遥感影像解译是一个不断发展的研究方向，随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展，亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译，首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展，然后提出了面向地理场景的“地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架，并给出初步试验成果，最后对智能解译的重要发展趋势予以展望，以期拓展遥感影像智能解译研究的思路与方法，提高遥感影像智能解译的精细程度和智能化水平，使智能解译具备地理空间理解能力，推动“数据—信息—知识—智能”的深度转化。
1 引言遥感影像解译是遥感影像应用的核心与关键环节，高效准确的解译技术有助于提高遥感应用水平、拓展应用领域。目前，中国测绘、国土、林业等行业遥感调查与更新仍主要采用人工目视解译的工作方式，耗时、费力而且成本高、周期长，不能满足当前经济社会快速发展对自然资源信息快速提取与更新的迫切需求。自然资源部年印发的《自然资源科技创新发展规划纲要》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”，如何利用已有的多源调查与监测成果，结合最新的高分辨率遥感影像，进行自然资源全要素的快速提取与智能解译是急待突破的一项关键科学技术问题，这就需要我们合理结合历史积累数据、地理知识，运用最新人工智能技术提升遥感影像解译的能力与水平。
从遥感影像解译发展历程来看，遥感影像解译技术经历了人工目视判读、半自动解译阶段，随着日新月异的遥感应用需求、高分辨率遥感卫星的发射、人工智能技术的发展、地理知识的积累、以及历史积累数据的应用，目前正在向自动化智能化方向发展。从影像解译单元看，从像素级向对象级、场景级发展；从分类方法看，从传统监督、非监督分类器向集成学习、深度学习发展；从解译认知看，从智能理解向智能认知发展。
本文的遥感影像特指高分辨率光学遥感影像，具有空间分辨率高、地物几何结构明显、纹理信息清晰、数据量大等特征。
2 研究进展2.1 解译单元：从像素级向对象级、场景级发展从解译单元看，遥感影像解译从像素级向对象级、场景级方向发展，通过影像分割技术得到对象，通过对象之间的空间关联与度量，得到场景，从而实现数据—信息—知识的转化。关系图见图1。
图1“像素级—对象级—场景级”关系图
遥感影像分类是遥感影像解译的常用手段，自70年代初，遥感影像分类的基本单元为单个像素，一系列机器学习方法已被运用到像素级分类中，支持向量机、随机森林、决策树分类器被誉为像素级分类的神器。随着高分辨率遥感影像的不断涌现，像素级分类方法存在着分类特征指标较少，没有充分利用高分辨率遥感影像所能表达的空间、纹理、结构等信息，没有考虑象元大小与地物类别、地块面积的关系，分类结果具有椒盐噪声现象。
年代，对象级分类方法应运而生，成为研究的热点（Blaschke，；Li等，，；Gu等，，；Ma等，；Chen等，），基本思想是，首先通过分割技术得到多边形对象，其次计算对象的光谱、纹理、形状等特征，最后运用分类器实现面向对象分类。具有如下优势：（1）以分割图斑为统计单位，可以充分利用对象本身的信息（如形状、纹理、层次等），对象间信息（与邻近对象、子对象、父对象的相互关系）等特征，丰富的特征描述是降低误判的一个因素；（2）特征提取时只统计边界内的像素，故有效地排除了图斑外像素对分类的干扰，降低了因干扰而产生的误判率。对象级分类的核心是影像分割、特征提取、对象分类，但分割仍然是个病态问题，没有唯一的解决方案，很难验证分割的质量；特征提取也难以确定哪些特征是非常重要的，对象级方法无法表达地理空间相关性及空间格局，因此，影像分割、特征选择成为制约对象级发展的关键因素。
场景分类目前已经成为遥感影像解译技术新的热点（Zhang等，），地理场景是由不同类型地表覆盖对象组成的封闭区域，在同一个地理场景内，同类别对象具有相似的个体特征以及空间分布模式，相同的地物类型通过不同的空间语义关系可以组成不同的高层场景类别（Zhao等，）。场景分类主要包括基于目标空间关系的场景分类、基于中层特征的场景分类、基于深度学习的场景分类。具有如下优势：（1）从地理视角分析遥感影像特征，符合人类认知规律；（2）直接反映空间要素、结构和格局；（3）通过地理场景层次认知与遥感分析，直接分析社会经济问题（Zhang等，；Zhang等，a）。
2.2 分类方法：从传统监督、非监督分类器向集成学习、深度学习发展从分类方法看，从传统监督、非监督分类器向集成学习、深度学习方向发展，见图2。
图2分类方法发展示意图
监督分类方法一直是遥感影像分类的主要方法，优点是可根据应用目的和区域，充分利用先验知识，有选择地决定分类类别；可通过反复检验训练样本，来提高分类精度，但分类系统的确定、训练样本的选择，人为主观因素较强，人力时间成本高。常见分类器有：最大似然、支持向量机、决策树等。机器学习分类器的发展、历史解译数据的运用，多源遥感数据的融合，促使监督分类方法一直是遥感影像分类研究的热点。
非监督分类方法是中低分辨率遥感影像出现时所用的方法，是对没有标识的数据进行学习，从而推断出像素类别。常见分类器有：K均值、迭代自组织数据分析方法ISODATA（IterativeSelfOrganizingDataAnalysisTechniquesAlgorithm）、模糊C均值、均值漂移等。随着高分辨率影像的出现，该类方法缺陷较多，应用较少。
集成学习能够更准确的分出遥感影像中的复杂目标，它是组合多个分类器得到一个更好更全面的分类模型，能够弥补单一分类器的缺陷，主要包括自助聚合（bagging）、提升法（boosting）、堆叠法（stacking）模型混合（Blending）4种算法。Bagging的代表算法有随机森林等，Boosting的代表算法有自适应提升（Adaboost）、梯度提升迭代决策树GBDT（GradientBoostingDecisionTree）、极端梯度提升XGBOOST（eXtremeGradientBoosting）等。Bagging算法是按照有放回、均匀随机抽样获得样本集，构造多个不同模型，通过投票、平均等方式整合不同模型的预测结果。Boosting算法属于迭代算法，先赋予每个训练样本相同的概率，然后进行多次迭代，每次迭代后，对分类错误的样本加大权重，使得在下一次的迭代中更加
转载请注明：http://www.0431gb208.com/sjsbszl/6885.html
