留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

精准地理应用驱动的高分遥感协同计算研究

吴田军 骆剑承 赵馨 李曼嘉 张新 董文 郜丽静 王玲玉 杨颖频 赵伟

吴田军, 骆剑承, 赵馨, 李曼嘉, 张新, 董文, 郜丽静, 王玲玉, 杨颖频, 赵伟. 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. doi: 10.13203/j.whugis20220335
引用本文: 吴田军, 骆剑承, 赵馨, 李曼嘉, 张新, 董文, 郜丽静, 王玲玉, 杨颖频, 赵伟. 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. doi: 10.13203/j.whugis20220335
WU Tianjun, LUO Jiancheng, ZHAO Xin, LI Manjia, ZHANG Xin, DONG Wen, GAO Lijing, WANG Lingyu, YANG Yingpin, ZHAO Wei. 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
Citation: WU Tianjun, LUO Jiancheng, ZHAO Xin, LI Manjia, ZHANG Xin, DONG Wen, GAO Lijing, WANG Lingyu, YANG Yingpin, ZHAO Wei. 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

精准地理应用驱动的高分遥感协同计算研究

doi: 10.13203/j.whugis20220335
基金项目: 

国家自然科学基金 42071316

国家重点研发计划 2021YFB3900905

国家重点研发计划 2021YFB3901300

内蒙古自治区科技重大专项 2021ZD0045

重庆市农业产业数字化地图项目 21C00346

陕西省重点研发计划 2021NY-170

长安大学中央高校基本科研业务费 300102120201

详细信息
    作者简介:

    吴田军,博士,副教授,研究方向为遥感大数据智能计算与应用。tjwu@chd.edu.cn

    通讯作者: 骆剑承,博士,研究员。luojc@aircas.ac.cn
  • 中图分类号: P237

Collaborative Computing of High-Resolution Remote Sensing Driven by Fine-Accurate Geographic Applications

Funds: 

The National Natural Science Foundation of China 42071316

the National Key Research and Development Program of China 2021YFB3900905

the National Key Research and Development Program of China 2021YFB3901300

Major Science and Technology Project of Inner Mongolia Autonomous Region 2021ZD0045

Digital Map Project of Chongqing Agricultural Industry 21C00346

Key Research and Development Program of Shaanxi Province 2021NY-170

Fundamental Research Funds for the Central Universities, CHD 300102120201

More Information
    Author Bio:

    WU Tianjun, PhD, associate professor, majors in intelligent computer and application of remote sensing big data. E‐mail: tjwu@chd.edu.cn

    Corresponding author: LUO Jiancheng, PhD, professor. E-mail: luojc@aircas.ac.cn
  • 摘要: 高分遥感智能解译是实现地理信息精细生成与快速更新的重要途径,从基于遥感开展精准地理应用的背景出发,解析了遥感信息产品生产与落地应用中的局限性,阐释了遥感回归地理应用问题的必要性以及其中“精(形态)”“准(内容)”图谱特征耦合的关键性。以地理学指导智能遥感研究为基本认识,提出了基于精细地理场景开展高分辨率遥感地学分析的发展方向和技术思路,以及时空/星地两个层面相协同的智能计算模式,并以中国贵州省关岭县石漠化耕地评价为应用案例,利用分区分层感知/时空协同反演/多粒度决策3个基础模型,在复杂山地区开展精准应用驱动的高分遥感协同计算。结合实验结果,通过对不规则网格空间表达、时序特征多模态重建、多源不确定性解析以及不确定性引导的迭代优化等关键科学问题的探讨分析,给出面向未来的探索方向和研究思路,为地理学指导下的智能遥感研究以及遥感支撑的精准地理应用提出发展路径。
  • 图  1  精准地理应用需求驱动复杂时空格局的层次化解构思路

    Figure  1.  Hierarchical Solution of Complex Geographical Space-Time Pattern Driven by the Application Demand of Fine-Accuracy Geography

    图  2  基于地理图斑的高分遥感协同计算研究框架

    Figure  2.  Research System of High-Resolution Remote Sensing Collaborative Computing Based on Geo-Parcels

    图  3  分区分层感知模型示意图

    Figure  3.  Schematic Diagram of the Zoning-Stratified Perception Model Architecture

    图  4  贵州省关岭县耕地地块分布图

    Figure  4.  Geo-Parcel Distribution Map of Cultivated Farmland in Guanling County, Guizhou Province

    图  5  时空协同反演模型框架示意图

    Figure  5.  Schematic Diagram of the Spatiotemporal Synergistically Inversion Model Architecture

    图  6  贵州省关岭县撂荒地分布图

    Figure  6.  Spatial Distribution Map of Abandoned Farmland in Guanling County, Guizhou Province

    图  7  贵州省关岭县农作物种植结构空间分布图

    Figure  7.  Spatial Distribution Map of Crop Planting Structure in Guanling County, Guizhou Province

    图  8  多粒度决策模型框架示意图

    Figure  8.  Schematic Diagram of the Multi-Granular Decision-Making Model Architecture

    图  9  贵州省关岭县耕地石漠化等级分布图

    Figure  9.  Rocky Desertification Grade Distribution Map in Cultivated Farmland of Guanling County, Guizhou Province

    图  10  贵州省关岭县耕地生态风险分布图

    Figure  10.  Ecological Risk Distribution Map of Cultivated Farmland in Guanling County, Guizhou Province

    图  11  基于多粒度时空对象(地理图斑)的地表格局不规则网格空间表达

    Figure  11.  Spatial Expression of Land Earth Surface Pattern Using Irregular Grids with Multi-Granularity Spatiotemporal Objects (Geo-Parcels)

    图  12  图斑时序特征重建

    Figure  12.  Geo-Parcel-Based Temporal Feature Reconstruction

    图  13  高分遥感协同计算中的多源不确定性分析

    Figure  13.  Analysis of Multi-source Uncertainty in Collaborative Computing of High-Resolution Remote Sensing

    图  14  不确定引导下的迭代优化过程

    Figure  14.  Iterative Optimization Process Under the Uncertainty Guidance

  • [1] 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 Chenghu, Luo Jiancheng. Geoscience Calculation of High Resolution Satellite Remote Sensing Image [M]. Beijing: Science Press, 2009
    [2] 李德仁, 童庆禧, 李荣兴, 等. 高分辨率对地观测的若干前沿科学问题[J]. 中国科学: 地球科学, 2012, 42(6): 805-813 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK201206004.htm

    Li Deren, Tong Qingxi, Li Rongxing, et al. Current Issues in High-Resolution Earth Observation Technology[J]. Scientia Sinica (Terrae), 2012, 42 (6): 805-813 https://www.cnki.com.cn/Article/CJFDTOTAL-JDXK201206004.htm
    [3] 李德仁, 张良培, 夏桂松. 遥感大数据自动分析与数据挖掘[J]. 测绘学报, 2014, 43(12): 1211-1216 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201412002.htm

    Li Deren, Zhang Liangpei, Xia Guisong. Automatic Analysis and Mining of Remote Sensing Big Data [J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(12): 1211-1216 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB201412002.htm
    [4] 李德仁, 王密, 沈欣, 等. 从对地观测卫星到对地观测脑[J]. 武汉大学学报·信息科学版, 2017, 42(2): 143-149 doi:  10.13203/j.whugis20160526

    Li Deren, Wang Mi, Shen Xin, et al. From Earth Observation Satellite to Earth Observation Brain [J]. Geomatics and Information Science of Wuhan University, 2017, 42(2): 143-149 doi:  10.13203/j.whugis20160526
    [5] 张兵. 遥感大数据时代与智能信息提取[J]. 武汉大学学报·信息科学版, 2018, 43 (12): 1861-1871 doi:  10.13203/j.whugis20180172

    Zhang Bing. Remotely Sensed Big Data Era and Intelligent Information Extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43 (12): 1861-1871 doi:  10.13203/j.whugis20180172
    [6] 吴田军, 马江洪. 历史解译知识引导下组合遥感图谱特征的变化检测方法[J]. 地球信息科学学报, 2016, 18(5): 655-663 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201605012.htm

    Wu Tianjun, Ma Jianghong. A Remote Sensing Change Detection Method Combining with Spatial-Spectral Features Under the Guidance of Historical Interpretation Knowledge[J]. Journal of Geo-Information Science, 2016, 18(5): 655-663 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201605012.htm
    [7] 骆剑承, 吴田军, 夏列钢. 遥感图谱认知理论与计算[J]. 地球信息科学学报, 2016, 18(5): 578-589 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201605003.htm

    Luo Jiancheng, Wu Tianjun, Xia Liegang. The Theory and Calculation of Spatial-Spectral Cognition of Remote Sensing[J]. Journal of Geo-Information Science, 2016, 18(5): 578-589 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201605003.htm
    [8] 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 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202101004.htm

    Wang Zhihua, Yang Xiaomei, Zhou Chenghu. Geographic Knowledge Graph for Remote Sensing Big Data[J]. Journal of Geo-Information Science, 2021, 23(1): 16-28 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202101004.htm
    [9] 张洪岩, 周成虎, 闾国年, 等. 试论地学信息图谱思想的内涵与传承[J]. 地球信息科学学报, 2020, 22(4): 653-661 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202004003.htm

    Zhang Hongyan, Zhou Chenghu, Lü Guonian, et al. The Connotation and Inheritance of Geo-Information Tupu[J]. Journal of Geo-Information Science, 2020, 22(4): 653-661 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202004003.htm
    [10] 刘瑜, 郭浩, 李海峰, 等. 从地理规律到地理空间人工智能[J]. 测绘学报, 2022, 51(6): 1062-1069 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202206024.htm

    Liu Yu, Guo Hao, Li Haifeng, et al. A Note on GeoAI from the Perspective of Geographical Laws [J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(6): 1062-1069 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXB202206024.htm
    [11] Toth C, Jóźków G. Remote Sensing Platforms and Sensors: A Survey[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115: 22-36 doi:  10.1016/j.isprsjprs.2015.10.004
    [12] 刘建波, 马勇, 武易天, 等. 遥感高时空融合方法的研究进展及应用现状[J]. 遥感学报, 2016, 20(5): 1038-1049 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201605030.htm

    Liu Jianbo, Ma Yong, Wu Yitian, et al. Review of Methods and Applications of High Spatiotemporal Fusion of Remote Sensing Data[J]. Journal of Remote Sensing, 2016, 20(5): 1038-1049 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB201605030.htm
    [13] Li Z P, Shi H, Vogelmann J E, et al. Assessment of Fire Fuel Load Dynamics in Shrubland Ecosystems in the Western United States Using MODIS Products[J]. Remote Sensing, 2020, 12(12): 1911 doi:  10.3390/rs12121911
    [14] Sá A C L, Benali A, Fernandes P M, et al. Evaluating Fire Growth Simulations Using Satellite Active Fire Data[J]. Remote Sensing of Environment, 2017, 190: 302-317 doi:  10.1016/j.rse.2016.12.023
    [15] Zhang S, Gao H L. Using the Digital Elevation Model(DEM) to Improve the Spatial Coverage of the MODIS Based Reservoir Monitoring Network in South Asia[J]. Remote Sensing, 2020, 12(5): 745 doi:  10.3390/rs12050745
    [16] 骆剑承, 吴田军, 吴志峰. 遥感大数据智能计算[M]. 北京: 科学出版社, 2020

    Luo Jiancheng, Wu Tianjun, Wu Zhifeng. Intelligent Computation of Remote Sensing Big Data [M]. Beijing: Science Press, 2020
    [17] 梁顺林, 白瑞, 陈晓娜, 等. 2019年中国陆表定量遥感发展综述[J]. 遥感学报, 2020, 24(6): 618-671 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202006002.htm

    Liang Shunlin, Bai Rui, Chen Xiaona, et al. Review of China's Land Surface Quantitative Remote Sensing Development in 2019[J]. Journal of Remote Sensing, 2020, 24(6): 618-671 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB202006002.htm
    [18] Zhang H, Sun Y, Shi W Z, et al. An Object-Based Spatiotemporal Fusion Model for Remote Sensing Images[J]. European Journal of Remote Sensing, 2021, 54(1): 86-101 doi:  10.1080/22797254.2021.1879683
    [19] 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 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202001008.htm

    Luo Jiancheng, Wu Tianjun, Wu Zhifeng, et al. Methods of Intelligent Computation and Pattern Mining Based on Geo-Parcels[J]. Journal of Geo-Information Science, 2020, 22(1): 57-75 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202001008.htm
    [20] Li J, Li Y F, He L, et al. Spatiotemporal Fusion for Remote Sensing Data: An Overview and New Benchmark[J]. Science China Information Sciences, 2020, 63(4): 1-17
    [21] Gao F, Masek J, Schwaller M, et al. On the Blending of the Landsat and MODIS Surface Reflectance: Predicting Daily Landsat Surface Reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2207-2218 doi:  10.1109/TGRS.2006.872081
    [22] Li A H, Bo Y C, Zhu Y X, et al. Blending Multi-Resolution Satellite Sea Surface Temperature (SST)Products Using Bayesian Maximum Entropy Method[J]. Remote Sensing of Environment, 2013, 135: 52-63 doi:  10.1016/j.rse.2013.03.021
    [23] Huang B, Song H H. Spatiotemporal Reflectance Fusion via Sparse Representation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50 (10): 3707-3716 doi:  10.1109/TGRS.2012.2186638
    [24] Gevaert C M, García-Haro F J. A Comparison of STARFM and an Unmixing-Based Algorithm for Landsat and MODIS Data Fusion[J]. Remote Sensing of Environment, 2015, 156: 34-44 doi:  10.1016/j.rse.2014.09.012
    [25] 骆剑承, 吴田军, 李均力, 等, 遥感图谱认知[M]. 北京: 科学出版社, 2017

    Luo Jianchen, Wu Tianjun, Li Junli. et al. The Theory of Spatial-Spectral Cognition of Remote Sensing [M]. Beijing: Science Press, 2017
    [26] 吴志峰, 骆剑承, 孙营伟, 等. 时空协同的精准农业遥感研究[J]. 地球信息科学学报, 2020, 22(4): 731-742 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202004011.htm

    Wu Zhifeng, Luo Jiancheng, Sun Yingwei, et al. Research on Precision Agricultural Based on the Spatial-Temporal Remote Sensing Collaboration[J]. Journal of Geo-Information Science, 2020, 22(4): 731-742 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX202004011.htm
    [27] 杨颖频, 吴志峰, 骆剑承, 等. 时空协同的地块尺度作物分布遥感提取[J]. 农业工程学报, 2021, 37(7): 166-174 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202107020.htm

    Yang Yingpin, Wu Zhifeng, Luo Jiancheng, et al. Parcel-Based Crop Distribution Extraction Using the Spatiotemporal Collaboration of Remote Sensing Data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(7): 166-174 https://www.cnki.com.cn/Article/CJFDTOTAL-NYGU202107020.htm
    [28] Dong W, Wu T J, Luo J C, et al. Land Parcel-Based Digital Soil Mapping of Soil Nutrient Properties in an Alluvial-Diluvia Plain Agricultural Area in China[J]. Geoderma, 2019, 340: 234-248 doi:  10.1016/j.geoderma.2019.01.018
    [29] Sun Y W, Luo J C, Xia L G, et al. Geo-Parcel-Based Crop Classification in Very-High-Resolution Images via Hierarchical Perception[J]. International Journal of Remote Sensing, 2020, 41(4): 1603-1624 doi:  10.1080/01431161.2019.1673916
    [30] 梁顺林, 李小文, 王锦地, 定量遥感理论与算法[M]. 北京: 科学出版社, 2013

    Liang Shunlin, Li Xiaowen, Wang Jindi. Theory and Algorithm of Quantitative Remote Sensing [M]. Beijing: Science Press, 2013
    [31] Gessner U, Machwitz M, Conrad C, et al. Estimating the Fractional Cover of Growth Forms and Bare Surface in Savannas, a Multi-Resolution Approach Based on Regression Tree Ensembles[J]. Remote Sensing of Environment, 2013, 129: 90-102 doi:  10.1016/j.rse.2012.10.026
    [32] Yao F, Wu J S, Li W F, et al. A Spatially Structured Adaptive Two-Stage Model for Retrieving Ground-Level PM2.5 Concentrations from VIIRS AOD in China[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 151: 263-276 doi:  10.1016/j.isprsjprs.2019.03.011
    [33] Wei J, Huang W, Li Z Q, et al. Estimating 1-km-Resolution PM2.5 Concentrations Across China Using the Space-Time Random Forest Approach [J]. Remote Sensing of Environment, 2019, 231: 111221 doi:  10.1016/j.rse.2019.111221
    [34] Hrisko J, Ramamurthy P, Yu Y Y, et al. Urban Air Temperature Model Using GOES-16 LST and a Diurnal Regressive Neural Network Algorithm [J]. Remote Sensing of Environment, 2020, 237: 111495 doi:  10.1016/j.rse.2019.111495
    [35] Servera J V, Alonso L, Martino L, et al. Gradient-Based Automatic Lookup Table Generator for Radiative Transfer Models[J]. IEEE Transactions on Geoscience and Remote Sensing, 2019, 57(2) : 1040-1048 doi:  10.1109/TGRS.2018.2864517
    [36] Qiu B, Chen J M, Ju W M, et al. Simulating Emission and Scattering of Solar-Induced Chlorophyll Fluorescence at Far-Red Band in Global Vegetation with Different Canopy Structures[J]. Remote Sensing of Environment, 2019, 233: 111373 doi:  10.1016/j.rse.2019.111373
    [37] Féret J B, Berger K, de Boissieu F, et al. PROSPECT-PRO for Estimating Content of Nitrogen-Containing Leaf Proteins and Other Carbon-Based Constituents[J]. Remote Sensing of Environment, 2021, 252: 112173 doi:  10.1016/j.rse.2020.112173
    [38] Fang H L, Liang S L. A Hybrid Inversion Method for Mapping Leaf Area Index from MODIS Data: Experiments and Application to Broadleaf and Needleleaf Canopies[J]. Remote Sensing of Environment, 2005, 94(3): 405-424 doi:  10.1016/j.rse.2004.11.001
    [39] Malenovský Z, Homolová L, Zurita-Milla R, et al. Retrieval of Spruce Leaf Chlorophyll Content from Airborne Image Data Using Continuum Removal and Radiative Transfer[J]. Remote Sensing of Environment, 2013, 131: 85-102 doi:  10.1016/j.rse.2012.12.015
    [40] Danner M, Berger K, Wocher M, et al. Efficient RTM-Based Training of Machine Learning Regression Algorithms to Quantify Biophysical & Biochemical Traits of Agricultural Crops[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 173: 278-296 doi:  10.1016/j.isprsjprs.2021.01.017
    [41] Fernández-Guisuraga J M, Verrelst J, Calvo L, et al. Hybrid Inversion of Radiative Transfer Models Based on High Spatial Resolution Satellite Reflectance Data Improves Fractional Vegetation Cover Retrieval in Heterogeneous Ecological Systems After Fire[J]. Remote Sensing of Environment, 2021, 255: 112304 doi:  10.1016/j.rse.2021.112304
    [42] Aires F, Pellet V. Estimating Retrieval Errors from Neural Network Inversion Schemes-Application to the Retrieval of Temperature Profiles from IASI[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 59(8): 6386-6396 doi:  10.1109/TGRS.2020.3026944
    [43] Li T W, Shen H F, Yuan Q Q, et al. Geographically and Temporally Weighted Neural Networks for Satellite-Based Mapping of Ground-Level PM2.5 [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 167: 178-188 doi:  10.1016/j.isprsjprs.2020.06.019
    [44] Su X, Wang L C, Zhang M, et al. A High-Precision Aerosol Retrieval Algorithm (HiPARA) for Advanced Himawari Imager(AHI) Data: Development and Verification[J]. Remote Sensing of Environment, 2021, 253: 112221 doi:  10.1016/j.rse.2020.112221
    [45] Sun J, Gong J H, Zhou J P. Estimating Hourly PM 2.5 Concentrations in Beijing with Satellite Aerosol Optical Depth and a Random Forest Approach[J]. Science of the Total Environment, 2021, 762: 144502 doi:  10.1016/j.scitotenv.2020.144502
    [46] Wong P Y, Lee H Y, Chen Y C, et al. Using a Land Use Regression Model with Machine Learning to Estimate Ground Level PM 2.5[J]. Environmental Pollution (Barking), 2021, 277: 116846 doi:  10.1016/j.envpol.2021.116846
    [47] Xia H P, Chen Y H, Li Y, et al. Combining Kernel-Driven and Fusion-Based Methods to Generate Daily High-Spatial-Resolution Land Surface Tem peratures[J]. Remote Sensing of Environment, 2019, 224: 259-274 doi:  10.1016/j.rse.2019.02.006
    [48] Nguyen H H, Cho S, Jeong J, et al. A D-Vine Copula Quantile Regression Approach for Soil Moisture Retrieval from Dual Polarimetric SAR Sentinel-1 over Vegetated Terrains[J]. Remote Sensing of Environment, 2021, 255: 112283 doi:  10.1016/j.rse.2021.112283
    [49] Zheng X M, Feng Z Z, Li L, et al. Simultaneously Estimating Surface Soil Moisture and Roughness of Bare Soils by Combining Optical and Radar Data [J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 100: 102345 doi:  10.1016/j.jag.2021.102345
    [50] Lin J, Lyu H, Miao S, et al. A Two-Step Approach to Mapping Particulate Organic Carbon (POC) in Inland Water Using OLCI Images[J]. Ecological Indicators, 2018, 90: 502-512 doi:  10.1016/j.ecolind.2018.03.044
    [51] Song K S, Liu G, Wang Q, et al. Quantification of Lake Clarity in China Using Landsat OLI Imagery Data[J]. Remote Sensing of Environment, 2020, 243: 111800 doi:  10.1016/j.rse.2020.111800
    [52] Zhang F F, Li J S, Shen Q, et al. A Soft-Classification-Based Chlorophyll-a Estimation Method Using MERIS Data in the Highly Turbid and Eutrophic Taihu Lake[J]. International Journal of Applied Earth Observation and Geoinformation, 2019, 74: 138-149 doi:  10.1016/j.jag.2018.07.018
    [53] Yu X L, Lee Z P, Shen F, et al. An Empirical Algorithm to Seamlessly Retrieve the Concentration of Suspended Particulate Matter from Water Color Across Ocean to Turbid River Mouths[J]. Remote Sensing of Environment, 2019, 235: 111491 doi:  10.1016/j.rse.2019.111491
    [54] Liu X Q, Su Y J, Hu T Y, et al. Neural Network Guided Interpolation for Mapping Canopy Height of China's Forests by Integrating GEDI and ICESat-2 Data[J]. Remote Sensing of Environment, 2022, 269: 112844 doi:  10.1016/j.rse.2021.112844
    [55] Sadeh Y, Zhu X, Dunkerley D, et al. Fusion of Sentinel-2 and Planet Scope Time-Series Data into Daily 3 m Surface Reflectance and Wheat LAI Monitoring[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 96: 102260 doi:  10.1016/j.jag.2020.102260
    [56] Thomas V A, Wynne R H, Kauffman J, et al. Mapping Thins to Identify Active Forest Management in Southern Pine Plantations Using Landsat Time Series Stacks[J]. Remote Sensing of Environment, 2021, 252: 112127 doi:  10.1016/j.rse.2020.112127
    [57] Yang J, Yang R X, Chen M H, et al. Effects of Rural Revitalization on Rural Tourism[J]. Journal of Hospitality and Tourism Management, 2021, 47: 35-45 doi:  10.1016/j.jhtm.2021.02.008
    [58] Ye T T, Zhao N Z, Yang X C, et al. Improved Population Mapping for China Using Remotely Sensed and Points-of-Interest Data Within a Random Forests Model[J]. Science of the Total Environment, 2019, 658: 936-946 doi:  10.1016/j.scitotenv.2018.12.276
    [59] Taubenböck H, Standfuß I, Wurm M, et al. Measuring Morphological Polycentricity-A Comparative Analysis of Urban Mass Concentrations Using Remote Sensing Data[J]. Computers, Environment and Urban Systems, 2017, 64: 42-56 doi:  10.1016/j.compenvurbsys.2017.01.005
    [60] Zhu Z, Zhou Y Y, Seto K C, et al. Understanding an Urbanizing Planet: Strategic Directions for Remote Sensing[J]. Remote Sensing of Environment, 2019, 228: 164-182
    [61] Cai J X, Huang B, Song Y M. Using Multi-source Geospatial Big Data to Identify the Structure of Polycentric Cities[J]. Remote Sensing of Environment, 2017, 202: 210-221 doi:  10.1016/j.rse.2017.06.039
    [62] 梁吉业, 钱宇华, 李德玉, 等. 大数据挖掘的粒计算理论与方法[J]. 中国科学: 信息科学, 2015, 45(11): 1355-1369 https://www.cnki.com.cn/Article/CJFDTOTAL-PZKX201511001.htm

    Liang Jiye, Qian Yuhua, Li Deyu, et al. Theory and Method of Granular Computing for Big Data Mining[J]. Scientia Sinica (Informationis), 2015, 45(11): 1355-1369 https://www.cnki.com.cn/Article/CJFDTOTAL-PZKX201511001.htm
  • [1] 许涛, 张堃, 刘雷, 徐栋.  一种应用协同优化策略的有组织疏散方案 . 武汉大学学报 ● 信息科学版, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
    [2] 上官博屹, 刘威, 乐鹏, 王密, 江昊, 颜哲人.  一种面向空间信息网络的星地协同计算迁移方法 . 武汉大学学报 ● 信息科学版, 2019, 44(3): 459-466. doi: 10.13203/j.whugis20170269
    [3] 郭庆胜, 黄鹤声, 王琳, 刘远刚.  顾及制图规则的地图多要素协同移位方法 . 武汉大学学报 ● 信息科学版, 2018, 43(5): 726-731. doi: 10.13203/j.whugis20160362
    [4] 赵波, 苏红军, 蔡悦.  一种切空间协同表示的高光谱遥感影像分类方法 . 武汉大学学报 ● 信息科学版, 2018, 43(4): 555-562, 604. doi: 10.13203/j.whugis20150579
    [5] 徐丙立, 饶毅, 陈宇婷, 游兰, 林珲.  使用角色构建虚拟地理环境群体协同方法 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1580-1587. doi: 10.13203/j.whugis20160499
    [6] 肖晶, 胡瑞敏.  星地协同的卫星视频高效压缩方法 . 武汉大学学报 ● 信息科学版, 2018, 43(12): 2197-2204. doi: 10.13203/j.whugis20180159
    [7] 袁汉宁, 周彤, 韩言妮, 陈媛媛.  基于MI聚类的协同推荐算法 . 武汉大学学报 ● 信息科学版, 2015, 40(2): 253-257.
    [8] 唐韵玮, 张景雄.  基于面-点协同克里格和多点地统计模拟的遥感影像融合方法 . 武汉大学学报 ● 信息科学版, 2014, 39(7): 856-861.
    [9] 杨靖宇, 张永生, 李正国, 龚辉.  遥感影像正射纠正的GPU-CPU协同处理研究 . 武汉大学学报 ● 信息科学版, 2011, 36(9): 1043-1046.
    [10] 徐丙立, 林珲, 胡亚, 胡明远.  协同式空气污染模拟系统设计与实现 . 武汉大学学报 ● 信息科学版, 2010, 35(8): 925-929.
    [11] 徐卫明, 殷晓冬, 王春瑞.  利用海面传感器网络的协同定位技术 . 武汉大学学报 ● 信息科学版, 2009, 34(12): 1415-1418.
    [12] 李文航, 龚建华, 周洁萍.  协同虚拟地理教学环境的设计与实现 . 武汉大学学报 ● 信息科学版, 2008, 33(3): 289-292.
    [13] 文航, 龚建华, 张利辉, 周洁萍.  面向移动的协同虚拟地理研讨室 . 武汉大学学报 ● 信息科学版, 2007, 32(9): 817-820.
    [14] 刘三超, 柳钦火, 高懋芳.  利用Terra和Aqua双星MODIS数据协同研究沙尘暴 . 武汉大学学报 ● 信息科学版, 2006, 31(12): 1051-1054.
    [15] 谭喜成1, 边馥苓1.  基于本体协同的空间信息互操作方法 . 武汉大学学报 ● 信息科学版, 2005, 30(2): 178-181.
    [16] 张雪松, 边馥苓.  基于工作流的协同空间决策支持系统的研究 . 武汉大学学报 ● 信息科学版, 2004, 29(10): 877-880.
    [17] 牛晓太, 孟波, 杨鏖丞.  基于MAS协同框架的谈判支持系统 . 武汉大学学报 ● 信息科学版, 2004, 29(12): 1119-1122.
    [18] 衣晓, 何友, 关欣.  多模型算法在协同定位中的应用 . 武汉大学学报 ● 信息科学版, 2004, 29(8): 732-735.
    [19] 郑肇葆.  协同模型与遗传算法的集成 . 武汉大学学报 ● 信息科学版, 2001, 26(5): 381-386.
    [20] 程建权, 兰运超, Jan Turkstra.  协同学在可持续土地利用规划中的应用 . 武汉大学学报 ● 信息科学版, 1999, 24(1): 56-59.
  • 加载中
图(14)
计量
  • 文章访问数:  120
  • HTML全文浏览量:  41
  • PDF下载量:  30
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-05-31
  • 刊出日期:  2022-08-05

精准地理应用驱动的高分遥感协同计算研究

doi: 10.13203/j.whugis20220335
    基金项目:

    国家自然科学基金 42071316

    国家重点研发计划 2021YFB3900905

    国家重点研发计划 2021YFB3901300

    内蒙古自治区科技重大专项 2021ZD0045

    重庆市农业产业数字化地图项目 21C00346

    陕西省重点研发计划 2021NY-170

    长安大学中央高校基本科研业务费 300102120201

    作者简介:

    吴田军,博士,副教授,研究方向为遥感大数据智能计算与应用。tjwu@chd.edu.cn

    通讯作者: 骆剑承,博士,研究员。luojc@aircas.ac.cn
  • 中图分类号: P237

摘要: 高分遥感智能解译是实现地理信息精细生成与快速更新的重要途径,从基于遥感开展精准地理应用的背景出发,解析了遥感信息产品生产与落地应用中的局限性,阐释了遥感回归地理应用问题的必要性以及其中“精(形态)”“准(内容)”图谱特征耦合的关键性。以地理学指导智能遥感研究为基本认识,提出了基于精细地理场景开展高分辨率遥感地学分析的发展方向和技术思路,以及时空/星地两个层面相协同的智能计算模式,并以中国贵州省关岭县石漠化耕地评价为应用案例,利用分区分层感知/时空协同反演/多粒度决策3个基础模型,在复杂山地区开展精准应用驱动的高分遥感协同计算。结合实验结果,通过对不规则网格空间表达、时序特征多模态重建、多源不确定性解析以及不确定性引导的迭代优化等关键科学问题的探讨分析,给出面向未来的探索方向和研究思路,为地理学指导下的智能遥感研究以及遥感支撑的精准地理应用提出发展路径。

English Abstract

吴田军, 骆剑承, 赵馨, 李曼嘉, 张新, 董文, 郜丽静, 王玲玉, 杨颖频, 赵伟. 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. doi: 10.13203/j.whugis20220335
引用本文: 吴田军, 骆剑承, 赵馨, 李曼嘉, 张新, 董文, 郜丽静, 王玲玉, 杨颖频, 赵伟. 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. doi: 10.13203/j.whugis20220335
WU Tianjun, LUO Jiancheng, ZHAO Xin, LI Manjia, ZHANG Xin, DONG Wen, GAO Lijing, WANG Lingyu, YANG Yingpin, ZHAO Wei. 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
Citation: WU Tianjun, LUO Jiancheng, ZHAO Xin, LI Manjia, ZHANG Xin, DONG Wen, GAO Lijing, WANG Lingyu, YANG Yingpin, ZHAO Wei. 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
  • 遥感具有覆盖范围广、观测周期快、现势性强和应用成本低等优势,被广泛应用于区域乃至全球资源调查和环境监测领域[1]。随着国家高分专项计划的实施推动,中国逐步发展出了多种特有的高分卫星数据获取手段,在支撑国家和区域重大工程应用方面发挥了重要的数据保障作用。随着数字化转型的深入以及各行业高质量发展对于精准化时空信息支撑的需求日益迫切,如何利用高分遥感数据生成精细而定量的地表要素空间分布及参量变化信息产品,成为突破遥感精准应用瓶颈亟待解决的关键问题[2]

    由于当下行业应用中普遍延续着传统的小数据计算模式,一方面是“大数据,小知识”的困境[3],另一方面未能实现从大规模遥感数据获取到精准化地理信息服务的智能转化,极大限制了遥感应用的广度与深度。因此,由于智能信息提取理论和生产技术不足[4-5],遥感产品在精细的场景构建(可量测)、准确的内容解析(可验证、可优化)以及专题的服务产品(可定制)等方面的综合性能与指标上,尚未达到令用户满意或理解的程度(见图 1),“图-谱”特征分离的窘境仍较为普遍[6-9],地理分析模型和遥感解译技术缺乏互助机制[10],这是脱离实际需求、未在应用问题驱动下开展协同式地理遥感计算分析的必然结果。

    图  1  精准地理应用需求驱动复杂时空格局的层次化解构思路

    Figure 1.  Hierarchical Solution of Complex Geographical Space-Time Pattern Driven by the Application Demand of Fine-Accuracy Geography

    精准化地理信息的获取本质上是要解决复杂地理时空格局的精准解构问题,即地表空间场景的精细表达及其内容的准确解析:(1)地理时空信息的精细性问题,即要解决地表场景的形态化空间表达问题,形成可量测的空间对象及结构。(2)对空间对象的物质成分及变化特征的准确性计算问题,即要解决地表要素的内容解析问题,形成可验证、可优化、可定制的共性产品与专题信息,包括地表场景的类型、指标、结构、状态、趋势等综合要素。解决上述问题的关键在于遥感回归于地理学,并探寻地理学与农学、生态学、计算机科学、数学、物理学、统计学等学科之间的交叉结合点,多学科的融通发展才能推动地理遥感分析朝着更加精准、定量与可解释的方向迈进。

    星空地观测数据的多渠道获取以及智能计算技术的快速发展是求解上述难题的有力支撑,但由于多源卫星遥感、星地观测数据之间时空尺度以及定量成分的不匹配,仅依赖单一平台的数据获取与信息提取,会导致地表要素的信息产品在精细度、可靠性以及变化更新效率等方面均难以满足精准应用的高标准要求。本文结合精准地理应用驱动下对可量测、可验证、可优化、可定制产品的现实需求,认为亟需研究沿着时空-星地协同的路径加强高分遥感智能计算技术,从时空精细化以及内容准度、深度、广度、频度等视角全面提升地表要素空间信息的生产能力和定量应用水平,从计算智能化角度提升信息产品的规模化生成与快速更新能力,以支撑农业农村、自然资源、生态环境、城乡建设等领域的精准化应用场景。

    由此,本文提出高分遥感协同计算的“1234”研究体系,包括1个精准应用驱动、2类协同计算模式、3种基础算法模型、4方面关键科学问题,按照空间、时间、属性的维度,系统探索高分遥感协同计算的可行模式和实施效果,整体梳理相关难点问题并提出重点突破的方向。

    • 多平台成像机制不同、时空分辨率差异等因素使得遥感具有多源多模态的信息互补特性,仅靠单一遥感难以实现精准化对地观测。围绕“精(空间形态)”“准(谱序内容)”的综合应用问题,分别从“时(谱)空”和“星地”两个层面提出协同计算模式。首先,通过时空协同构建可对比的地表要素相对特征量;然后,由星地协同对地表要素的绝对参数进行建模推测,从而为地表时空格局的精准探知提供支撑。本文针对时空-星地两类协同的研究进展和发展动态进行综述。

    • 遥感是能全覆盖、长时序获取地表要素时空信息的唯一观测手段,遥感卫星按照特定的空间分辨率和时间分辨率获取地表观测数据,为地物空间形态和演变过程的综合监测提供有效保障[11]。然而,受星上存储、传感器成像条件、卫星轨道高度等多种因素限制,卫星遥感的空间分辨率和时间分辨率往往无法兼得[12]。高时间分辨率遥感如中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)等,一天可完成两次日间成像,可用于监测地表覆盖动态变化,尤其是短时间内发生的快速变化,例如火灾蔓延、洪涝监测等应用需求[13-15];但其空间分辨率较粗,容易导致混合像元现象,限制了其在高度异质的地表场景中开展精细应用。高空间分辨率遥感如高分二号(GF-2)、WorldView等,可提供米级甚至亚米级的对地观测影像,地物空间定位精确,形态、纹理等细节清晰可见,为地表信息获取并构建精细化空间场景提供了数据支撑[16];高空间分辨率遥感存在成像幅宽窄、重访周期长、光谱通道数少的限制,一年中仅能实现有限次对地的全覆盖成像,且受云雨天气因素等影响,高空间分辨率遥感在连续观测、定量分析等方面缺乏应用潜力[17]。可见,高空间和高时间分辨率遥感在对地表信息的获取方面各具优势和局限性,利用单一遥感数据获取空间尺度精细、更新频次较高的地表信息十分困难。

      为了克服单一遥感数据源时空探测能力的不足,提出了时空协同计算策略,分为数据级融合和特征级协同两大类[18]。数据级融合通过融合高空间分辨率和高时间分辨率的两类数据,产生兼具较高时空分辨率的新数据集[19-20],包括STARFM(spatial and temporal adaptive reflectance fusion model)及其衍生方法[21]、BME(Bayesian maximum entropy)方法[22]、SPSTFM(sparse-representation-based spatiotemporal reflectance fusion model)方法[23]、STRUM(spatial and temporal reflectance unmixing model)方法[24]等。特征级协同基于高空间分辨率遥感提取地物对象的图斑,综合地物的位置、形态、纹理等特征,再以图斑边界作为空间约束,通过对高时间分辨率遥感的特征级融合,重建地物对象的时序特征(例如光谱反射率、植被指数、后向散射系数等)[25]。特征级时空协同计算方法通过提取地物图斑,将地理实体与图斑对象一对一映射,实现对真实世界中复杂地表场景的实体化解构,并与地理信息系统制图分析进行了无缝对接。此外,该方法将图斑对象作为时空分析的基本单元,具有高度的可扩展性,以图斑为容器可快速将多源多模态、多尺度地面数据聚合于同一空间对象,实现多维属性数据的结构化拓展。

      总体而言,特征级的时空协同计算思路兼具灵活性与便捷性,为挖掘精细尺度地物变化特征提供了可行途径,因此可广泛应用于地物覆盖类型判别、变化参数解析等问题[26-29]。综合已有研究,以下针对时空协同的关键问题仍亟待解决:(1)不规则图斑对象与时序遥感数据间的几何空间匹配问题;(2)不规则图斑与时序遥感数据间的尺度差异问题;(3)多类地物的混合特性,导致图斑级时序特征重建的不确定性问题。

    • 随着遥感机理与地学分析研究不断深化,卫星与地面观测协同对地表要素精确反演的模型快速发展,总体可分为统计、机理和混合模型三大类[30]。其中,统计模型将遥感观测的电磁波信号与地表要素的定量指标建立经验统计关系,通过地面实测的少量样点值以点及面推至全域尺度[31-34];机理模型基于遥感物理模型模拟在不同参数取值情况下对地观测,通过对比遥感测定的模拟值与真实值,反演地表参量[35-37];混合模型将上述两种方法耦合,通过统计模型辅助机理模型,从而提升机理模型反演的推广程度与运算效率[38-41]

      从遥感数据获取到处理分析,过程中的每个环节均存在不确定性,且遥感观测的信息量通常为有限或有偏,其特征量难以等价于地表要素的未知参量,因此本质上遥感参数反演为病态问题[30]。为了提升反演模型的可信度,提出了星地协同的思想。卫星观测可实现全覆盖、多时空分辨率的连续观测,通过对多维遥感谱段数据的时空融合与特征变换,相对实现对全域空间上地表物质成分及变化过程的谱序化表征;地面观测可获得离散点位、时间连续、真实测定的绝对值,但难以实现时空上的广域覆盖。以全域而相对的遥感反演模型为基准,将地面观测与模型同化,通过迭代优化与置信校准,逐步逼近参数反演的绝对真值。目前,星地协同的计算模式已在自然资源、生态环境、社会经济等多个领域得到有效应用。

      在大气遥感领域,研究人员结合离散站点测得的大气组分、温度等系列指标,提出了一系列基于多谱段遥感观测的大气参量反演算法,构建光学参数与物理参量的相关关系,实现大气状态的星地一体化联合感知,成功服务于污染物检测、气象预警等任务。对于该领域的星地协同计算,星上数据与下垫面观测的融合模式还不够成熟,且遥感反演模型多从统计学理论驱动,欠缺机理性,地面格网数据、大气模式数据、领域专题模型的相互嵌入深度不足[42-46]

      在土壤遥感领域,研究人员综合利用光学、热红外、合成孔径雷达遥感数据及地面站点测量值,反演土壤湿度、温度、粒径结构等指标,以解决参量分布产品的空间、时间缺失问题,实现不同覆盖条件下土壤状态的精细化、连续性监测。对于该领域的星地协同计算,由于土壤环境复杂、空间异质性显著,且水分、温度等状态指标的时效性强,阻碍了地面测量的系统性开展以及反演模型的泛化推广,因此对遥感观测的时空分辨率及探测机制提出了较高要求[47-49]

      在水环境遥感领域,研究人员融合多光谱遥感及水、陆、空多平台测站数据,实现对水体环境指标、水文动力参数的时空模拟,成功应用于水旱灾害监测、水土流失调查等相关领域。对于该领域的星地协同计算,虽然多源遥感及地面数据相结合有效修正了水体指标反演误差及地形、气象等环境条件的影响,但由于高分传感器的波段局限性,水体遥感常采用具有中红外波段的卫星影像,空间分辨率较低,难以与地面测量值建立时-空-谱的完整对应[50-53]

      在植被参量反演研究中,研究人员通常在目标区域内设立样点/样方,在影像获取的时间节点同步测量植被高度、叶面积指数等生物量指标,融合多源、多尺度遥感数据及农林统计信息,实现株高、叶面积指数等参量的动态变化监测,并提取宏观尺度的植被时空分布结构,成功服务于作物生长状态监测、林业资源管理等任务。对于该领域的星地协同计算,主要是搭建由相对值至绝对值(植被生物量)的映射模型,但生物量地面同步采样的成本较高且时空连续性较差,制约了参量推测的可靠性[54-56]

      此外,星地协同计算的思想还在社会经济相关研究领域有相关应用。此时,地大多为反映区域发展现状的多源统计调查数据,如人口流动、兴趣点(point of interest,POI)、道路交通监控等;星为与人类活动关系相对密切的遥感数据及相关产品,如夜光遥感影像、土地覆盖类型变化信息等。二者相互协同,可实现城市多维结构的动态表征及宏观尺度的社会发展模式分析,为城乡空间规划、国土用途管制等提供数据支撑。对于该领域的星地协同计算,应用潜力巨大但障碍也更为明显。遥感是对地表信息的影像化观测,价值密度有限,难与经济指标、功能语义、人文要素等潜在信息建立直接关联。而且地面数据来源庞杂,模态各异,时空尺度不一,难与前者实现有效特征融合与语义关联[57-61]

      总体而言,星地协同计算在水-土-气-生-人相关的地表参量反演中发挥了关键性作用,但在精细尺度应用中尚存在一些问题需要解决:(1)全域遥感数据与离散地表数据的观测机理不同、模态各异,难以实现无损匹配,且由点至面的叠加过程必定伴随观测数据真实性、语义完整性的削弱;(2)两者协同模式不成熟、不完善,导致多源信息难以实现有效耦合;(3)利用地面数据和遥感数据进行星地协同建模时,缺乏领域先验知识指导,未能充分考虑时空相关性、异质性以及地理环境相似性的一体化嵌入[10]

    • 基于§1中的研究背景和相关进展,本文围绕地理图斑(对象),根据时空-星地协同的计算路线,按照空间-时间-属性维度,研究以分区分层感知、时空协同反演、多粒度决策为基础的计算模型。在精准地理应用需求驱动下,将机器智能、遥感机理、地学分析有机组合,设计了以图斑提取(Mapping)→数据融合(Fusion)→模式挖掘(Relation)为脉络的智能计算框架,体现了粒化-重组-关联路线的大数据计算思维[62],如图 2所示。

      图  2  基于地理图斑的高分遥感协同计算研究框架

      Figure 2.  Research System of High-Resolution Remote Sensing Collaborative Computing Based on Geo-Parcels

      第一个模型面向可量测的目标,依据分区/分层的地理分析方法,进行面向高空间分辨率光学遥感影像的地理图斑提取,形成空间形态精细、土地利用类型明晰的场景图(空间图);第二个模型面向可验证的目标,依据时空协同的计算模式,在图斑场景图上逐步融入高时间分辨率的多源遥感数据开展时空协同反演,从定性到定量地生成覆盖类型、生长指标等内容(特征谱);第三个模型进一步面向可优化/可定制目标,按照星地协同计算模式,在图斑上聚合自然环境、社会经济等多领域的非遥感数据(主要为地面采集的各种观测数据),通过多粒度属性的关联分析,挖掘基于图斑的时空关系(知识图谱),推测场景的功能属性,支撑评价、精算、规划、预测等专题化应用与决策分析。

      因此,整套智能计算模型从空间(精细化)、时间(定量化)、属性(专题化)3个维度挖掘分布、生长、功能、动力等模式[19],对外在的空间场景(图)进行分层解构,对内在的要素内容(谱)开展多级解析,逐步通过图式分析/谱序计算的耦合方式实现复杂地理格局的理解与透视。

    • 分区分层感知是针对地理图斑的形态提取所设计空间维度上的特征解构模型,如图 3所示。首先,针对不同地表环境所呈现地物聚集规律,制定差异化地理分区规则。例如,对于旱作为主的平原种植区域,道路网可作为分区的主控;而对于以水田为主的种植区域,可以兼顾道路与水系实现分区;对于地形起伏的丘陵和山地区域,可以地形线为主控进行耕作区划分。然后,在每个分区内根据建、水、土、生、地等不同类型地物在影像中呈现的视觉差异,分别设计基于边缘、纹理、时序等典型特征的深度提取模型,按照先易(特征显著)后难(特征不显著)的分层顺序进行图斑提取。例如,人工构筑的建筑与农用地在影像中具有更显著特征,相对于自然地物可以吸引更强的注意力,因此可采用边缘、纹理相结合的分割方式予以优先提取;针对自然覆盖形成的林草、岩土等地物,呈现过渡特征,且不同区域间纹理色彩差异较大,难以构建完全统一的提取模型,可通过语义分割与时序反推相结合进行最终提取。总之,分区分层感知的关键在于如何在复杂系统引导下对地表实施微宏观相结合解构,以及在细粒度上针对视觉特征进行机器学习提取算法的设计。

      图  3  分区分层感知模型示意图

      Figure 3.  Schematic Diagram of the Zoning-Stratified Perception Model Architecture

      在分区分层感知模型的实践验证方面,本文以贵州省关岭县为实验区,以GF-2卫星影像为数据底图,基于分区-分层思想探索西南山区复杂场景下耕地地块提取与专题制图。

      1)分区

      针对地形、道路、水文所形成的区位差异,结合山区地貌特征,建立洼谷区(山区较为平缓的局部地带,包含山间河谷、山间构造盆地)、缓坡区(坡度低于25°的区域,与洼谷区接壤的地区)、陡坡区(坡度大于25°的地区,分布于山腰与山顶间)以及林草区(大片林草接壤区域)4种地理分区控制网。

      2)分层

      针对耕地在影像上所呈现的形态、光谱、纹理等视觉差异,将耕地划分为平缓耕地层、细碎狭长耕地层、边缘模糊耕地层,进而分别构建边缘、语义、纹理等主题的深度学习模型,将其应用于差异化的各区域后逐层提取地块,最终获得关岭县近27万块耕地(见图 4),底图来源国家标准地图服务(http://bzdt.ch.mnr.gov.cn/index.html)。

      图  4  贵州省关岭县耕地地块分布图

      Figure 4.  Geo-Parcel Distribution Map of Cultivated Farmland in Guanling County, Guizhou Province

    • 时空协同反演模型是面向地表要素时空信息提取与地表过程动态监测的时间维解析模型。该模型综合利用高空间与高时间分辨率的对地观测数据,实现空间结构-时序演化耦合的要素反演,深度挖掘对地观测大数据时空图谱特征与动态演化模式,在空间结构视觉感知基础上进一步对其功能指标进行精准计算,旨在突破由单一数据源时空尺度限制导致的技术瓶颈,为高频、动态的地表过程监测提供数据支撑。

      图 5所示,时空协同反演模型在分区分层感知模型提取地表要素图斑的基础上,以图斑为观测单元,在统一的时空基准下协同多源的光学遥感、合成孔径雷达(synthetic aperture radar,SAR)遥感与物联网站点监测数据,构建图斑尺度的高时间分辨率时序谱特征,经过机器学习、物理机理、数据同化等分析模型,实现图斑尺度的覆盖类型判别、定量指标计算和变化过程反演。对于上述计算流程,关键技术包括多尺度数据高精度协同处理、时空信息融合与时序谱重建、图斑覆盖类型判别、多源遥感协同的定量指标计算等。例如通过超分辨率重建或光谱指数(例如归一化植被指数(normalized difference vegetation index,NDVI)计算与数据有效处理,获得具有空间碎片化、时间序列化特点的有效特征数据集。

      图  5  时空协同反演模型框架示意图

      Figure 5.  Schematic Diagram of the Spatiotemporal Synergistically Inversion Model Architecture

      在时空协同反演模型的实践验证方面,本文针对中国贵州省关岭县的耕地开展了撂荒地的识别研究。首先,结合喀斯特山区种植制度和种植行为特点,基于耕地状态的物候时间分割方法,利用实地采集的撂荒地先验知识,设计地块尺度耕地撂荒对应的时相进行时段划分,分析各个片段的连续性,进而提取地块尺度的耕地撂荒信息,最后获得研究区2020年撂荒地块10 975块(如图 6所示),均匀分布于整个研究区,地块数量占总的耕地比例为4.25%,面积占比3.19%。

      图  6  贵州省关岭县撂荒地分布图

      Figure 6.  Spatial Distribution Map of Abandoned Farmland in Guanling County, Guizhou Province

      此外,利用时空协同反演模型进行了关岭县耕地的农作物分类研究,基于高分影像提取精确的耕地地块作为边界约束,利用半变异函数计算SAR影像纹理时序特征,逐地块构建纹理时间序列曲线。利用随机森林算法对2021年研究区的玉米、水稻、烟草、蔬菜、油菜开展分类,得到一期农作物种植结构分布图,如图 7所示。由图 7可知,2021年研究区主要种植农作物为蔬菜,耕地地块数量占比37.39%,面积占比37.30%;其次为玉米,地块数量占比20.70%,面积占比19.93%;水稻种植地块60 213块,数量占比30.39%,面积占比31.54%;烟草种植地块数量占比0.96%,面积占比1.03%。

      图  7  贵州省关岭县农作物种植结构空间分布图

      Figure 7.  Spatial Distribution Map of Crop Planting Structure in Guanling County, Guizhou Province

    • 多粒度决策模型是针对评价、精算、规划、预测等行业应用开展基于地理图斑的决策分析与专题制图所提炼的属性维解析模型。该模型在图斑单元上进行多维属性的关联计算、空间优化以及驱动力解析,模型框架如图 8所示。首先,利用揭示地表自然环境演变与社会经济活动规律的多模态数据扩展以图斑为单元的多元属性,集成地面/近地面观测(静态/动态)数据获取决策导向和依据;然后通过行业专家知识或挖掘关联模式(专家智能+机器智能)搭建显式或隐式的决策模型,汇聚人机智能形成专题化知识谱,推算图斑内在隐含信息,实现定量化、多目标的复杂地表时空分异探测与优化。其关键技术包括多源多模态数据与地理图斑之间的尺度转换、同化、插值及时空聚合,图斑属性与属性间的模式挖掘与关联推测,图斑与图斑之间的空间关联、分异探测及结构重组,行业知识引导下的图斑决策规则集或专家模型构建等。

      图  8  多粒度决策模型框架示意图

      Figure 8.  Schematic Diagram of the Multi-Granular Decision-Making Model Architecture

      在多粒度决策模型的实践验证方面,本文进一步对贵州省关岭县开展山区石漠化耕地风险量化的决策分析。石漠化现象是土地荒漠化的一种类型,其发生往往伴随着土地退化,同时影响耕地的承载力、生产力、持水性以及聚集程度。本文实验在耕地图斑面状形态约束下,结合西南山区特点,将地形坡度、岩石裸露度、植被覆盖度、土壤类型、土壤有机质5种石漠化因子评价指标数据进行基于图斑单元的信息重组,构建形成了石漠化耕地质量评价体系,据此制作了关岭县石漠化耕地分布图(见图 9)。统计分析后得到石漠化耕地面积约1.1 km2,占研究区总耕地的29%,多分布于坡地种植区。

      图  9  贵州省关岭县耕地石漠化等级分布图

      Figure 9.  Rocky Desertification Grade Distribution Map in Cultivated Farmland of Guanling County, Guizhou Province

      在此基础上,进一步通过均值统计、空间插值、叠加分析等方法,将施肥量、道路、水源、居民地等指标在石漠化耕地的图斑单元上进行聚合重组,通过风险评价模型计算得到石漠化耕地的生态风险程度,结果如图 10所示,发现石漠化的出现增加了耕地自身及周边环境的生态风险。

      图  10  贵州省关岭县耕地生态风险分布图

      Figure 10.  Ecological Risk Distribution Map of Cultivated Farmland in Guanling County, Guizhou Province

    • 基于§1、§2的方法总结与应用实践,对遥感协同计算中值得进一步研究的问题进行梳理,将其归纳为感(Mapping)、联(Fusion)、知(Relation)、控(Optimization)4个方面。

    • 地表是地理现象发生、发展的载体,如何对复杂地表场景进行合理、系统的空间表达,关乎地理精准应用的深度和广度。目前常用的表达方式是基于规则的地理格网,即依据统一规则,将地面区域按照一定经纬度或地面距离进行分割,形成多个连续的规则多边形格网单元,该方式实现了对地表空间的离散化表达,为多源、多尺度海量信息的协同分析提供了统一载体,并将空间不确定性控制在一定范围内,因此在人口与社会经济统计、地理国情监测分析等领域取得了较好发展。然而,随着应用需求的深化,传统基于规则网格的空间表达方式难以对复杂地表进行精细化表达,存在与真实地理实体相脱节,导致计算过程不可控、结果难以被验证等缺点。具体来说,存在以下问题:(1)不真实,以规则格网(像元)为基本单元的表达模式难以对复杂地表进行精细化表达,与真实地理单元相脱节;(2)不精细,从米级到公里尺度空间分辨率规则格网(像元)内,存在的多种地物要素的混合是不确定的;(3)不可控,从多源数据与格网时空融合的源头开始,不确定性是在不断传递中累积的,导致计算过程难以收敛而不可控;(4)不可信,规则格网与地理环境信息、领域专家知识等相脱节、难以耦合的,其结果不能有效验证而不够可靠。

      基于此,能否基于全覆盖、多模态、持续更新的对地观测大数据,构建不规则格网系统(图斑形态-类型-参数),以实现对复杂地表场景的格局表达与多粒度计算是驱动地理精准应用的关键。根据工程实践中的经验,地表不规则格网表达需要在地理学思维引导下,将复杂地表通过功能图斑、实体图斑以及多模态特征耦合的多粒度时空对象表达模式来实现,见图 11

      图  11  基于多粒度时空对象(地理图斑)的地表格局不规则网格空间表达

      Figure 11.  Spatial Expression of Land Earth Surface Pattern Using Irregular Grids with Multi-Granularity Spatiotemporal Objects (Geo-Parcels)

      相较于传统格网,不规则格网表达和应用具有以下4方面的优势:(1)每个规则格网单元所覆盖的地表是一种混合类型,对应在遥感影像上为混合像元,而不规则格网以多粒度时空对象(图斑)作为最小单元,对应真实空间的地理实体,因此对象内部的均质性更强;(2)由于规则格网所对应地表类型不唯一,导致对地表参数解算只能是全域的、混合的,而不规则格网可以弥补上述缺陷,通过局部空间约束下的多模态数据协同计算实现精准、定量的参数解算;(3)规则格网单元与真实的地理实体不对应,造成影像空间与地理空间相脱节,而不规则格网是以地理空间实体为目标,旨在实现影像空间与地理空间的一一映射,因此更符合人们认知习惯;(4)由于规则格网单元对应地表类型的混合性、参数解算的不精确性,导致计算过程不可控、计算结果难验证,而不规则格网表达方式则有效弥补了上述缺陷,促使计算过程收敛、结果可信。

      综上所述,基于图斑的不规则格网系统将是未来地表空间表达的主要方向,也是驱动精准地理应用的基础和关键。复杂地表空间不规则格网精准表达与精细构建中所涉及的人如何结合环境依存关系、相互作用关系、粒度包含关系发展地理场景自适应分区、地表类型分层提取以及基于不规则格网的多源多模态信息聚合等技术,值得深入研究。

    • 图斑时序特征重建是时空协同计算的关键环节,通过时序特征重建,为图斑覆盖类型判别、定量指标反演、地表过程高频监测提供高频数据基础。时序特征重建的数据来源通常包括遥感影像(例如多光谱影像)和高级定量产品(例如叶面积指数、地表温度等),时序特征重建的研究点包括多源遥感数据预处理、多尺度遥感数据与不规则图斑的空间尺度匹配、时序观测特征重建与缺失值填补、重建结果不确定性评价等。

      时序特征重建需要重点解决的关键问题如图 12所示,包括:(1)在时序特征重建时,协同利用多源卫星数据是提高观测频次的有效手段,如何降低多源遥感数据间的几何、辐射差异是时序特征重建的基础和前提;(2)时序重建涉及多源卫星观测,除几何、辐射等预处理外,不同卫星数据之间以及卫星数据与不规则图斑之间存在一定的尺度差异,如何实现卫星观测规则像元级和图斑不规则形态之间的尺度匹配是开展图斑级时序观测的重要问题;(3)光学、热红外遥感成像常常受云雾覆盖遮挡,导致时序特征观测过程中存在大量观测数据缺失,如何协同微波数据或加入地表过程等先验知识对缺失观测值进行填补,是提升时序特征重建精度的有效手段;(4)在图斑尺度时序特征重建过程中,如何定量评价重建结果的不确定性,给出刻画不确定性的定量指标同样关键,这将为分析图斑尺寸、形态、观测密集程度对时序特征重建结果的影响提供量化保障。

      图  12  图斑时序特征重建

      Figure 12.  Geo-Parcel-Based Temporal Feature Reconstruction

    • 地表是一个由大气、水、生物和岩石四大圈层相互作用和交融形成的一个复杂系统。遥感对地观测驱动下,协同多源时空数据实现对地表现象、过程和格局的认知实际上是一个将真实地理空间映射到二维影像空间,再通过多维度数据综合还原构建信息空间的过程。在这一过程中,从数据获取、转换、处理到解译的方法构建、信息评估等各个环节都不可避免地引入不确定性,并不断传播和累积。

      在数据层面,从真实地理场景到遥感影像空间的不确定性主要源于两个方面:(1)传感器系统的随机波动、观测时的太阳与大气状态扰动、地形地貌对探测信息的影响等客观因素造成的几何及辐射信息失真与缺失;(2)由于离散化的数据记录方式与复杂地表连续波谱特征之间的不匹配造成的普遍存在的同谱异物、同物异谱和混合像元现象。

      在信息层面,从遥感影像空间到地理信息空间认知过程的不确定性主要源于以下3个方面:(1)遥感影像数据处理中为了校正传感器和成像条件的影响,由于地面控制点或定标点的误差引入的不确定性;(2)基于遥感数据构建的信息提取方法与评价,需要建立的基础假设(如平稳性假设、样本独立同分布假设等)与地面真实不符,由此引入信息的不确定性;(3)在地理空间信息的还原和认知过程中,将进一步综合协同多源、多模态、多类型、多尺度的静动态数据,由于数据获取和发布方式使得辅助数据的质量本身就在偏度、精度等方面存在较大的不确定性,同时由于数据时空粒度、尺度、广度、密度的差异,在处理和匹配过程中将进一步引入分析的不确定性。

      遥感信息解译过程是一个通过各类技术手段关联相关数据和知识不断降低不确定性,使得分析结果不断逼近真值的过程。因此,面向行业应用,开展多源不确定性的解析与定量化评价对于提升成果的精准性和应用价值具有重要意义。而互补特征的及时洞察与针对性运用对提升遥感计算至关重要,使用单一信息源,势必会影响信息的可靠性。

      综合以上分析,在本文构建的基于地理图斑的高分遥感协同计算框架下,如何基于图斑表达的不规则格网系统融合多源多模态数据并进行关联分析显得尤为关键。如图 13所示,可以将多平台卫星遥感(多光谱、高光谱、热红外、SAR等)以及近地面航拍、地面物联网、人工调查等多观测手段获取的不同内容、格式、时空分辨率、质量的数据,通过图斑的一体化容器进行有序汇聚,并在其精细空间形态约束下利用空间化、指标计算、叠加分析、尺度转换等方式提升地形地貌、气候气象、土壤水文、地理区位等属性的表征确定性,进而通过图斑尺度上“多而全”的结构化特征表达,为实现准确的关联分析提供必要基础。

      图  13  高分遥感协同计算中的多源不确定性分析

      Figure 13.  Analysis of Multi-source Uncertainty in Collaborative Computing of High-Resolution Remote Sensing

    • 遥感制图成果的质量评估与提升是智能遥感计算需要关注的第4个关键问题。与传统单值刻画的总体精度表达方式不同,采用空间全域覆盖进行不确定性度量是解决空间信息成果含糊不清、偏差难可视的有效手段,也是进行后续目的性补样和可控优化的重要辅助。另一方面,依据空间认知规律,单次计算往往难以得到高质量的遥感解译成果,基于高分遥感获取精准的地理信息不是一蹴而就的,制图成果质量的提升必是一个渐进式优化过程,需要有领域专家知识的及时评判修正以及强化学习机制的引入,这是一个客观规律。

      因此,在精准地理应用需求的驱动下,智能遥感计算过程要充分探究如何结合源数据数量、质量以及计算过程给出不确定性度量,并据此设计可操作的目的性补样方案,并通过自适应算法的调控,及时反馈人机交互的专家“订正”知识以及地面补样测点的信息增量,从而借助人机智能的混合和模型的迭代增强,促使遥感制图产品在详度和精度上的稳步提升。对此,本文提出在计算流程上要进一步设计基于知识迁移和增强学习的迭代优化机制,考虑将经验知识以信息增量的方式融入到遥感信息的趋优过程之中。通过在计算模型中设计开放的外部接口,将专家会商或地面验证等渠道获得对模型输出的校验知识迁移至新一轮模型计算中,更迭后驱使模型增强优化,进而提升遥感信息的确定性与置信度,形成可控的计算机制和可信的制图成果。

      获取图斑级地理空间信息的模型迭代优化过程及关键问题如图 14所示。首先,建立人-机-环境的互馈机制和串联流程,实现将专家订正的经验化、碎片化知识转化模型迭代的增量信息;然后,研究图斑尺度的制图不确定性空间分布(置信度),据此形成查询函数,在趋优目标引导下实施新一轮补样规划,并将新增样本、内/外动力表征数据以高权重和重要性的方式参与模型的更新,达到优化制图结果的目标,实现人-机-环境交互的强化学习。

      图  14  不确定引导下的迭代优化过程

      Figure 14.  Iterative Optimization Process Under the Uncertainty Guidance

      围绕不确定性引导的迭代优化流程,可进一步探析的问题包括面向目标问题的不确定性度量设计、基于推测不确定性的补样目标函数构建、地理知识图谱/行业专家知识的嵌入、基于补样/订正增量信息的自适应强化学习、贝叶斯框架下的推测不确定性变化过程解析、不同补样方法/学习模型对推测精度的影响等。

    • 为适应当前国家重大战略工程建设以及各行业高质量发展的精准应用要求,以时空分辨率和可信度作为关键指标的精细化地理信息产品需求迫切。针对基于高分遥感开展精准地理信息智能提取的问题,本文首先通过对其供需脱节、应用滞后的症结分析,提出在遵循复杂系统解构思想和时空-星地协同计算模式的基础上,构建以精细的场景构建(可量测)-准确的内容解析(可验证、可优化)-专题的产品服务(可定制)为路线的遥感智能计算的整体框架,梳理了空间-时间-属性3个维度上分别建模的相关进展,并通过贵州关岭县的农业遥感应用案例,简要介绍了以地块图斑为单元的智能遥感的基础算法模型,初步体现了精细化、定量化、专题化于一体的精准遥感服务能力。分析了不规则网格空间表达、空间约束的时序特征重建、多源不确定性分析、不确定性引导的迭代优化等4个方面的关键科学问题。

参考文献 (62)

目录

    /

    返回文章
    返回