征等。这些因素之间的逻辑关系复杂，且存在大量时空数据需要处理。一阶逻辑推理可以精确表达这些条件，建立形式化的推理规则，进而通过自动化推理快速识别和处理变化图斑。本文将图数据库的高效查询能力与一阶逻辑推理结合，在大规模数据上实现了快速、准确的变化图斑净化，从而有效提升自然资源要素变化监测的准确性和效率。本文首先通过文本知识抽取技术自动生成了一系列用于变化图斑净化的推理规则，经过人工修订后，将其用于变化图斑净化。表1对变化图斑净化相关推理规则中的要素进行了定义。
表1 变化图斑净化推理规则要素

Tab. 1 The reasoning rule elements of change polygon purification

推理规则要素 描述
previousTime(x, y) x的前时相为y
currentTime(x, y) x的后时相为y
previousClass(x, y) x的前时相地类为y
currentClass(x, y) x的后时相地类为y
sameClass(x, y) 地类x、y相同
similarClass(x, y) 地类x、y语义相近
areaGreater(x, y) x的面积大于y平方米
priorClass(x, y) x的先验地类为y
wetSeason(x) 时相x处于丰水期
drySeason(x) 时相x处于枯水期
fakePolygon(x) x为伪变化图斑
（1）常规伪变化图斑的推理规则
在自然资源监测中，由于成像季节、角度和传感器等因素的差异，深度学习变化检测模型往往会检测出大量前后时相地类未发生变化的伪变化图斑，可称为“常规伪变化图斑”。在遥感时空知识图谱构建过程中，结合矢量和影像知识抽取技术，为模型预测的图斑建立了多种关系。常规伪变化图斑的推理规则分为2步： ① 识别变化图斑的前时相地类、后时相地类和变更调查先验地类； ② 判断前时相地类、后时相地类、先验地类之间的关系，如果前后时相地类相同，且前时相地类与先验地类语义相近，则可以推理出该变化图斑为伪变化图斑。依据表1，常规伪变化图斑的推理净化规则如式（6）。
p r e v i o u s C l a s s ( a ,   b )   ∧   c u r r e n t C l a s s ( a ,   c )   ∧   s a m e C l a s s ( b ,   c )   ∧   p r i o r C l a s s ( a ,   d )   ∧   s i m i l a r C l a s s ( b ,   d )   ⇒   f a k e P o l y g o n ( a )
（2）复杂伪变化图斑的推理规则
除前后时相地类相同的常规伪变化图斑外，自然资源监测中还存在一些前后时相地类不同，但业务中并不需要的变化图斑，可称为“复杂伪变化图斑”。以水位季节性变化图斑为例，由于河流、湖泊和水库等水域的水位存在季节性涨落，沿岸区域往往会检测出大量变化图斑。水位季节性变化图斑的推理规则分为2步： ① 识别变化图斑的前时相、后时相、前时相地类、后时相地类和变更调查先验地类； ② 如果前、后时相分别属于雨季、旱季，前后时相地类分别为水体、推填土，且先验地类为水体，则可以推理出该变化图斑为水位季节性变化图斑；如果前、后时相分别属于旱季、雨季，前后时相地类分别为推填土、水体，且先验地类为水体，则可推理出该变化图斑为水位季节性变化图斑。依据表1，水位季节性变化图斑的推理净化规则可表述为式（7）和式（8）。
p r e v i o u s C l a s s ( a ,   W a t e r )   ∧   c u r r e n t C l a s s ( a ,   S o i l )     ∧   p r e v i o u s T i m e ( a ,   b )   ∧   w e t S e a s o n ( b )   ∧   c u r r e n t T i m e ( a ,   c )   ∧   d r y S e a s o n ( c )   ∧   p r i o r C l a s s ( a ,   W a t e r )   ⇒   f a k e P o l y g o n ( a )
p r e v i o u s C l a s s ( a ,   S o i l )   ∧   c u r r e n t C l a s s ( a ,   W a t e r ) ∧   p r e v i o u s T i m e ( a ,   b )   ∧   d r y S e a s o n ( b )   ∧   c u r r e n t T i m e ( a ,   c )   ∧   w e t S e a s o n ( c )   ∧   p r i o r C l a s s ( a ,   W a t e r )   ⇒   f a k e P o l y g o n ( a )

3 遥感时空知识图谱管理服务系统

为提升遥感时空知识图谱的并发处理与人机交互入库能力，本文研发了一套遥感时空知识图谱管理服务系统。用户可通过该系统对遥感时空知识图谱进行构建和维护、执行自然资源要素变化图斑净化任务。其总体架构如图6所示。该系统包括基础设施层、资源管理层、知识服务层，并由前端和后端2部分组成。前端采用Vue框架，利用NeoVis.js模块实现遥感时空知识图谱显示。后端开发框架采用Django，并为前端提供用户验证、数据查询、页面跳转、数据分析等调用接口。系统利用Docker容器化封装技术，提高了遥感时空知识图谱的并发处理效率。为了更直观地展示遥感影像、矢量等数据，系统引入了Cesium模块，并利用Geoserver发布栅格影像，便于与知识图谱节点通过地理坐标形成联动。系统使用Mysql数据库存储用户信息、操作记录等内容，用户验证成功即可登录使用。
图6 遥感时空知识图谱管理服务系统总体架构

Fig. 6 The overall architecture of remote sensing spatiotemporal knowledge management and service system

遥感时空知识图谱管理服务系统的变化图斑净化界面如图7所示。用户进入变化图斑净化界面后，点击左上角的操作按钮，在弹出框中选择要进行净化操作的变化图斑后，点击开始按钮即可执行变化图斑净化任务。用户可通过观察页面左上角的总体进度面板直观把握当前任务的执行情况。页面右上角的状态总览面板显示了任务总进度、资源占用率等信息。页面下方的分市监测面板展示了图斑净化在各个子区域的执行进度和资源占用，由于本系统主要应用范围为广东省，图中的子区域为广东省的21个地级市。每个子区域均在单独的Docker容器内执行运算，提高了并发处理效率。变化图斑净化完成后，页面中弹出是否进行人机交互入库的选择框，如选择“是”则跳转至智能推理可视化页面，如图8所示。用户可在本页面通过人机交互的方式，对变化图斑净化结果进行检核并入库。页面左侧为本次净化的变化图斑的属性列表。点击某条记录，页面中的地图即缩放至该记录对应图斑所在的范围。通过左右拖动页面中央的卷帘，可以对比查看图斑的前后时相影像。页面右侧可视化展示了所选图斑在遥感时空知识图谱推理决策层和语义事实层中的知识关联，辅助用户对变化图斑净化结果进行检核。
图7 遥感时空知识图谱管理服务系统的变化图斑净化界面

Fig. 7 Change polygon purification interface of remote sensing spatiotemporal knowledge graph management and service system

图8 遥感时空知识图谱管理服务系统的智能推理可视化界面

Fig. 8 Intelligent reasoning visualization interface of remote sensing spatiotemporal knowledge graph management and service system

4 实验与结果分析

4.1 遥感时空知识图谱构建技术的结果分析

为验证本文提出的遥感时空知识图谱构建技术的有效性，分别对矢量知识抽取技术、影像知识抽取技术、文本知识抽取技术进行了实验验证，并描述了遥感时空知识图谱的构建结果。本文实验的硬件计算资源为12th Gen Intel(R) Core(TM) i7-12700处理器、64 GB内存和NVIDIA RTX A6000显卡，操作系统为Windows 11，深度学习框架为PyTorch。

4.1.1 矢量知识抽取技术的结果分析

矢量知识抽取部分构建了包含281 484个先验语义图斑、28 004个变化图斑的矢量数据集，用于对比不同方法执行矢量知识抽取的效率。为验证本文提出的GraphGIS图数据库原生空间分析方法对矢量知识抽取效率的提升效果，分别使用传统空间分析库Geopandas[29]、关系型空间数据库PostGIS[30]和本文提出的GraphGIS执行矢量知识抽取。
表2给出了3种方法分别进行面积计算、叠置分析的用时及Geopandas和PostGIS相对于本文方法的时间消耗比。可以看出，本文提出的基于GraphGIS图数据库原生空间分析方法的矢量知识抽取技术在面积计算、叠置分析2类知识抽取场景中，相比传统空间分析库Geopandas的时间消耗比分别达到了8.48、1.59，相比关系型空间数据库PostGIS的时间消耗比分别达到了5.30、1.26。其原因主要在于本文方法是基于图数据库特点设计的原生空间分析方法，在图数据库内部实现了数据存储与运算的一体化融合，这种融合大大减少了数据的读写开销，从而提高了矢量知识抽取的效率。相反，Geopandas和PostGIS无法直接操作图数据库，其数据存储与计算过程是分离的，需要通过读取和写入图数据库来完成数据交互，降低了矢量知识抽取的整体效率。
表2 不同矢量知识抽取技术效率对比

Tab. 2 Comparison of the efficiency of different vector knowledge extraction methods

方法 面积计算用时/s 面积计算时间消耗比 叠置分析用时/s 叠置分析时间消耗比
Geopandas[29] 119.59 8.48 23.51 1.59
PostGIS[30] 74.78 5.30 18.63 1.26
本文提出的GraphGIS 14.10 1.00 14.76 1.00

4.1.2 影像知识抽取技术的结果分析

遥感影像知识抽取部分构建了一个遥感语义分割数据集，用于训练影像知识抽取模型。数据集包含12个地物类别，分别是耕地、园地、林地、草地、建筑物、道路、构筑物、推填土、工地、光伏板、水域、迹地，共包含164 426张遥感影像，每张尺寸为512像素×512像素，地面分辨率包括0.5、1.0、2.0 m，分布于广东省范围内。将数据集按8:2的比例随机划分为训练集和测试集，分别包含131 540和32 886张图像。
在训练阶段，批次大小（batch size）设置为6，共迭代训练160 000次。训练过程使用随机梯度下降法作为优化器，初始学习率为0.000 01，动量为0.9，使用交叉熵损失函数。
为验证本文采用的SkySense高效微调的有效性，在变化图斑语义分割数据集上与其他模型进行了对比实验。对比的模型如下：
（1） U-Net[31]：经典的语义分割网络，采用U型的对称式编码器-解码器结构，在相同尺寸的特征图之间采用“跳跃”连接，将相同层级的特征图进行融合，保证了上采样过程中每一层特征图都包含更多的低级特征和多尺度信息。
（2） DeepLab V3+[32]：结合了全卷积网络和空洞卷积，以实现高效准确的图像分割。模型采用编码器-解码器结构，使用预训练的卷积神经网络提取特征，并通过转置卷积将特征映射上采样到原始图像尺寸。空洞卷积和自适应空洞扩张模块允许模型在不增加参数的情况下捕捉多尺度上下文信息。多尺度推理和空间金字塔池化进一步提高分割性能。
（3） Segformer[33]：使用位置编码机制，更好地理解像素之间的空间关系，同时使用Transformer的自注意力机制，可在整个图像范围内捕获上下文信息。
（4） Swin Transformer[34]：采用分层结构和局部注意力机制，使模型在保持高精度的同时，具有更高的计算效率。微调训练时，使用在ImageNet-22K数据集上预训练的权重对模型进行初始化。
各方法在变化图斑语义分割测试集上的分割精度如表3所示。本文采用的SkySense高效微调的影像知识抽取模型相比在U-Net、DeepLab V3+、Segformer和Swin Transformer上训练的模型，语义分割平均精度mIoU分别提升了29.45%、21.79%、28.41%和4.06%。
表3 不同影像知识抽取模型语义分割精度对比

Tab. 3 Comparison of semantic segmentation accuracy of different image knowledge extraction models (%)

模型 分割精度 mIoU
耕地 园地 林地 草地 建筑物 道路 构筑物 推填土 工地 光伏板 水域 迹地
U-Net[31] 68.28 37.01 76.77 33.81 70.54 49.27 35.08 50.22 0.00 80.67 84.00 60.20 53.82
DeepLab V3+[32] 73.12 48.32 79.95 47.16 74.48 51.32 46.78 55.53 33.52 70.00 84.16 73.46 61.48
Segformer[33] 64.90 41.63 78.25 38.77 66.40 40.19 30.75 49.40 24.78 78.14 81.64 63.53 54.86
Swin Transformer[34] 86.36 83.80 91.42 73.25 83.33 68.09 68.70 73.71 55.43 91.82 90.86 83.72 79.21
本文采用的
SkySense高效微调		 90.12 90.11 94.00 80.52 87.08 74.04 75.72 77.23 56.27 94.07 92.52 87.57 83.27

4.1.3 文本知识抽取技术的结果分析

本文根据各级政府及自然资源管理部门发布的自然资源监测相关法律规范、技术规程等文本数据，构建了一个包含216条变化图斑净化规则的数据集，由859个实体、446条关系组成，将规则数据集按8:2的比例划分为训练集和测试集。
在训练阶段，批次大小(batch size)设置为4，共微调10个轮次(epoch)。训练过程使用Adam优化器，初始学习率为0.000 01，使用交叉熵损失函数。
为验证基于SeqGPT大语言模型的图斑净化知识抽取技术的先进性，在测试集上与ChatGPT[35]和BLOOMZ[36] 2个预训练大语言模型进行了精度对比。
表4给出了各个模型在文本知识三元组抽取 任务上的结果对比。可以看出，本文提出的基于SeqGPT大语言模型的图斑净化知识三元组抽取方法的精度和推理速度相比于ChatGPT模型和BLOOMZ模型均有提升。SeqGPT在推理速度上的优势使其更有利于大数据规模场景的应用，而ChatGPT模型和BLOOMZ模型的并发数和响应时间均难以满足需求。作为开源模型，SeqGPT能够方便地迁移至变化图斑净化这一场景，降低了对提示工程的依赖性，减少了设计提示词的成本，且在这一特定应用中取得了较高的准确率。
表4 不同大语言模型微调结果精度及效率对比

Tab. 4 Comparison of accuracy and efficiency of fine-tunning results of different large language models

模型 三元组抽取精度/% 推理速度/(三元组/s)
ChatGPT[35] 83.55 0.49
BLOOMZ[36] 87.14 0.40
本文采用的SeqGPT 91.48 0.66

4.1.4 遥感时空知识图谱构建的结果分析

基于前述遥感时空知识图谱本体设计，利用 矢量、影像、文本知识抽取技术，构建了包含实体15 765 732个、三元组事实16 151 961条的遥感时空知识图谱，如图9所示。实体类型主要包括变更调查矢量、模型预测变化图斑、常态化成果图斑、自然资源类别、变化图斑类别、影像解译类别、变更调查影像、月度影像、伪变化图斑等，其中矢量类实体15 764 695个、影像类实体632个、文本类实体405个。关系类型主要包括<变更调查矢量,地类,自然资源分类二级类>、<模型预测图斑,先验地类,自然资源分类二级类>、<模型预测图斑,重叠,变更调查矢量>、<伪变化图斑，地理范围，规则适用地理范围>、<模型预测图斑,前时相地类,影像解译分类>、<模型预测图斑,后时相地类,影像解译分类>、<影像解译矢量，地类，影像解译分类>、<自然资源分类一级类，包括，自然资源分类二级类>、<图斑一级类,包括,图斑二级类>等，其中矢量类关系15 669 284条、影像类关系482 304条、文本类关系373条。
图9 遥感时空知识图谱构建结果

注:图中橙色、蓝色、红色的散点分别代表模型预测变化图斑、变更调查矢量、自然资源分类二级类。

Fig. 9 Construction results of remote sensing spatiotemporal knowledge graph

为准确评估遥感时空知识图谱构建结果的精度，将知识图谱中所有三元组分为2类： ① 为通过空间分析、属性映射等方式抽取得到的15 258 830个三元组，其正确性是先验的； ② 为通过遥感大模型、大语言模型等技术抽取生成的893 131个三元组，将其与人工核验生成的真值对比，正确的三元组共774 869个，准确率为86.76%。

4.2 自然资源要素变化图斑智能净化的结果分析

4.2.1 实验数据及评估指标

本文以广东省2024年3—6月遥感影像与2023年遥感影像的变化检测结果为实验输入数据，共包含58 610个图斑。本文方法旨在解决自然资源要素变化监测中的图斑净化任务，该任务属于内业作业的一个中间环节。最终的变化图斑成果将在自然资源管理部门下发后，通过外业检核进一步验证。因此，使用人工判读结果来评估本文方法的精度。所有图斑人工判读结果均由经过专业培训的人员完成，具有较高的准确性和可靠性。
本文采用2个指标来评价变化图斑净化结果的精度：存真率和去伪率。为有效提升自然资源监测作业效率，变化图斑净化算法必须在充分保留真实变化图斑的前提下，尽可能多地剔除虚警变化图斑。在评估指标上，表现为优先保证高存真率，尽可能提高去伪率。
存真率用来反映变化图斑净化算法对真变化图斑的保留能力，为正确保留的真变化图斑个数占真变化图斑总数的百分比，该值越大表明算法保留真变化图斑的能力越强，其计算公式如式（9）所示。
R t = N p t N p t + N r t
式中： Rt为存真率； Npt为被保留的真变化图斑个数； Nrt为被去除的真变化图斑个数。
去伪率用来反映变化图斑净化算法对伪变化图斑的去除能力，为正确去除的伪变化图斑个数占伪变化图斑总数的百分比，该值越大表明算法去除伪变化图斑的能力越强，其计算公式如下式：
R f = N r f N r f + N p f
式中： Rf为去伪率； Nrf为被去除的伪变化图斑个数； Npf为被保留的伪变化图斑个数。

4.2.2 实验结果分析

基于极高存真率和高存真率两种策略，本文提出的智能净化算法对广东省2024年3—6月深度学习变化检测模型生成的58 610个变化图斑执行了净化处理。使用双相关注意引导检测器DCA-Det[23]作为深度学习变化检测模型，该模型对变化对象实例的整体特征和上下文关联进行了学习，并融合了不同尺度的特征，生成的变化图斑总体可靠，但虚警率仍然较高。变化图斑智能净化方法在极高存真率策略、高存真率策略下的定量评价结果分别如表5、表6所示，其中N表示变化图斑总数。在极高存真率策略下，本文提出的变化图斑智能净化算法的存真率和去伪率分别达到了95.37%和21.82%，表明本方法能够在充分保留真变化图斑的前提下，能够有效提升高查全率要求下的自然资源监测任务效率。在高存真率策略下，本文提出的变化图斑智能净化方法的去伪率达到52.77%，且存真率仍然保持在88.89%的较高水平，显示本方法在查全率要求适中的自然资源监测任务中，提升监测效率的潜力更为显著。
表5 极高存真率策略下变化图斑智能净化方法的定量评价结果

Tab. 5 Quantitative results of change polygon intelligent purification method under ultra-high-preservation-rate strategy

变化图斑批次 N/个 Npt /个 Npf /个 Nrt /个 Nfr /个 Rt /% Rf /%
2024年3月 11 445 6 257 4 130 194 864 96.99 17.30
2024年4月 27 654 18 167 7 002 950 1 535 95.03 17.98
2024年5月 8 547 1 649 5 429 74 1 395 95.71 20.44
2024年6月 10 964 2 369 5 946 163 2 486 93.56 29.48
合计/个 58 610 28 442 22 507 1 381 6 280 95.37 21.82
表6 高存真率策略下变化图斑智能净化方法的定量评价结果

Tab. 6 Quantitative results of change polygon intelligent purification method under high-preservation-rate strategy

变化图斑批次 N/个 Npt /个 Npf /个 Nrt /个 Nrf /个 Rt /% Rf /%
2024年3月 11 445 5 861 3 433 594 1 557 90.80 31.20
2024年4月 27 654 17 244 6 240 1 873 2 297 90.20 26.91
2024年5月 8 547 1 360 2 187 363 4 637 78.93 67.95
2024年6月 10 964 2 047 1 733 485 6 699 80.85 79.45
合计/个 58 610 26 512 13 593 3 315 15 190 88.89 52.77
表7展示了不同类型变化图斑净化的定量评价结果，其中农业地表指后时相类型属于耕地或园地，生态地表指后时相类型属于林地、草地、水域，人类活动地表指后时相类型属于建筑物、道路、构筑物、推填土、工地、光伏板、迹地。可以发现，农业用地的存真率、去伪率均高于总体水平，表明本方法能够较好地判别农业用地图斑的真伪性；生态地表受人类活动影响小，总体上属于伪变化的概率较高，存真率较总体水平略低，去伪率较高；人类活动地表受人类活动影响大，总体上属于真变化的概率较高，存真率高于总体水平、去伪率低于总体水平。
表7 不同类型变化图斑净化的定量评价结果

Tab. 7 Quantitative results of change polygon purification for different types

变化图斑类型 N/个 Npt /个 Npf /个 Nrt /个 Nrf /个 Rt /% Rf /%
农业地表 7 619 3 819 2 558 155 1 087 96.10 29.82
生态地表 11 037 3 333 5 255 236 2 213 93.39 29.63
人类活动地表 39 954 21 290 14 694 990 2 980 95.56 16.86
合计/个 58 610 28 442 22 507 1 381 6 280 95.37 21.82
图10展示了某一个实验区域的前后时相遥感影像及变化图斑净化结果，区域内共包含351个变化图斑，其中耕地图斑数量最多。图10中央的蓝色图斑多为新建温室大棚、挖掘坑塘的耕地图斑，被判断为真变化图斑并保留。图10四周的黄色图斑多为农作物生长导致颜色发生改变的耕地图斑，被判断为伪变化图斑并去除。图10内的粉色图斑为不能明确判断为伪变化而被保留的图斑。
图10 变化图斑智能净化实验区域示例

Fig. 10 Example of change polygon intelligent purification in an experimental region

被正确净化的伪变化图斑的4个示例如图11所示。图11（a）图所示图斑位于变更调查数据旱地范围内，前、后时相语义均为耕地，将其判断为季节性变化图斑并去除；图11（b）图所示图斑位于变更调查数据工业用地内，前、后时相语义均为建筑物，将其判断为地类未变化图斑并去除；图11（c）图所示图斑位于变更调查数据工业用地内，前、后时相语义均为推填土，将其判断为地类未变化图斑并去除；图11（d）图所示图斑位于变更调查数据乔木林地内，前、后时相语义均为迹地，将其判断为地类未变化图斑并去除。
图11 被正确净化的伪变化图斑示例

Fig. 11 Examples of correctly purified fake change polygons

被正确保留的真变化图斑的4个示例如图12所示。图12（a）图所示图斑位于变更调查数据果园范围内，且与建设用地已批红线范围相交，前、后时相语义分别为推填土、建筑物，将其判断为新增建筑物图斑并保留；图12（b）图所示图斑位于变更调查数据乔木林地内，前、后时相语义分别为林地、迹地，将其判断为新增迹地图斑并保留；图12（c）图所示图斑前、后时相语义均预测为推填土，但后时相语义实际应为建筑物，由于其位于变更调查数据采矿用地内，且与建设用地已批红线范围相交，将其判断为疑似动工图斑并保留；图12（d）图所示图斑位于变更调查数据乔木林地内，前、后时相语义分别为林地、道路，将其判断为新增道路图斑并保留。
图12 被正确保留的真变化图斑示例

Fig. 12 Examples of correctly preserved true change polygons

5 结论与讨论

5.1 结论

针对当前深度学习变化检测模型虚警率高的问题，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，以降低变化图斑虚警率、提高自然资源监测效率。设计了顾及时空特性的遥感时空知识图谱本体模式。基于设计的多种知识抽取技术，从矢量、影像、文本等多源数据中抽取知识三元组，完成了遥感时空知识图谱构建。在人工作业方式的启发下，采用遥感时空知识图谱的一阶逻辑推理，实现对深度学习模型检测生成的变化图斑的自动净化。本文研发了遥感时空知识图谱管理服务系统，用户可通过该系统构建并维护遥感时空知识图谱，执行自然资源要素变化图斑净化任务。利用本方法对广东省2024年3—6月变化图斑进行净化，存真率达到95.37%、去伪率达到21.82%。结果表明，本文提出的自然资源要素变化图斑净化算法能够在充分保留真实变化图斑的条件下，较好地剔除虚警变化图斑，有助于提升自然资源监测作业效率。

5.2 讨论

本文提出的遥感时空知识图谱驱动的自然资源要素变化图斑智能净化方法已在实际应用中发挥了一定的作用，但仍面临影像知识类型单一和推理方式传统等问题。具体来说，现有方法主要依赖单一影像语义知识和传统推理机制，导致其在深层次变化模式的捕捉和解释方面存在一定的局限性。在未来的研究中，将考虑从多时序遥感影像中抽取遥感目标间时空语义关系等先验知识，提升遥感时空知识图谱对地表变化刻画的完备性。还将进一步优化数据支撑条件，挖掘本体模式中事件演进和常识规律等特性的潜力。此外，探索基于思维链的遥感时空知识图谱推理技术，进一步提升遥感时空知识图谱驱动的自然资源要素变化图斑智能净化效果。
■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.

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
周治武, 巩垠熙. 基于形状指数的时序地表覆盖数据伪变化图斑过滤方法[J]. 测绘标准化, 2021, 37(2):13-17.

[ Zhou Z W, Gong Y X. Filtering method of pseudo-change pattern from time series land cover data based on shape index[J]. Standardization of Surveying and Mapping, 2021, 37(2):13-17. ]

[2]
宁晓刚, 张翰超, 张瑞倩. 遥感影像高可信智能不变检测技术框架与方法实践[J]. 测绘学报, 2024, 53(6):1098-1112.

DOI

[ Ning X G, Zhang H C, Zhang R Q. Practical framework and methodology for high-performance intelligent invariant detection in remote sensing imagery[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(6):1098-1112. ] DOI:10.11947/j.AGCS.2024.20230405

[3]
高锡章, 刘海江, 李宝林, 等. 一种基于面积对称模型的土地利用/覆被真伪变化图斑检测方法[J]. 地球信息科学学报, 2014, 16(5):784-789.

DOI

[ Gao X Z, Liu H J, Li B L, et al. A new method to detect false change polygons in land use/cover change map based on symmetric theory model[J]. Journal of Geo-information Science, 2014, 16(5):784-789. ] DOI:10.3724/SP.J.1047.2014.00784

[4]
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. ] DOI:10.12082/dqxxkx.2023.230154

[5]
陆锋, 余丽, 仇培元. 论地理知识图谱[J]. 地球信息科学学报, 2017, 19(6):723-734.

DOI

[ Lu F, Yu L, Qiu P Y. On geographic knowledge graph[J]. Journal of Geo-information Science, 2017, 19(6):723-734. ] DOI:10.3724/SP.J.1047.2017.00723

[6]
蒋秉川, 万刚, 许剑, 等. 多源异构数据的大规模地理知识图谱构建[J]. 测绘学报, 2018, 47(8):1051-1061.

DOI

[ Jiang B C, Wan G, Xu J, et al. Geographic knowledge graph building extracted from multi-sourced heterogeneous data[J]. Acta Geodaetica et Cartographica Sinica, 2018, 47(8):1051-1061. ] DOI:10.11947/j.AGCS.2018.20180113

[7]
周成虎, 王华, 王成善, 等. 大数据时代的地学知识图谱研究[J]. 中国科学:地球科学, 2021, 51(7):1070-1079.

[ 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:10.1360/SSTe-2020-0337

[8]
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

[9]
张永军, 王飞, 李彦胜, 等. 遥感知识图谱创建及其典型场景应用技术[J]. 遥感学报, 2023, 27(2):249-266.

[ Zhang Y J, Wang F, Li Y S, et al. Remote sensing knowledge graph construction and its application in typical scenarios[J]. National Remote Sensing Bulletin, 2023, 27(2):249-266. ] DOI:10.11834/jrs.20210469

[10]
张永军, 程鑫, 李彦胜, 等. 利用知识图谱的国土资源数据管理与检索研究[J]. 武汉大学学报(信息科学版), 2022, 47(8):1165-1175.

[ Zhang Y J, Cheng X, Li Y S, et al. Research on land and resources management and retrieval using knowledge graph[J]. Geomatics and Information Science of Wuhan University, 2022, 47(8):1165-1175. ] DOI:10.13203/j.whugis20210714

[11]
李彦胜, 孔德宇, 张永军, 等. 联合稳健跨域映射和渐进语义基准修正的零样本遥感影像场景分类[J]. 测绘学报, 2020, 49(12): 1564-1574.

DOI

[ Li Y S, Kong D Y, Zhang Y J, et al. Zero-shot remote sensing image scene classification based on robust cross-domain mapping and gradual refinement of semantic space[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(12):1564-1574. ] DOI:10.11947/j.AGCS.2020.20200139

[12]
蔡国林, 曾云凤, 李政, 等. 土地利用规划指标时空知识图谱的构建与可视化方法研究[J]. 国土资源科技管理, 2023, 40(3):125-134.

[ Cai G L, Zeng Y F, Li Z, et al. On the construction and visualization method for spatial-temporal knowledge graph of land use planning indicators[J]. Scientific and Technological Management of Land and Resources, 2023, 40(3):125-134. ] DOI:10.3969/j.issn.1009-4210.2023.03.011

[13]
诸云强, 孙凯, 胡修棉, 等. 大规模地球科学知识图谱构建与共享应用框架研究与实践[J]. 地球信息科学学报, 2023, 25(6):1215-1227.

DOI

[ Zhu Y Q, Sun K, Hu X M, et al. Research and practice on the framework for the construction, sharing, and application of large-scale geoscience knowledge graphs[J]. Journal of Geo-information Science, 2023, 25(6):1215-1227. ] DOI:10.12082/dqxxkx.2023.210696

[14]
卢慧佳, 胡最. 传统聚落景观基因的本体模型及其构建[J]. 地球信息科学学报, 2024, 26(6):1407-1425.

DOI

[ Lu H J, Hu Z. An ontological modelling method for cultural landscape genes of traditional settlements[J]. Journal of Geo-information Science, 2024, 26(6):1407-1425. ] DOI:10.12082/dqxxkx.2024.240008

[15]
唐曾杨, 艾廷华, 徐海江. 地理知识图谱下的建筑群空间分布模式推理[J]. 地球信息科学学报, 2023, 25(6):1202-1214.

DOI

[ Tang Z Y, Ai T H, Xu H J. Reasoning of spatial distribution pattern of building cluster based on geographic knowledge graph[J]. Journal of Geo-information Science, 2023, 25(6):1202-1214. ] DOI:10.12082/dqxxkx.2023.220761

[16]
李彦胜, 武康, 欧阳松, 等. 地学知识图谱引导的遥感影像语义分割[J]. 遥感学报, 2024, 28(2):455-469.

[ Li Y S, Wu K, Ouyang S, et al. Geographic knowledge graph-guided remote sensing image semantic segmentation[J]. National Remote Sensing Bulletin, 2024, 28(2):455-469. ] DOI:10.11834/jrs.20231110

[17]
李彦胜, 吴敏郎, 张永军. 知识图谱约束深度网络的高分辨率遥感影像场景分类[J]. 测绘学报, 2024, 53(4):677-688.

DOI

[ Li Y S, Wu M L, Zhang Y J. Knowledge graph-guided deep network for high-resolution remote sensing image scene classification[J]. Acta Geodaetica et Cartographica Sinica, 2024, 53(4):677-688. ] DOI:10.11947/j.AGCS.2024.20230125

[18]
黄勃, 吴申奥, 王文广, 等. 图模互补:知识图谱与大模型融合综述[J]. 武汉大学学报(理学版), 2024, 70(4):397-412.

[ Huang B, Wu S A, Wang W G, et al. KG-LLM-MCom: A survey on integration of knowledge graph and large language model[J]. Journal of Wuhan University (Natural Science Edition), 2024, 70(4):397-412. ] DOI:10.14188/j.1671-8836.2024.0040

[19]
Li Y S, Chen W, Huang X, et al. MFVNet: A deep adaptive fusion network with multiple field-of-views for remote sensing image semantic segmentation[J]. Science China Information Sciences, 2023, 66(4):140305. DOI:10.1007/s11432-022-3599-y

[20]
Li Y S, Shi T, Zhang Y J, et al. SPGAN-DA: Semantic-preserved generative adversarial network for domain adaptive remote sensing image semantic segmentation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2023, 61:5406717. DOI:10.1109/TGRS.2023.3313883

[21]
Dang B, Li Y S, Zhang Y J, et al. Progressive learning with cross-window consistency for semi-supervised semantic segmentation[J]. IEEE Transactions on Image Processing, 2024, 33:5219-5231. DOI:10.1109/TIP.2024.3458854

PMID

[22]
Li Y S, Wang L L, Wang T Z, et al. STAR: A first-ever dataset and A large-scale benchmark for scene graph generation in large-size satellite imagery[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2024, PP(99):1-18. DOI:10.1109/TPAMI.2024.3508072

[23]
Zhang L, Hu X Y, Zhang M, et al. Object-level change detection with a dual correlation attention-guided detector[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 177:147-160. DOI:10.1016/j.isprsjprs.2021.05.002

[24]
Guo X, Lao J W, Dang B, et al. SkySense: A multi-modal remote sensing foundation model towards universal interpretation for earth observation imagery[C]// 2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2024:27672-27683. DOI:10.1109/CVPR52733.2024.02613

[25]
Chen S F, Ge C J, Tong Z, et al. AdaptFormer: Adapting vision transformers for scalable visual recognition[C]// Proceedings of the 36th International Conference on Neural Information Processing Systems. 2022:16664-16678.

[26]
Yu T Y, Jiang C Y, Lou C, et al. SeqGPT: An out-of-the-box large language model for open domain sequence understanding[C]// Proceedings of the AAAI Conference on Artificial Intelligence, 2024, 38(17):19458-19467. DOI:10.1609/aaai.v38i17.29917

[27]
Lewis P, Perez E, Piktus A, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks[J]. Advances in Neural Information Processing Systems, 2020,33:9459-9474.

[28]
Chen X J, Jia S B, Xiang Y. A review: Knowledge reasoning over knowledge graph[J]. Expert Systems with Applications, 2020, 141:112948. DOI:10.1016/j.eswa.2019.112948

[29]
Graser A. MovingPandas: Efficient structures for movement data in python[J]. GIForum, 2019,1:54-68. DOI:10.1553/giscience2019_01_s54

[30]
Obe R, Hsu L S. PostGIS in action[M]. Simon and Schuster, 2021.

[31]
Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation[M]//Lecture Notes in Computer Science. Cham: Springer International Publishing, 2015:234-241. DOI:10.1007/978-3-319-24574-4_28

[32]
Chen L C, Zhu Y K, Papandreou G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[M]//Lecture Notes in Computer Science. Cham: Springer International Publishing, 2018:833-851. DOI:10.1007/978-3-030-01234-2_49

[33]
Xie E Z, Wang W H, Yu Z D, et al. SegFormer: Simple and efficient design for semantic segmentation with transformers[J]. Advances in neural information processing systems, 2021,34:12077-12090.

[34]
Liu Z, Lin Y T, Cao Y, et al. Swin transformer: Hierarchical vision transformer using shifted windows[C]// 2021 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE, 2021:9992-10002. DOI:10.1109/ICCV48922.2021.00986

[35]
Brown T, Mann B, Ryder N, et al. Language Models are Few-Shot Learners[J]// Advances in Neural Information Processing Systems, 2020, 33:1877-1901.

[36]
Muennighoff N, Wang T, Sutawika L, et al. Crosslingual generalization through multitask finetuning[EB/OL]. 2022:2211.01786. https://arxiv.org/abs/2211.01786v2

Options
Outlines

/

〈 〉