本文阐述了遥感影像解译的研究进展，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。
研究背景
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，我国测绘、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。人工智能正成为推动人类进入智能时代的决定性力量，这就需要我们合理结合历史积累数据及地理知识，运用人工智能技术提升遥感影像解译的能力与水平。研究思路
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。在遥感大数据、人工智能发展大环境下，面向全国自然资源调查监测、全国地理国情监测、全国土地利用动态监测与更新、全球地理信息资源建设等重大工程对遥感影像解译的需求，以遥感影像智能解译为突破口，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，以期拓展遥感影像智能解译研究的思路与方法，使智能解译具备地理空间理解能力，直接反映地理空间结构和格局，推动地理知识图谱、深度学习模型的共享与复用，提高遥感影像智能解译的精细程度和智能化水平。图1面向地理场景的遥感影像智能解译框架实验方法
由于先验知识匮乏、信息获取途径单一等因素的影响，单纯依靠同一类型(相同数据源)的遥感影像数据进行解译分析，得到的结果精度往往无法满足需求，且结果形式单一，缺乏符合人类认知的地理知识。未来的遥感影像智能解译机器拥有一个大脑，地理知识图谱就是这个大脑的知识库，如何面向地理场景，从历史解译知识、互联网大数据萃取知识，将这些知识有机融合起来，建立更大规模的地理知识图谱，如何利用知识图谱实现深度知识推理，提高遥感影像精准精细理解与分析能力，是遥感影像智能解译的关键。面向具体地理场景，收集大量资料与数据，梳理和总结相关地理知识，利用本体对地理实体进行本体化表达，通过“数据获取-信息抽取-知识融合-知识加工”形成地理知识图谱，通过语义模型实现地理知识的语义搜索、地理知识推荐、关联分析等。地理知识图谱构建技术流程见图2。图2地理知识图谱构建技术流程
地理知识图谱参与式网络模型构建深度学习潜力无限，由于地物尺度多样性、样本分布不均性、大量样本需求等原因，如何将地理知识图谱与深度学习进行融合，将离散化知识图谱表达为连续化的向量，从而使得地理知识图谱的先验知识能够成为深度学习的输入，是深度学习网络模型构建的难题，此外，利用知识图谱引导深度学习模型学习，弥补深度学习黑盒、实现举一反三更是研究的重点。将数据驱动的深度学习与符号表示的地理知识图谱进行有机融合，设计地理知识图谱参与式的网络模型，技术流程见图3。图3地理知识图谱参与式网络模型构建技术流程地理知识图谱与深度学习模型协同的遥感影像语义分类方法在地理知识图谱、深度学习网络模型研究基础上，首先从人类认知角度，将遥感影像作为一个整体，对影像进行分块，其次利用地理知识图谱参与式的深度学习网络模型进行预测，得到该块的初始语义分类结果，然后利用地理知识图谱对初始语义分类结果进行推理，得到最终分类结果，最后将分块结果进行整合形成整体分类结果，同时得到更全面的地理空间相关知识。图4地理知识图谱与深度学习模型协同的遥感影像语义分类方法研究结果
地表覆盖分类知识图谱示例：图5地表覆盖分类知识图谱示例利用地理知识图谱进行推理与语义搜索，得到该区域的关联语义信息见图6。图6语义信息示例研究结论
遥感影像解译是一个不断发展的研究方向，本文从遥感影像解译单元、分类方法、解译认知三个方面阐述了其研究进展，提出遥感影像智能解译总体框架。随着遥感、地理、人工智能的融合发展，不仅仅要转载请注明：http://www.0431gb208.com/sjszlff/232.html
