干货分享 | 地理图斑智能计算及模式挖掘方法

编者按

针对如何基于遥感大数据对复杂地表系统进行有序解构与定量解析的科学问题，骆剑承研究员提出在地学信息图谱理论指导下，以地理图斑为基本对象综合运用不同类型的机器学习机制，逐步从空间、时间与属性等维度对地理图斑的视觉形态、时序变化和关联知识等进行提取与发现，从而构建“分层感知-时空协同-多粒度决策”于一体的地理图斑智能计算模型。通过在精准农业领域的案例应用，说明其可实现基于多源遥感对每一块耕地形态与类型的精细制图以及种植模式的定量挖掘。

相关论文已在学报2020年第1期发表啦（点击“阅读原文”可以查看完整论文）！

地理图斑（Geo-parcel，简称图斑）是指在一定空间尺度（分辨率）约束下，视觉上能感知、具有确定土地利用/土地覆盖归属的最小地理实体，是构建地理场景以及承载多源信息的基本单元，具有“定位-定性-定量-定制”四位一体的内涵。而这四个方面准确地认知，需要通过“眼睛看”、“模型算”、“脑子想”三个环节的前后串联和有机协同才能有望实现，也就是要从浅层视觉感知的理解（形成“信息图谱”）升华到深层模式挖掘的透视（形成“知识图谱”），才能逐步实现对地理实体表象、过程、格局、机理的全方面认知，这是一个循序渐进的螺旋式提升过程，最终目的就是支撑知识化的地理信息决策服务。

地理图斑及其图谱的耦合关系

围绕“地理图斑”这一核心概念，论文发展了一套集“分层感知-时空协同-多粒度决策”三个基础模型于一体的地理图斑智能计算模型。这其中，机器智能、遥感机理、地学分析各司其职、缺一不可。三个基础子模型呈现的是一种相互耦合、依次递进的逻辑关系，是对“眼睛看”、“模型算”、“脑子想”三大环节的系统模拟，分别对应了“粒化”、“重组”、“关联”的大数据计算思维，将它们有机协同后形成了以“图斑提取→数据融合→模式挖掘”为脉络的智能计算过程，用以实现实体级地理信息的智能化生成与精准化应用。

地理图斑智能计算模型

面向各领域专题应用与决策分析的多元化需求，地理图斑智能计算模型可通过对“信息图谱”的浅层理解（图斑形态、类型/指标）和“知识图谱”的深层透视（图斑结构、状态/趋势），逐步挖掘揭示地理现象、过程、格局乃至机理的各类显/隐模式。对此，作者凝练了两层图谱实现过程中存在的四类典型模式（包括相对静态的分布模式与功能模式、相对动态的生长模式与动力模式），并探讨了其各自所适用的挖掘方法。

地理图斑模式挖掘以及两层图谱的演进关系

01

图斑分布模式（形态-类型）

是依据地理实体在高分影像上呈现的视觉特征差异来展示其在地理空间上的分异特性，需要先对复杂地表场景划分区块，再对其中分布的地理图斑依据视觉特征的差异分别设计模拟视觉感知的提取模型，实现对图斑空间形态的精细定位和分级地类的准确判别。

地理图斑分布模式挖掘

对此，作者在“分区-分层”思想指导下，提出了一套山地区域的耕地图斑提取方法，并以贵州省息烽县为研究区开展了试验，全县共提取了124,552个耕地图斑，并从中形成了规则耕地、梯田、坡耕地、林间耕地等四个亚类的空间分布，且这些耕地图斑与实际地块边界吻合度较好，验证了提出的分布模式挖掘策略在图斑边界精细勾绘与类型准确识别方面具有优势。

贵州省息烽县耕地地块的图斑提取结果

02

图斑生长模式（形态-指标）

是在地理图斑形态提取与类型判别的基础上，进一步在图斑上融入具有时序变化特征的对地观测数据集，对比图斑周期性或持续变化的生物学或物候规律，构建图斑内时序演化的参数定量反演模型，实现对图斑内生长过程的动态监测以及对其变化机制的量化分析。

地理图斑生长模式挖掘

对此，作者在简析多云多雨地区协同高时序主被动遥感必要性的基础上，发展了一套协同“光学-SAR”的作物分类方法，并同样在贵州息烽县开展了试验，论证了在耕地图斑上进行种植作物生长模式挖掘的可行性与有效性。

贵州省息烽县图斑级作物分类结果

03

图斑功能模式（结构-状态）

是在图斑形态和基础类型识别基础上，进一步融入多源数据挖掘其隐含的功能语义属性，并通过分析内在相互作用机制来构建图斑间的聚合关系而形成地理场景的综合体，使各类空间决策具备精细可靠的场景结构支撑；进而再通过结合自然与人文要素的建模来分析地理综合体对人口、资源、环境与灾害等自然与社会运行的承载力，为开展数据驱动的规划设计与空间优化提供基底状态信息。

地理图斑功能模式挖掘

对此，作者在耕地图斑之上通过叠加自然资源禀赋、生态环境本底等多源多模态数据，构建了一套潜在功能语义属性的推测方法，并以广西崇左市江州区为研究区，开展了甘蔗种植适宜性评价与规划制图，说明了图斑尺度的功能模式挖掘可为精准空间决策提供重要依据。

广西崇左市江州区甘蔗种植适宜性评价结果

04

图斑动力模式（结构-趋势）

是对地理场景结构的内动力状态分析基础上，进一步考虑如何动态地融入反映外部驱动力的实时观测与社会感知信息，构建可基于地理图斑及其综合体对自然与社会事件行为进行动态模拟的时空解析模型，实现内外动力耦合下对事件行为发生过程及演化趋势的精准判断、跟踪、预测与决策，这对因人类活动而快速变化的地理格局动态监测及机制分析有重要支撑作用。对此，作者设计了未来开展此项工作的基本思路。

地理图斑动力模式挖掘

若干案例的成功实践已充分表明作者提出的地理图斑智能计算模型可以支撑精准应用所需的各类空间信息获取，而复杂地表之上的地理认知问题也随之有望能得到近似求解。对此文感兴趣的读者可以点击文末的“阅读原文”查看全文进行更全面的了解，也欢迎各位读者与作者进行交流。另外，据悉骆剑承研究团队正在紧锣密鼓地筹备《遥感大数据智能计算》专著，出版事宜已提上日程，对相关研究感兴趣的读者敬请期待！

第一作者信息

骆剑承  研究员

中国科学院空天信息研究院遥感科学国家重点实验室研究员、中国科学院大学教授，博士、博士生导师。以遥感大数据地学分析与智能计算为主要方向，重点研究遥感图谱认知理论和时空信息高性能计算的关键技术，发展了浅层视觉理解（图）与深层机理透视（谱）相耦合的遥感信息智能提取方法体系，建立了国产高分遥感数据综合处理、专题产品生产线技术系统与应用服务平台；先后承担国家重大研发计划、科技支撑、863计划、国家自然科学基金重点与面上项目、地方应用等项目数十项，出版6本专著和图集（《遥感图谱认知》、《遥感影像地学理解与分析》、《高分辨率遥感影像计算与分析》等），在国内外学术刊物或国际会议上发表学术论文200余篇（其中SCI/EI检索论文70余篇），并取得相关技术发明专利20余项；曾获得国家科技进步二等奖、北京市科技进步二等奖、天津市科技进步二等奖等奖项。

通讯作者信息

吴田军  副教授

中国科学院遥感与数字地球研究所博士毕业，现为长安大学副教授、硕士生导师，长期从事遥感信息智能提取理论、方法及综合应用的研究，近期研究兴趣集中于农业遥感、植被遥感的相关研究方向；近年来，在IEEE TGRS、IEEE JSTARS、IEEE GRSL、IJRS等期刊和会议上发表学术论文30余篇，联合出版专著1部，授权发明专利和软著6项，主持国家/省部级科研项目3项，作为主要研究人员先后参与科技部国家重点研发计划项目、国家自然科学基金重点项目等国家级课题科研任务，担任IEEE TGRS、IEEE GRSL、IEEE TIP、《地球信息科学学报》、《遥感学报》等10余个领域知名期刊审稿人。

转载自地球信息科学学报微信公众号

经作者授权转载

文章仅代表作者观点，与本公众号无关，版权归原作者所有

图文排版：田可

  责任编辑：康楠  

审编：王波涛 常贵蒋

终审：顾伟男 田巍 梁龙武

猜你喜欢

扫描二维码，关注我们

都是成年人了，要记得告诉地小联你也“在看”哦~👇