Research and Practice of Business-oriented Natural Resource Intelligent Interpretation Sample Classification
-
摘要:
深度学习是当代人工智能发展的核心技术，基于深度学习的自然资源要素智能解译已然成为热门研究课题，为实现深度学习技术在自然资源监测监管方面的工程化应用，亟需以业务为导向进行样本分类，建设服务于自然资源管理的智能解译样本库。文章首先对智能解译任务和样本集分类现状进行分析，提出样本数据集分类存在的问题；然后，基于现有数据基础、自然资源分类体系和自然资源管理业务需求，提出了面向业务的自然资源智能解译样本分类方法；其次，按4种解译任务进行样本的分类; 最后，以广东省为例，开展样本分类实践, 实践结果表明该方法具有一定的可行性，并能有效应用于广东省自然资源综合解译样本库建设。
Abstract:Deep learning is the core technology of the development of contemporary artificial intelligence, and inte-lligent interpretation of natural resource elements based on deep learning has become a hot research topic. In order to realize the engineering application of deep learning technology in natural resource monitoring and supervision, it is urgent to conduct business-oriented sample classification and build an intelligent interpretation sample database serving natural resource management. In this paper, firstly, the current status of intelligent interpretation tasks and sample set classification were analyzed, and the problems in sample dataset classification were pointed out. Then, based on the existing data foundation, natural resource classification system, and business requirements of natural resource management, a business-oriented intelligent interpretation sample classification method for natural resources was proposed. Next, samples were classified according to four interpretation tasks. Finally, taking Guangdong as an example, a sample classification practice was conducted, and the results showed that this method is feasible and can be effectively used for the construction of a comprehensive interpretation sample library for natural resources in Guangdong Province.
-
在遥感大数据时代的背景下，遥感影像的智能解译问题成为高效获取所需有用信息的关键技术问题[1]。2018年，自然资源部印发的《自然资源科技创新发展规划纲要》[2]提出：“要加强基于多源调查与监测成果的自然资源全要素信息快速提取与智能解译能力”，对智能解译在自然资源业务方面的应用提出了要求。开展面向自然资源管理业务的样本分类，构建大规模、多类型、多尺度的样本库，对智能解译技术的应用与发展具有重要意义。
然而，数据的积累与有效利用之间的矛盾日益突出，海量且多类型的遥感影像自动化处理能力依旧难以提升。针对该问题，学者们做了大量研究：一方面，采用传统的机器学习方法，通过人工提取特征结合监督分类的方式实现智能解译[1, 3-5]；另一方面，采用特征学习能力更强大的深度学习方法，通过数据驱动的方式实现智能解译，该方法在图像分类、目标检测和自然语言处理等领域均取得重大突破[6-8]，其运用近年也逐渐深入到场景理解、地物目标检测与土地覆盖分类等遥感领域[9]。但深度学习方法对样本依赖较强，缺乏规模海量、类型丰富的样本库是限制智能解译精度提升的重要因素，统一且具针对性的样本分类体系是实现智能解译应用于自然资源管理业务的基础之一。
为解决自然资源分类存在的自成系统、概念不清和标准不一等自然资源管理问题，确保分类的唯一性、系统性和连续性，广东省“先试先行”，构建了具有广东特色的自然资源分类标准体系[10]。2022年4月，广东省自然资源厅印发《广东省自然资源调查评价监测体系建设方案(2021—2025年)》(依申请公开)，提出“构建快速联动的监测体系”“建设自动变化检测能力”“建设千万级自然资源综合解译样本库”。基于此，本文提出面向业务的智能解译样本分类方法，并依据广东省的实际情况，开展广东省自然资源智能解译样本分类，以应用于广东省自然资源综合解译样本库建设。
1. 自然资源智能解译样本现状
1.1 任务类型及样本分类
遥感智能解译根据任务不同可以分为场景分类、目标检测、语义分割和变化检测等类型。其中场景分类是对对地观测影像的“场景”进行理解，并将其标注为某个特定的语义类别；目标检测是根据对地观测影像中不同目标对象的特征，对不同目标的位置进行定位，并确定语义类别，也称为目标识别；语义分割是根据对地观测影像中地物类型的特征，将每个像素归为某一地物类别，也称为地表要素分类；变化检测是利用多时相获取的覆盖同一地表区域的影像来确定和分析某段时间内地表的变化情况。
近年来，随着深度学习在自然资源领域的应用和研究，出现了遥感任务的样本数据集，并依据不同的标准进行分类，部分数据集如表 1所示。
表 1 部分公开样本数据集Table 1. Partial public sample datasets数据集名称 分辨率/m 任务类型 地物类别 类别数/个 数据来源 UC-Merced[11] 0.3 场景分类 agricultural、airplane、baseball diamond、beach、buildings、chaparral、dense residential、forest、freeway、golf course等 21 USGS NWPU-RESISC45[12] 0.2~30 场景分类 airplane、airport、baseball diamond、basketball court、beach、bridge、chaparral、church、circular farmland、cloud等 45 Google Earth AID[13] 0.5~8.0 场景分类 airport、bare land、baseball field、beach、bridge、center、church、commercial、dense residential、desert等 30 Google Earth DOTA[14] 0.1~4.5 目标检测 plane、ship、storage tank、baseball diamond、tennis court、basketball court、ground track field、harbor、bridge、large vehicle等 15 Google Earth、GF-2、JL-1 RSOD[15] 0.5~2.0 目标检测 oil tank、aircraft、overpass、playground、background 4 Google Earth、天地图 GID[16] 0.8~4.0 语义分割 5 major categories: built-up、farmland、fo-rest、meadow、water; 15 sub-categories: paddy field、irrigated land、dry cropland、garden land、arbor forest、shrub land、natural mea-dow等 5 GF-2 Massachusetts Buildings[17] 1.0 语义分割 individual houses、garages 2 OpenStreetMap HRSCD[18] 0.5 变化检测 artificial surfaces、agricultural areas、forests、wetlands、water 5 IGN、EEA 用于场景分类的样本集分类往往较为丰富，因为不同场景有不同的空间分布，其纹理、光谱特征等不尽相同，如飞机、机场、棒球场、篮球场和沙滩等；用于目标检测的样本集主要针对典型地物或设施，包括移动物体或固定设施，如飞机、船舶、储罐、棒球场、网球场和篮球场等；语义分割关注地物边界和属性，用于语义分割的样本集分类主要参考地表覆盖分类，如建成区、农用地、林地、草地和水系等；用于变化检测的样本集分类的关键在于对地物变化的定义，主要指不同时相、相同空间位置地物之间的变化，如人工地表、农业区、林地和湿地等。大多数分类任务在定义分类时均未明确分类遵循的规则，也未对分辨率进行区分，样本集由多种分辨率影像数据组合而成。
1.2 存在问题
1.2.1 分类较为细化，不利于实际应用
要使深度学习模型具有良好的泛化能力，需要使用大量的数据集进行训练，因而相关遥感研究人员或学术组织制作了许多遥感影像样本集，并且公开用于深度神经网络的训练[19]。这些数据集往往考虑到真实场景的复杂性以及遥感影像中不同场景之间的高相似性，对类间相似性要求较高。如UC-Merced数据集包含高度重叠的土地利用类别，将住宅细分为密集住宅、中等住宅和稀疏住宅，从结构的密度上加以区分，使其数据集更加丰富和具有挑战性[11]。AID数据集将明显特征相同的人工地物，如操场和体育馆(均包含运动场)，划分为不同类；将高度相似的自然地物，如裸地和沙漠(光谱和纹理相似)，划分为不同类，通过类似考虑来反映真实场景的分布情况[13]。在遥感智能解译的方法层面，更加精细的分类有利于比较不同算法的优劣。但相对于实际应用，过于细化的分类反而降低了智能解译结果的可靠度。
1.2.2 特定性分类较强，不适合分类扩展
现有数据集遥感影像往往来源于公开数据源，如谷歌地球、天地图、高分系列卫星和OpenStreetMap等，在对样本进行分类的同时通常考虑样本采集的可得性。实际应用中，不同数据源影像的分辨率不同，影像质量存在差异，同一地物影像特征表现多样，因而，高泛化能力的深度学习模型对样本数量和特征类型的规模有一定的要求。然而，依托于公开数据源的样本分类具有较强的特定性，不适合面向业务的分类扩展，难以满足多要素、多数据源解译需求。一是目标类型特定，如：TONG等[16]在缺少遥感影像目标识别公开数据集的前提下，利用谷歌地球和天地图的数据标记了油桶、飞机、立交桥和游乐场4类较为特定的目标对象；二是数据源特定，如：GID数据集[16]针对高分辨率遥感影像，利用高分2号卫星建立了用于土地利用和土地覆盖分类的大型数据集。这种基于数据来源的样本分类可应用于相应场景，但在多类型、多场景的解译任务需求上体现出一定的局限性。
1.2.3 分类体系不同，不便于样本共享
联合国粮食及农业组织(FAO)提出的《地表覆盖分类体系(LCCS)》具有良好的灵活性和可扩展性，广泛应用于各种场景下的地表覆盖分类，有的数据集分类还参考《土地利用现状分类》和《地理信息兴趣点分类与编码》等国家标准，但不同的分类体系在样本类别定义、层级和兼容性等方面有较大的差异，相应的样本集也难以共享和综合利用[9]。同时，国内外地表覆盖或地物类型有差异，国内不同省份因地域不同关注类型有侧重，不同尺度下因数据源分辨率问题智能解译效果有优劣，在面向特定业务对样本进行分类时，需统筹考虑。
2. 面向业务的自然资源智能解译样本分类方法
人工智能的发展给大数据的利用与处理带来了有效的解决方案，在人脸识别、图像处理和机器翻译等方面都有成熟的应用。伴随着遥感影像数据的快速增长，深度学习作为一种人工智能技术也逐渐应用到遥感影像的智能解译上，建设自然资源智能解译样本库是实现遥感影像智能解译在自然资源业务管理方面落地应用的基础，这就涉及到样本的分类问题。基于该问题，本文对智能解译任务及现有部分公开数据集的样本分类情况进行了研究，提出存在的相关问题。然后，从样本库建设的角度出发，对现有数据基础和自然资源管理基础进行了分析；从样本分类的角度着手，广泛调研自然资源管理业务需求。最后，结合现有分类体系和基础，提出自然资源智能解译样本分类方法。该方法的框架图见图 1。
![]()
图 1 自然资源智能解译样本分类方法框架图Figure 1. Framework diagram of intelligent interpretation sample classification method for natural resources2.1 基础现状和业务需求
2.1.1 现有数据基础和自然资源分类体系
遥感影像数据源按飞行平台可分为航空影像、航天影像和地面遥感影像等，按数据类型可分为多光谱、高光谱、SAR、照片和视频等。随着对地观测技术的进步，遥感数据也逐渐多元化，不同波段、成像方式、分辨率的数据大量涌现，数据获取速度和实效性都得到有效提高[20]，为遥感影像智能解译能力提升提供了数据基础。面向自然资源领域，一方面在自然资源管理中积累了大量数据，如地理国情监测、国土变更调查、专题监测和卫片执法等，涉及高分辨率遥感影像、解译图斑、执法视频和外业调查照片等多种数据类型；另一方面，现有遥感技术手段，如无人机遥感、卫星遥感和雷达遥感等，分别具有空间分辨率、高光谱分辨率和高时间分辨率的优势，为自然资源管理提供了更广泛的数据来源。
自然资源的分类有多种视角，最常规的方法是采用列举的方式进行分类[21]。针对全国基础性地理国情监测，我国制定了《基础性地理国情监测内容与指标》[22]，从土地覆盖性质的角度划分了10个一级类、59个二级类、143个三级类，以调查自然和人文要素的覆盖情况；为满足国土三调与变更调查需求，出台了第三次全国国土调查工作分类体系，从土地利用性质的角度划分了13个一级类、55个二级类，调查土地利用现状、权属和专项用地[23]；为更好地履行自然资源部“两统一”、建立国土空间规划体系并监督实施等职责，制定了《国土空间调查、规划、用途管制用地用海分类指南》[24]，从利用方式、经营特点和覆盖特征等因素，对国土空间用地用海类型进行归纳、划分，建立了全国统一的国土空间用地用海分类；为了服务好自然资源调查监测试点工作，广东省自然资源厅制定了《广东省自然资源分类标准》[25]，建立了“四层三级”分类体系。
2.1.2 自然资源管理业务需求
2018年3月，国务院组建自然资源部，整合多个部门自然资源管理相关职责，形成了统一的自然资源管理部门，为资源管理和生态文明建设提供了重要的机构保障[21]。自然资源高效科学的监管离不开及时、准确的地理数据支撑，本文面向广东自然资源全业务，梳理了包括执法监督、矿产资源管理、耕地保护、自然资源调查监测、自然资源开发利用、国土空间生态修复、自然资源督查与审计、海域海岛管理等业务需求(表 2)。
表 2 自然资源管理业务需求Table 2. Business requirements of natural resource management业务大类 业务子类 关注地类 执法监督 卫片执法、高尔夫球场专项调查、农村乱占耕地建房住宅类专项调查、大棚房专项整治调查、建设农业设施业务调查、土地执法监测业务调查、露天矿监测业务调查等 新增线状地物、构筑物、推填土、光伏板、高尔夫球场、采矿用地等；耕地上新增建筑、设施农用地等 矿产资源管理 绿色矿山建设 采矿用地复绿类型，如耕地、园地、林地、草地和湿地等 耕地保护 耕地资源情况监测、垦造水田种植情况监测、耕地非农化非粮化监测等 新增耕地以及耕地非农化非粮化类型(如园地、林地、草地、建筑物、构筑物、道路、水域、推填土和设施农用地等) 自然资源调查监测 森林、湿地、地下水、草原资源调查；地理国情监测、国土变更调查 新增居民点、别墅、水工设施、道路、铁路、推堆土、光伏板、足球场、高尔夫球场、围填海、耕地、园地、草地和林地 自然资源开发利用 建设用地节约集约调查评价、建设用地批后监管、闲置土地监测、空地转让监测、非净地转让监测、三旧改造和临时用地等业务监测 新增推填土、地基、建筑工地、建筑、绿化(建筑工地内)，以及新增居住、商服、教育、科研、空闲、临时等用地类型 国土空间生态修复 拆旧复垦、矿山修复现状、矿山地质环境保护与土地复垦、山水林田湖草沙一体化生态保护修复工程、全域土地综合整治等业务 建筑物、矿区、水土流失地表等生态修复类型，如耕地、林地和草地等 自然资源督查与审计 永久基本农田现状不符合要求、补充耕地现状不符合要求、增存挂钩工作弄虚作假、大棚房整改不彻底、卫片执法上报不实、垦造水田项目后期管护等各类问题督审业务 执法监督业务关注地类 海域海岛管理 用海项目审批前现场踏勘、用海项目审批前违法用海情况核实、用海项目监视监测、围填海历史遗留问题区域生态修复核查、违法用海疑点疑区外业现场核查 围填海 2.2 智能解译样本分类
2.2.1 分类原则
(1) 统一分类规范，统筹业务需求。样本分类应延续山水林田湖草生命共同体的理念，分类视角统一，分类规则明确，含义和边界界定清晰合理，业务管理之间相互贯通，能够为样本标注和整理工作提供指导。同时，应结合自然资源业务应用场景，对各类业务解译需求深度剖析，进行总体把控、合理划分，形成满足各类业务需求的分类总体体系。
(2) 结合现有基础，确保科学实用。在构建智能解译样本分类体系时，应在已有分类研究的基础上，充分考虑地理国情监测、第三次全国国土调查等分类方案，确保界定指标和判定标准科学合理、样本分类定义完整可适应；应结合现有数据基础和技术手段，合理合适细化分类，保证解译结果可信度高、可用性强，能够服务于自然资源业务管理。
(3) 全面充分考量，预留扩展空间。由于区域/全球范围地物信息复杂多样，自然资源业务管理逐渐精细，智能解译能力不断提升，导致样本分类难以囊括所有地物类型。在进行样本分类时，要充分考量当前需求和未知需求，在保障现有需求的同时建立可细化、可扩展的分类体系。
2.2.2 样本分类
变化检测、语义分割和场景分类样本主要以卫片、航片影像为数据源，其中光学影像为主要数据分类依据，高光谱影像、SAR影像分别具有高光谱分辨率特征、高时序性特征，可以作为智能解译样本补充数据源。场景分类样本同时可以利用照片为数据源，作为对单张照片所包含的场景进行识别的智能解译训练数据。目标检测样本主要以执法视频作为数据源，抽取视频关键帧，识别每一张关键帧中所包含的特定目标，以辅助执法监督。
光学遥感影像的智能解译实质上是将人工目视解译自动化，即从影像本身获取解译特征，最直观的表现就是地表覆盖特征，所以变化检测、语义分割和场景分类样本分类以地理国情分类为主要依据，以自然资源业务关注地类为重点补充。变化检测关注地物的变化情况，语义分割关注地物的类型信息，2种任务均是对基本地表覆盖类型的识别。基本地表覆盖类型为影像上具有规则纹理特征和空间特征的地物类型，如耕地、园地、林地、房屋建筑和道路等，可以划分为自然地物和人工地物。场景分类关注组合地物的用途，主要识别多种基本地表覆盖类型组合，如高尔夫球场、公园与绿地等，由草地、人工构筑物、建筑物等组合而成，可以将这些“场景”作为基本地表覆盖类型的补充，根据业务需求枚举分类。目标检测关注目标存在与否，主要识别视频中出现的移动物体(如施工车辆、人等) 和固定物体(如在建房屋等)。相较于光学影像，高光谱影像具有“图谱合一”的特点，能够对植被类型进行区分；SAR影像具有全天候成像特点，不受天气时间限制，目前主要作为补充监测手段，本文不具体展开其样本分类。
3. 广东省自然资源智能解译样本分类实践
3.1 变化检测样本
变化检测任务涉及前后时相影像的解译与比对，高分辨率影像下，不同地物的变化组合易导致变化类型庞大复杂，给样本采集带来了困难，同时对深度学习网络的性能提出了更高的要求。基于目前的业务需求和实际应用情况，本文主要以优于2.5 m分辨率影像为分类依据，参考地理国情监测体系大类，将样本地物类型分为11类，包括自然地物和人工地物。在地物变化类型上，结合广东区域样本采集实际情况，排除极少甚至没有的变化类型，共梳理出86种变化类型，如表 3所示。其中：类间变化为基本变化类型；类内变化考虑到如房屋结构、不同道路、不同构筑物的变化，可在实际采集时根据需求具体定义。本文定义了房屋建筑、道路、构筑物和堆掘地表 4种类内变化类型，如房屋加盖、道路硬化、工程实体变化和推填土堆放等。变化检测样本标签示例如图 2所示。
表 3 变化检测样本分类Table 3. Classification of change detection samples变化前 变化后 耕地 园地、成林、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 园地 耕地、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 成林 耕地、园地、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 草地 耕地、园地、成林、房屋建筑、道路、构筑物、堆掘地表、幼林、水域、裸露地表 房屋建筑 耕地、园地、成林、草地、房屋建筑、道路、构筑物、堆掘地表 道路 耕地、成林、草地、房屋建筑、道路、构筑物、堆掘地表 构筑物 耕地、园地、成林、草地、房屋建筑、道路、构筑物、堆掘地表、水域 堆掘地表 耕地、园地、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 裸露地表 草地、房屋建筑 水域 耕地、成林、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、裸露地表 幼林 园地、草地、房屋建筑、道路、构筑物、堆掘地表 3.2 语义分割样本
语义分割任务针对单时相影像进行地物解译，与变化检测任务中地物识别类型大致相似，因不同分辨率影像下目视解译程度不一，可在其基础上细化分类。在该任务上，本文以优于2.5 m分辨率影像为主要分类依据，划分了2个级别，包括10个一级类、41个二级类，如表 4所示。其中一级类基本适用优于2.5 m分辨率影像，二级类中自然地物主要适用优于1 m或优于0.5 m分辨率影像，人工地物主要适用优于2.5 m分辨率影像。语义分割样本标签示例如图 3所示。
表 4 语义分割样本分类Table 4. Classification of semantic segmentation samples一级类 二级类 耕地 水田、旱地 园地 乔灌果园、草本果园、藤本果园、茶树、橡胶树、苗圃、花圃、其他园地 林地 乔木林地、竹林地、灌木林地、幼林、迹地、其他林地 草地 天然草地、人工草地、其他草地 房屋建筑 单体房屋、建筑区、厂房 铁路与道路 道路(含城镇村道路)、铁路(含轨道交通) 构筑物 硬化地表、水工设施、温室大棚、工业设施、固化池、其他构筑物 堆掘地表 露天采掘场、建筑工地、人工堆掘地、其他推填(堆)土 裸露地表 泥土地表、岩石地表、砾石地表 水域 河流、湖泊/库塘/坑塘、沟渠、海面 3.3 目标检测样本
目标检测样本分类从执法监督的视角出发，基于视频关键帧，对动土施工情况进行监测，将关注目标分为8类：房屋建筑、施工人员、活动板房、堆沙、堆砖头、施工车辆、挖掘机、推土车。目标检测样本标签示例如图 4所示。
3.4 场景分类样本
场景分类样本在变化检测、语义分割任务的基础上，补充业务需求的监测监管地类，如业务关注的工业设施、交通网络设施和公共服务设施等，本文以优于2.5 m分辨率影像为分类依据，划分了2个级别，包括6个一级类和17个二级类(表 5)。场景分类样本标签示例如图 5所示。
表 5 场景分类样本分类Table 5. Classification of scene classification samples一级类 二级类 工业设施 光伏板 交通网络设施 机场、码头、高速公路出入口、火车站、汽车站、轨道交通站、交通收费站、高速公路服务区 公共服务设施 公园与绿地、足球场、高尔夫球场 围填海 / 湿地 红树林、滩涂、沼泽 岸线 人工岸线、自然岸线 4. 结语
本文以广东省自然资源综合解译样本库建设为契机，结合目前遥感智能解译的发展现状，针对自然资源管理业务需求，进行了智能解译样本分类的研究。首先，对智能解译任务和样本集分类现状进行了分析，提出样本数据集分类存在的问题；然后，对现有数据基础和自然资源分类基础进行了梳理，结合自然资源管理业务需求调研成果，提出样本分类原则和方法；最后，从业务出发，按4种智能解译任务，给出样本分类的具体案例，以应用于广东省自然资源综合解译样本库建设，助力广东自然资源智能解译能力提升，同时为其他地区或领域样本库建设提供一定启发。
技术应用驱动技术发展。目前，人工智能特别是深度学习方法已经在遥感目标与场景识别、信息提取、地物分类、变化检测等方面取得了重要进展，但实用性仍然不高。未来要进一步产业化应用，需解决人工智能在遥感自动解译方面存在的问题：一方面，要从方法的角度出发，设计专用的深度学习神经网络，融入光谱信息和地学知识；另一方面，需从业务的角度出发，结合现有数据基础，建立合适的样本分类体系，扩大样本数据库，增加多样性和区域性的样本，为模型训练提供优质可靠的原料。
-
![]()
图 1 自然资源智能解译样本分类方法框架图
Figure 1. Framework diagram of intelligent interpretation sample classification method for natural resources
表 1 部分公开样本数据集
Table 1 Partial public sample datasets
数据集名称 分辨率/m 任务类型 地物类别 类别数/个 数据来源 UC-Merced[11] 0.3 场景分类 agricultural、airplane、baseball diamond、beach、buildings、chaparral、dense residential、forest、freeway、golf course等 21 USGS NWPU-RESISC45[12] 0.2~30 场景分类 airplane、airport、baseball diamond、basketball court、beach、bridge、chaparral、church、circular farmland、cloud等 45 Google Earth AID[13] 0.5~8.0 场景分类 airport、bare land、baseball field、beach、bridge、center、church、commercial、dense residential、desert等 30 Google Earth DOTA[14] 0.1~4.5 目标检测 plane、ship、storage tank、baseball diamond、tennis court、basketball court、ground track field、harbor、bridge、large vehicle等 15 Google Earth、GF-2、JL-1 RSOD[15] 0.5~2.0 目标检测 oil tank、aircraft、overpass、playground、background 4 Google Earth、天地图 GID[16] 0.8~4.0 语义分割 5 major categories: built-up、farmland、fo-rest、meadow、water; 15 sub-categories: paddy field、irrigated land、dry cropland、garden land、arbor forest、shrub land、natural mea-dow等 5 GF-2 Massachusetts Buildings[17] 1.0 语义分割 individual houses、garages 2 OpenStreetMap HRSCD[18] 0.5 变化检测 artificial surfaces、agricultural areas、forests、wetlands、water 5 IGN、EEA 
下载: 导出CSV
表 2 自然资源管理业务需求
Table 2 Business requirements of natural resource management
业务大类 业务子类 关注地类 执法监督 卫片执法、高尔夫球场专项调查、农村乱占耕地建房住宅类专项调查、大棚房专项整治调查、建设农业设施业务调查、土地执法监测业务调查、露天矿监测业务调查等 新增线状地物、构筑物、推填土、光伏板、高尔夫球场、采矿用地等；耕地上新增建筑、设施农用地等 矿产资源管理 绿色矿山建设 采矿用地复绿类型，如耕地、园地、林地、草地和湿地等 耕地保护 耕地资源情况监测、垦造水田种植情况监测、耕地非农化非粮化监测等 新增耕地以及耕地非农化非粮化类型(如园地、林地、草地、建筑物、构筑物、道路、水域、推填土和设施农用地等) 自然资源调查监测 森林、湿地、地下水、草原资源调查；地理国情监测、国土变更调查 新增居民点、别墅、水工设施、道路、铁路、推堆土、光伏板、足球场、高尔夫球场、围填海、耕地、园地、草地和林地 自然资源开发利用 建设用地节约集约调查评价、建设用地批后监管、闲置土地监测、空地转让监测、非净地转让监测、三旧改造和临时用地等业务监测 新增推填土、地基、建筑工地、建筑、绿化(建筑工地内)，以及新增居住、商服、教育、科研、空闲、临时等用地类型 国土空间生态修复 拆旧复垦、矿山修复现状、矿山地质环境保护与土地复垦、山水林田湖草沙一体化生态保护修复工程、全域土地综合整治等业务 建筑物、矿区、水土流失地表等生态修复类型，如耕地、林地和草地等 自然资源督查与审计 永久基本农田现状不符合要求、补充耕地现状不符合要求、增存挂钩工作弄虚作假、大棚房整改不彻底、卫片执法上报不实、垦造水田项目后期管护等各类问题督审业务 执法监督业务关注地类 海域海岛管理 用海项目审批前现场踏勘、用海项目审批前违法用海情况核实、用海项目监视监测、围填海历史遗留问题区域生态修复核查、违法用海疑点疑区外业现场核查 围填海
下载: 导出CSV
表 3 变化检测样本分类
Table 3 Classification of change detection samples
变化前 变化后 耕地 园地、成林、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 园地 耕地、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 成林 耕地、园地、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 草地 耕地、园地、成林、房屋建筑、道路、构筑物、堆掘地表、幼林、水域、裸露地表 房屋建筑 耕地、园地、成林、草地、房屋建筑、道路、构筑物、堆掘地表 道路 耕地、成林、草地、房屋建筑、道路、构筑物、堆掘地表 构筑物 耕地、园地、成林、草地、房屋建筑、道路、构筑物、堆掘地表、水域 堆掘地表 耕地、园地、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、水域 裸露地表 草地、房屋建筑 水域 耕地、成林、草地、房屋建筑、道路、构筑物、堆掘地表、幼林、裸露地表 幼林 园地、草地、房屋建筑、道路、构筑物、堆掘地表
下载: 导出CSV
表 4 语义分割样本分类
Table 4 Classification of semantic segmentation samples
一级类 二级类 耕地 水田、旱地 园地 乔灌果园、草本果园、藤本果园、茶树、橡胶树、苗圃、花圃、其他园地 林地 乔木林地、竹林地、灌木林地、幼林、迹地、其他林地 草地 天然草地、人工草地、其他草地 房屋建筑 单体房屋、建筑区、厂房 铁路与道路 道路(含城镇村道路)、铁路(含轨道交通) 构筑物 硬化地表、水工设施、温室大棚、工业设施、固化池、其他构筑物 堆掘地表 露天采掘场、建筑工地、人工堆掘地、其他推填(堆)土 裸露地表 泥土地表、岩石地表、砾石地表 水域 河流、湖泊/库塘/坑塘、沟渠、海面
下载: 导出CSV
表 5 场景分类样本分类
Table 5 Classification of scene classification samples
一级类 二级类 工业设施 光伏板 交通网络设施 机场、码头、高速公路出入口、火车站、汽车站、轨道交通站、交通收费站、高速公路服务区 公共服务设施 公园与绿地、足球场、高尔夫球场 围填海 / 湿地 红树林、滩涂、沼泽 岸线 人工岸线、自然岸线
下载: 导出CSV
-
[1] 陶超, 阴紫薇, 朱庆, 等. 遥感影像智能解译: 从监督学习到自监督学习[J]. 测绘学报, 2021, 50(8): 1122-1134. TAO C, YIN Z W, ZHU Q, et al. Remote sensing image intelligent interpretation: from supervised learning to self-supervised learning[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(8): 1122-1134.
[2] 中华人民共和国自然资源部. 关于印发自然资源科技创新发展规划纲要的通知[EB/OL]. (2018-10-16)[2023-12-29]. http://gi.mnr.gov.cn/201811/t20181113_2358751.html. [3] 周培诚, 程塨, 姚西文, 等. 高分辨率遥感影像解译中的机器学习范式[J]. 遥感学报, 2021, 25(1): 182-197. ZHOU P C, CHENG G, YAO X W, et al. Machine lear-ning paradigms in high-resolution remote sensing image interpretation[J]. Journal of Remote Sensing, 2021, 25(1): 182-197.
[4] YAO X W, HAN J W, GUO L, et al. A coarse-to-fine model for airport detection from remote sensing images using target-oriented visual saliency and CRF[J]. Neurocomputing, 2015, 164: 162-172. doi: 10.1016/j.neucom.2015.02.073
[5] CHENG G, HAN J. A survey on object detection in optical remote sensing images[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2016, 117: 11-28.
[6] SZEGEDY C, LIU W, JIA Y Q, et al. Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston: IEEE, 2015: 1-9.
[7] CHEN H, WANG Y, WANG G, et al. Progressive object transfer detection[J]. IEEE Transactions on Image Processing, 2020, 29: 986-1000. doi: 10.1109/TIP.2019.2938680
[8] MILENA R, MCCLELLAND J L. Quasi-compositional ma-pping from form to meaning: a neural network-based approach to capturing neural responses during human language comprehension[J]. Philosophical Transactions of the Royal Society B: Biological Sciences, 2020, 375(1791): 20190313/1-9. doi: 10.1098/rstb.2019.0313
[9] 龚健雅, 许越, 胡翔云, 等. 遥感影像智能解译样本库现状与研究[J]. 测绘学报, 2021, 50(8): 1013-1022. GONG J Y, XU Y, HU X Y, et al. Status analysis and research of sample database for intelligent interpretation of remote sensing image[J]. Acta Geodaetica et Cartographica Sinica, 2021, 50(8): 1013-1022.
[10] 杨娜娜, 张新长, 朱紫阳, 等. 广东省自然资源调查监测分类标准体系研究[J]. 测绘通报, 2021(9): 145-150. YANG N N, ZHANG X C, ZHU Z Y, et al. Classification standard system of natural resources survey and monitoring in Guangdong Province[J]. Bulletin of Surveying and Mapping, 2021(9): 145-150.
[11] YANG Y, NEWSAM S. Bag-of-visual-words and spatial extensions for land-use classification[C]//Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems. New York: ACM, 2010: 270-279.
[12] GONG C, HAN J, LU X. Remote sensing image scene classification: benchmark and state of the art[J]. Proceedings of the IEEE, 2017, 105(10): 1865-1883. doi: 10.1109/JPROC.2017.2675998
[13] XIA G S, HU J, HU F, et al. AID: A benchmark dataset for performance evaluation of aerial scene classification[J]. IEEE Transactions on Geoscience and Remote Sen-sing, 2017, 55(7): 3965-3981. doi: 10.1109/TGRS.2017.2685945
[14] XIA G S, BAI X, DING J, et al. DOTA: A large-scale dataset for object detection in aerial images[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 3974-3983.
[15] LONG Y, GONG Y P, XIAO Z F, et al. Accurate object localization in remote sensing images based on convolutional neural networks[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(5): 2486-2498. doi: 10.1109/TGRS.2016.2645610
[16] TONG X Y, XIA G S, LU Q, et al. Learning transferable deep models for land-use classification with high-resolution remote sensing images[J/OL]. arXiv, (2022-04-22)[2023-12-29]. https://arxiv.org/abs/1807.05713v1.
[17] MNIH V. Machine learning for aerial image labeling[D]. Canada: University of Toronto, 2013.
[18] DAUDT R C, SAUX B L, BOULCH A, et al. Multitask learning for large-scale semantic change detection[J]. Computer Vision and Image Understanding, 2019, 187: 102783/1-10. doi: 10.1016/j.cviu.2019.07.003
[19] ZHU X X, TUIA D, MOU L, et al. Deep learning in remote sensing: a review[J]. IEEE Geoscience and Remote Sensing Magazine, 2017, 5(4): 8-36. doi: 10.1109/MGRS.2017.2762307
[20] 李德仁, 张过, 蒋永华, 等. 论大数据视角下的地球空间信息学的机遇与挑战[J]. 大数据, 2022, 8(2): 3-14. LI D R, ZHANG G, JIANG Y H, et al. Opportunities and challenges of geo-spatial information science from the perspective of big data[J]. Big Data Research, 2022, 8(2): 3-14.
[21] 宋马林, 崔连标, 周远翔. 中国自然资源管理体制与制度: 现状、问题及展望[J]. 自然资源学报, 2022, 37(1): 1-16. SONG M L, CUI L B, ZHOU Y X. Management system and institution of natural resources in China: status, pro-blems and prospects[J]. Journal of Natural Resources, 2022, 37(1): 1-16.
[22] 中华人民共和国自然资源部. 自然资源部关于发布《基础性地理国情监测内容与指标》等12项行业标准的公告[EB/OL]. (2019-12-24)[2023-12-29]. http://gi.mnr.gov.cn/201912/t20191225_2491764.html. [23] 中华人民共和国自然资源部. 自然资源部关于发布《第三次全国国土调查技术规程》《县级国土调查生产成本定额》2项行业标准的公告[EB/OL]. (2019-01-28)[2023-12-29]. http://gi.mnr.gov.cn/201901/t20190129_2391915.html. [24] 中华人民共和国自然资源部. 自然资源部关于印发《国土空间调查、规划、用途管制用地用海分类指南》的通知[EB/OL]. (2023-11-12)[2023-12-29]. http://gi.mnr.gov.cn/202311/t20231124_2807521.html. [25] 广东省市场监督管理局(知识产权局). 广东省市场监督管理局关于《地震预警信息发布》等6项地方标准(报批稿)的公示[EB/OL]. (2023-11-28)[2023-12-29]. http://amr.gd.gov.cn/zwgk/zdlyxxgk/bzgk/content/post_4291208.html.
计量
- 文章访问数: 65
- HTML全文浏览量: 15
- PDF下载量: 46
