李 波，馮都賢，陳玉杰，龍清成

（1.壽光市地理信息中心，山東 壽光262700；2.中國石油大學（華東）海洋與空間信息學院，山東 青島 266555；3.壽光市不動產登記中心，山東 壽光 262700）

開展自然資源監(jiān)測工作，是各級自然資源部門統(tǒng)一行使全民所有自然資源資產所有者職責和統(tǒng)一行使所有國土空間用途管制和生態(tài)保護修復職責的重要手段。隨著高分遙感技術的發(fā)展，土地利用/覆蓋變化（LUCC）研究有了新的含義[1]，它將是對快速變化的地球表面進行有效利用的重要手段，其目標是輔助對地表的每個地理單元進行精確識別（形態(tài)）、準確判別（類型）、定量計算（指標）、準確推測（趨勢）、有效預防（災害）[2-3]。本文提出的P-LUCC產品及生產線研發(fā)的意義在于解決利用多源異構數據高質、高效地提取和更新地理單元，成為自然資源管理和產業(yè)應用的基礎性產品和技術支撐。

為了順應這種對自然資源常態(tài)化精準監(jiān)測與更新的需求和使命，國務院機構調整并專門整合設立了自然資源部，將與地球環(huán)境相關的地質調查（地質-土壤）、國土空間規(guī)劃（土地資源）、土地調查（土地利用）、國土執(zhí)法（土地覆蓋變化）、專項調查（土地類型）統(tǒng)歸到一起，而這幾類功能有機地組合到一起，正是將以往地球科學中互相割離研究的土壤、土地資源、土地利用、土地覆蓋變化、土地類型（俗稱“五土”）統(tǒng)籌到了一起，這就需要革新技術方法來適應這種變化[4]。

當前主要的調查監(jiān)測手段還是內業(yè)（手工數字化）和外業(yè)（實地考察）結合為主，精度高但效率低、成本高、質量參差不齊[5]。高分遙感時代的信息智能化提取問題難以攻克，對應數據大規(guī)模獲取的信息持續(xù)更新與大規(guī)模服務難以實現，為了提供滿足實際應用需求的精準LUCC，需要突破高分遙感時代下數據在空間和時間變化帶來的復雜性，對高分遙感數據實現的精細化智能提取和提供高效的信息更新服務[6-7]。

遙感影像要素信息解譯成果作為高分遙感向地理空間轉化和應用的基礎信息，是采用微宏觀相結合的分層解構思想，按照從定性到定量的生成邏輯，逐級地將影像所刻畫的復雜地表空間，映射為以地理圖斑為基本單元進行結構重組與圖譜表征的共性數據產品，進一步可通過面向專題的信息提煉與模式挖掘，衍生一系列服務于各領域精準應用的定制化知識產品。以大數據粒計算與綜合地理分析思想為指導，在地理圖斑智能計算理論所構建的三大基礎模型（分層感知、時空協同與多粒度決策）支撐下，設計并研制遙感影像要素信息解譯生產線及其核心工藝流程，其中的關鍵是通過對深度學習、遷移學習與強化學習等機器學習技術的有機融合，實現生產線中多源多模態(tài)信息的時空聚合與有序轉換。本文將以地理學分區(qū)、分層、分級思想為指導，有效組合深度學習、遷移學習、強化學習的機器學習技術，構建LUCC智能化產品生產線，并以此為基礎設計研發(fā)專題產品與生產線，開展縣域的分布式生產與服務實踐。

1 精準土地利用LUCC技術框架

本文利用國產高分辨率遙感影像，結合行業(yè)應用，開展專題產品研究，形成專題信息產品生產線，最終搭建服務平臺以及開展產業(yè)化應用。本文研究內容及整體技術框架如圖1所示。

圖1 主要研究內容及技術框架

1.1 精準LUCC設計思路

相對傳統(tǒng)“堆人”的全人工生產模式，精準LUCC基礎產品生產的顯著特征是“智能化”。秉承“流程清晰、過程可控、工藝先進、質量可查”的數據制造十六字方針，形成一條人機協同的智能化生產線。生產過程中原來需要人工重復勞動的步驟基本都被機器替代，數據生產效率大幅提高，真正實現了“機器干活人檢查”的生產模式。給定任務區(qū)域及該區(qū)域對應的遙感影像，精準LUCC產品識別出區(qū)域內的所有地塊形成矢量圖斑，并按照一定的分類體系為每個地塊圖斑賦予相應的類別屬性。

1.2 精準LUCC生產線

精準LUCC生產線是將地理學分區(qū)/分層/分級的思想、遙感的機理模型與機器學習智能計算方法相緊密結合而設計與實現，以亞米級高分影像為本底輸入，輸出精細圖斑的土地利用和土地覆蓋產品，并可進一步根據需求做產品定制（屬性精化細化、圖斑結構重組、圖形綜合制圖），并在新的觀測和外部數據接入后做出快速的變化更新。

從整體架構上，精準LUCC產品生產線系統(tǒng)的設計將后臺的數據管理、計算工具和任務執(zhí)行與前端的人機交互式操作分離，由統(tǒng)一的工作流進行串聯，分為：數據/計算/任務管理模塊、地理區(qū)塊劃分/影像合成/分層提取/屬性賦值/結構重組/圖斑處理的計算模塊、樣本制作/分區(qū)控制/產品定制的終端模塊、外業(yè)驗證APP等四大部分，精準LUCC產品生產線系統(tǒng)架構如圖2所示。

圖2 精準LUCC生產線系統(tǒng)架構

2 精準LUCC在線服務平臺開發(fā)及縣域示范應用

2.1 精準LUCC在線服務平臺

設計在線LUCC生產平臺方案，實現生產與服務系統(tǒng)，為進一步開展“區(qū)域+專題”產品與服務應用提供支撐。充分吸收和緊密結合分區(qū)/分層/分級的地理學分析方法、深度學習/遷移學習/強化學習的機器學習技術、時空協同反演的遙感機理模型，并將各個功能模塊化、流程化。平臺將有效結合機器學習智能算法、外部知識與資料庫、生產流程管控平臺三大法寶，讓機器逐步學習到外部知識和專家經驗，實現生產線的智能化、高效化。該平臺框架以在線的互聯網影像地圖以及互聯網采集的現勢標注信息為主要的數據來源，搭建精準LUCC在線生產流程，高效地生產更新基礎的全球任意陸地區(qū)域的精準地理圖斑?；诖嘶A產品，開展縣域專題產品設計、生產、服務與應用。在線精準LUCC生產與應用服務平臺如圖3所示。

圖3 在線精準LUCC生產與應用服務平臺

精準LUCC生產與應用服務平臺是專業(yè)用于遙感信息產品的生產系統(tǒng)，是一種數據可視化、信息地圖化的桌面解決方案。利用遙感信息生產軟件，可以實現遙感信息產品的高效、快捷生產，并提高了產品的正確性。該平臺依據地圖及其應用的概念、采用辦公自動化的操作、融合計算機地圖方法、使用地理數據庫技術、加入了地理信息系統(tǒng)分析功能，形成了極具實用價值、可以為各行各業(yè)所用的大眾化小型軟件系統(tǒng)。該平臺一方面提供基本的影像加載、顯示、縮放、漫游功能用于預覽所需處理的數據，還擁有對遙感影像的基本處理能力，包括了對影像矢量化、屬性賦值、對矢量數據的分割合并等操作，這些工具對遙感信息的生產效率有著極大的提升。

2.2 精準LUCC在線服務平臺示范應用

2.2.1 試驗區(qū)簡介

壽光市，是山東省濰坊市代管縣級市，位于山東半島中部，渤海萊州灣南畔，第三次國土調查總面積為199 737.21 hm2，其中，耕地98 576.72 hm2，是“中國蔬菜之鄉(xiāng)”，農業(yè)及蔬菜產業(yè)在全市經濟中占有重要位置，開展耕地變化監(jiān)測及蔬菜大棚精準提取試驗應用具有典型示范意義。

2.2.2 數據源及控制資料

（1）數據源主要采用采購的現勢性為2021年1-12月份的衛(wèi)星影像作為主要數據源，影像分辨率優(yōu)于0.5 m。

（2）地理參考，以山東省壽光市自然資源局提供的山東全省已有的0.5 m分辨率DOM作為參考影像，主要用于衛(wèi)星影像控制點獲取。

（3）高程參考：以測繪院提供的山東全省30 m格網數字高程模型數據，用于衛(wèi)星影像空三加密控制。

（4）其他參考資料：單體建筑掩膜，基于0.8 m衛(wèi)星遙感影像制作的單體建筑掩膜（柵格）數據，用于過濾高層建筑物上的匹配點，提高幾何精度。地表覆蓋掩膜，山東地表覆蓋掩膜（柵格）數據，用于鑲嵌線自動規(guī)避農村建筑區(qū)。

2.2.3 耕地及大棚智能提取

圍繞山東省壽光市耕地地塊（包含種植結構）、大棚等對象的監(jiān)測調查工作開展示范應用，幫助實現農業(yè)產業(yè)結構的常態(tài)化監(jiān)測及評價，是幫助全覆蓋、精準摸清全縣種植結構家底的可行途徑。利用亞米級高分影像提取與更新耕地地塊，利用地面調查手段獲取當年各縣域的種植類型采樣（用以樣本訓練與驗證），利用多期光學影像和SAR衛(wèi)星數據對應種植季特征的綜合分析提取各地塊的種植類型，從而獲得全域覆蓋、精準、及時的種植結構信息。流程如圖4所示。

圖4 耕地生產流程

耕地圖斑為影像上表現出明顯人工耕作特征的土地范圍如圖5所示。

圖5 山東省壽光市耕地地塊智能提取結果

（1）熟耕地、新開發(fā)整理荒地、以農為主的草田輪作地，即常規(guī)耕地（包括在影像中能識別出耕作特征的拋荒地、草地）。

（2）種植以采集果、葉、根、莖、汁為主的集約經營的多年生草本作物，即種植草本作物的園地。

大棚圖斑提取對象為高分影像中表現出明顯大棚特征的圖斑，即從高分影像中能通過紋理、覆膜、框架等邊界識別出的內部精細大棚矢量圖斑。流程如圖6所示，提取結果如圖7所示。

圖6 大棚生產流程

圖7 山東省壽光市大棚智能提取結果

3 結束語

在整個精準LUCC生產流程的設計中，綜合運用了“提取影像時空特征的深度學習”“逐步融入外部知識的遷移學習”以及“驅動生產流程優(yōu)化的強化學習”這三大類機器學習機制，從而協同發(fā)揮了數據粒化、信息重組與知識關聯為一體的大數據智能計算作用。其中，深度學習主要應用于分層感知器中對于地物空間形態(tài)特征的提取，以及時空協同反演中對于地物時序變化特征的分析；遷移學習主要體現在時空協同反演中通過土地覆蓋（LC）反推土地利用（LU）類型，以及多粒度決策器中通過挖掘外部關聯知識推測LU類型；強化學習首先融入分層感知器中對各類網絡內部反饋機制和樣本主動增補機制進行改進，進而協同多粒度決策器將外部增量知識動態(tài)地補充至LU場景，以持續(xù)增強對LU類型的判別以及LC指標的計算。

在圖形的增強方面，主要通過建立針對邊緣、形態(tài)、（大）類型的圖形樣本庫來主動地訓練網絡模型（模擬對遙感影像中地理要素的視覺感知），并有機地集成到制作流程中，并通過GIS后處理算法和人工對圖斑的修正，將結果中優(yōu)選區(qū)域樣本反饋至樣本庫和訓練網絡，實現主動式的增強學習。在屬性的增強方面，針對地理圖斑的功能類型、覆蓋變化指標、資源狀態(tài)和發(fā)展趨勢等四類推演目標，除外部遷移獲得的特征外，需要進一步構建靜態(tài)空間特征（包括強度、密度、鄰近、距離等類型）以及隨部分目標確定后實時計算獲得的動態(tài)特征。其中空間相關特征是基于各地理圖斑與其他圖斑的空間關系來計算得到的特征值（例如緩沖區(qū)內建筑的個數等）；動態(tài)特征則是待確定地理圖斑與周邊已確定地理圖斑間的空間語義關系所計算的特征值，該特征值是會隨著每一次迭代優(yōu)化和確定的目標數增多而動態(tài)調整并代入到下一次迭代計算中去的（這兩種特征進一步融入了GIS空間分析的方法）。在每一次迭代計算的結果輸出后，都會計算各圖斑的結果可靠性，將高可靠性的圖斑標記為確定圖斑，確定圖斑在下一次迭代計算中其結果將不會被改變，除非有強制的判定出現。隨著人工內業(yè)（或互聯網眾包）和外業(yè)調查反饋，對部分目標結果進行修正（懲罰）和確認（獎勵），從而不斷訓練集成分類模型，逐步使結果趨優(yōu)。