高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究

高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究 Research on intelligent calculation model and method of precision land use/cover change information driven by high-resolution remote sensing 1 2 first-author 骆剑承，1970年生，男，研究员，研究方向为遥感大数据智能计算与地学分析。E-mail：luojc@aircas.ac.cn 骆剑承，1970年生，男，研究员，研究方向为遥感大数据智能计算与地学分析。E-mail：luojc@aircas.ac.cn luojc@aircas.ac.cn 1 corresp 胡晓东，1982年生，男，助理研究员，研究方向为遥感信息智能提取与自适应计算。E-mail：mydonne@163.com 胡晓东，1982年生，男，助理研究员，研究方向为遥感信息智能提取与自适应计算。E-mail：mydonne@163.com mydonne@163.com 3 1 2 4 4 5 1 2 1 2 1 1 2 中国科学院空天信息创新研究院 遥感科学国家重点实验室, 北京 100101 中国科学院空天信息创新研究院 遥感科学国家重点实验室, 北京 100101 State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China 中国科学院大学, 北京 100049 中国科学院大学, 北京 100049 University of Chinese Academy of Sciences, Beijing 100049, China University of Chinese Academy of Sciences, Beijing 100049, China 长安大学 理学院, 西安 710064 长安大学 理学院, 西安 710064 School of Science, Chang’an University, Xi’an 710064, China School of Science, Chang’an University, Xi’an 710064, China 浙江工业大学 计算机学院, 杭州 310023 浙江工业大学 计算机学院, 杭州 310023 College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China 中国农业科学院农业资源与农业区划研究所 农业部农业遥感重点实验室, 北京 100081 中国农业科学院农业资源与农业区划研究所 农业部农业遥感重点实验室, 北京 100081 Key Laboratory of Agricultural Remote Sensing (AGRIRS), Ministry of Agriculture and Rural Affairs/Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China Key Laboratory of Agricultural Remote Sensing (AGRIRS), Ministry of Agriculture and Rural Affairs/Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081, China 通过对地观测可在影像空间上全面反映地表地理现象、格局及演化过程，基于遥感数据提取的土地利用与覆盖变化（LUCC）产品为分析地理要素空间分布规律及其变化机制提供全覆盖、定量化和快速更新的本底信息。本文以高分辨率遥感视觉特征（图）与多源多模态观测机理特征（谱）相互耦合的图谱认知理论研究为基础，提出了精细地理图斑空间结构（精）上融合定量指标反演模型（准）的精准LUCC简称P-LUCC（Precision LUCC）的概念，并依据“五土合一”的地理学思想构建了分层感知、时空协同与多粒度决策于一体的P-LUCC遥感信息智能提取与综合地理应用方法，提出并解析了其中视觉感知的深度学习、外部知识逐步融入的迁移学习以及增量式的自组织强化学习等3类机器学习模型的协同计算机制。基于此，进一步设计了“分区控制—分层提取—分级迁移—功能重组”为途径的高分辨率遥感P-LUCC信息产品生产线系统，并以苏州市高新区为应用区域针对土地利用（LU）图斑的形态、类型以及土地覆盖变化（LCC）的指标等内容开展了P-LUCC产品精度、生产效率的综合分析，展望了基于P-LUCC信息产品开展专题应用研究的新思路。 Through the earth observation, the geographical phenomena, patterns, and evolutionary processes on the earth’s surface can be fully reflected by the earth observation of remotely sensed imageries. The Land Use/Cover Change (LUCC) products from the High-resolution Remote Sensing (HSRS) data can provide full coverage, quantitative, and fast-updating background information for analyzing the law of spatial distribution of geographic features and their changing mechanisms. The development of HSRS is deeply driving the accuracy of LUCC information. At present, from the implementation effect of major survey projects such as national geographic conditions survey and natural resources survey deployed at the national level, the industrial production of LUCC information can be realized through the combination of human-computer interaction, in-house interpretation, and field survey. The development of high-resolution remote sensing is deeply driving the accuracy of LUCC information. How to improve the intelligent productivity of LUCC products through the innovation of theory and technology is an important bottleneck and key challenge. In the previous research, we put forward the basic concept of geo-parcel/geo-object based on the experience and mode of LUCC production in the departments of land investigation, and determined that the high-precision-level LUCC production is a gradually deepening cognitive process from external visual understanding to internal mechanism analysis. Therefore, this paper takes the geo-parcel as the basic unit of the cognition of land information of earth's surface, and further clarifies the meaning and geographical characteristics of LUCC. Based on the above background, we proposed a new concept of Precise LUCC (P-LUCC) in this paper, which integrates (accurate) quantitative index inversion model on the spatial structure of (fine) geo-parcels. First, this concept is a derivative of our developed spatial-spectrum cognitive theory, which is achieved by coupling HSRS visual features (TU-spatial maps) with multi-source and multi-modal observation mechanism features (PU-spectrum). Moreover, based on the geographical idea of “the unity of five land features”, we further proposed a series of intelligent remote sensing information extraction methods for P-LUCC production. They are organized hierarchically in three kinds of models, i.e. stratified perception model, spatiotemporal synergistically inversion model, and multi-granular decision-making model. In this aspect, we analyzed the cooperative computing mechanism of three types of machine learning models, namely deep learning for visual perception, transfer learning of external knowledge integration, and reinforcement learning via incremental self-organizing. Multi-type learning algorithms based on these mechanism are organized and transformed organically by using the route of “zoning partition-stratified extraction-graded transfer-functional reconstruction”. Thus, we designed a P-LUCC product production line for an information system of HSRS intelligent interpretation. Experiments were performed in the Suzhou High-tech Zone, China, and the accuracy and production efficiency of P-LUCC products were analyzed comprehensively. Through this large regional experimental verification, we show that our proposed technology has obvious advantages in the production accuracy and efficiency of LUCC products. Finally, we also provide some new ideas on thematic application based on P-LUCC information products. In conclusion, this intelligent production mode is worthy of popularization and application in engineering natural resources survey. 地理图斑/图谱 精准LUCC（P-LUCC） 五土合一 机器学习 智能计算 空间优化 geo-parcel/TUPU precision LUCC the unity of five land features machine learning intelligent computing spatial optimization 1　引言 1 因人类活动而快速变化的地球表层为地理科学研究和应用迎来了新的挑战与机遇（ 傅伯杰，2017 傅伯杰，2017 ）。土地利用与覆盖变化（LUCC）信息是分析地理要素空间分布规律及其变化机制的共性数据产品，反映了地表时空演变过程中人类活动与自然环境相互作用与反馈的机理。对地观测是全面、真实、快速记录地球表层地理现象、过程与格局的最重要途径，以遥感为主要数据源生成的LUCC信息产品，一直以来都是开展地表资源环境调查与变化更新的主要手段。伴随着遥感技术的发展，LUCC研究的概念内涵及方法体系也得以不断拓展。 近年来，遥感技术在空间、时间、辐射等诸方面对地观测能力都在不断增强，尤其是视觉上能清晰辨识人类活动痕迹的高空间分辨率遥感技术取得了快速的发展，通过“几何定位—辐射量值—有效像元—合成影像”四位一体的综合处理（ 骆剑承 等，2016a 骆剑承 等，2016a ）已经在基础数据层面为精准LUCC的生产与应用夯实了可全球覆盖、持续更新的高分影像基准。从若干次国家层面部署的地理国情普查与自然资源调查等重大工程的实施效果来看，通过人机交互内业解译和野外调查相结合的作业方式可实现工厂化生产形态清晰、类型全面的LUCC信息，并通过在各领域的实际应用，一定程度上论证了基于遥感开展细致而精确的地表调查和环境分析工作已经具有不可替代性，高分遥感的发展正深刻驱动着LUCC信息的精准化。 地表LC和LU都具有高度的复杂性（ 蔡运龙，2001 蔡运龙，2001 ），因此上述面向国土资源详查的精准LC或LU信息生产主要依赖于人机交互判读的作业方式，一方面其人力和时间成本巨高，信息变化更新的周期缓慢，另一方面其图斑形态并未精细到真实地表实体层级，造成多源数据与图斑融合时的基准存在模糊现象，因此其信息精度上仍然难以满足诸多领域开展精准应用的实际需求。为了解决上述问题，驱动机器模拟并超越人工目视解译过程以实现对LUCC信息的智能化提取，一直是遥感领域永恒不变的研究热点。 本文以“全覆盖、多源协同、快速计算和价值密度提升”为特征的地理时空大数据思想为指导，通过揭示多源遥感外在空间结构（图）与内在发生机理（谱）耦合的认知机制，紧密结合地理分析方法、机器学习技术与遥感机理模型，发展遥感影像空间与真实地理空间之间由“粒化—重组—关联”协同的智能计算理论与方法，设计精细到每一个地理实体（图斑）的精准LUCC生产线系统，并展望了基于精准LUCC信息产品开展专题应用的研究构想。 2　P-LUCC研究问题提出 1 2.1　遥感LUCC信息提取研究综述 2 土地利用与覆盖变化（LUCC）信息产品可分为面向大区域生态环境监测与全球变化研究的宏观信息产品以及面向国土资源调查与各领域专题应用决策的精准信息产品两大类。在宏观方面，国际科学理事会ICSU的“国际地圈与生物圈计划”（IGBP）和国际社会科学联合会提出的“国际全球环境变化人文计划”（IHDP）积极推动了全球LUCC项目的开展，尤其是近10年以来随着遥感全球覆盖数据源的持续丰富以及分类与制图技术的不断发展，面向大区域与全球不同尺度的LUCC产品得以不断发布与共享。美国、欧盟相继研制了一系列地表覆盖数据集并得到广泛应用（ 张增祥 等，2016 张增祥 等，2016 ），例如：IGBP和美国地质调查局（USGS）的1 km全球土地覆盖产品IGBP-DISCover数据集（ Loveland等，2000 Loveland等，2000 ），马里兰大学的1 km全球土地覆盖UMD GeoCover数据集（ Hansen等，2000 Hansen等，2000 ），欧盟联合研究中心的1 km全球土地覆盖产品GLC2000数据集（Bartholomé和 Belward，2005），欧空局300 m GlobCover2005和GlobCover2009数据集（ UCL和ESA，2011 UCL和ESA，2011 ），NASA的500 m分辨率全球土地覆盖数据（ Friedl等，2010 Friedl等，2010 ），美国环境保护署30 m美国国家土地覆盖NLCD数据集（ Wickham等，2010 Wickham等，2010 ）等。国内方面， 刘纪远等（2002 刘纪远等（2002 ， 2009 2009 ， 2014 2014 ）采用中分辨率数据和人机交互解译方法，每5年更新了从20世纪80年代末到2010年全国土地利用数据库，并应用动态区划法揭示了20年间中国土地利用变化的空间格局、变化过程和驱动力； 吴炳方等（2014） 吴炳方等（2014） 基于面向对象方法和外业调查生产了30 m分辨率的2000年、2010年中国土地覆盖数据集（ChinaCover）； 陈军等（2014） 陈军等（2014） 通过多源影像重建、异构知识服务化整合，在30 m分辨率尺度上采用对象化逐层分类，建立了全球地表覆盖数据集（GlobeLand30），在总体分类精度达到80%情况下，有效地将全球土地覆盖产品的空间分辨率提高了一个数量级，并驱动了一系列基于此产品的研究（ 陈军和陈晋，2018 陈军和陈晋，2018 ）； Gong等（2019） Gong等（2019） 将2015年全球Landsat 8 30 m分辨率训练样本集应用于制作基于Sentinel-2 10 m 分辨率的全球土地覆盖图，该产品在总体分类精度与30 m分辨率相当情况下，展现了更精细的空间细节。 前述研究主要在大区域乃至全球宏观尺度上对LC现状和变化情况进行制图（ Wulder等，2018 Wulder等，2018 ），多为满足区域环境监测与全球变化分析等科学问题研究的需要。而在微观层面，如何基于高分辨率遥感开展对地表存在的各类资源信息的详尽调查，一直是国家和各行业制定决策所迫切需要的数据支撑，其实质就是基于更细致和更高精度的LUCC产品对地表每一块土地进行精准量算与分析。在中国，为全面清查全国土地利用情况，获得准确的土地资源基础数据，国土资源部（现自然资源部）于2007-07开展的第二次全国土地调查（简称“二调”）确立了全面以航空、航天遥感影像为主要信息源，采用内外业相结合的调查方法形成一体化的土地调查流程，获取全国每一块土地的类型、面积、权属和分布情况，建立国家、省、市、县四级的全国土地调查数据库；之后又于2018-01开始进行第三次全国土地调查（以下简称“三调”）（ http：//www.gov.cn/zhengce/content/2017-10/16/content_5232104.htm http://www.gov.cn/zhengce/content/2017-10/16/content_5232104.htm ［2019-10-31］），是在二调基础上，利用更高分辨率的正射影像，进一步完善土地调查、监测和统计制度，细化已有内容、更新变化内容、补充新增内容，规模化地实现对结构清晰、类型全面的土地利用信息生产，全面完善全国土地基础数据库，直接掌握翔实准确的全国土地利用现状和土地资源变化情况，以满足国土空间规划编制、自然资源管理和统一确权登记、国土空间用途管制等各项工作的需要。 早期（20世纪80年代—21世纪初）遥感影像的空间分辨率较低，最初发展的基于像素的分类方法所获得的LUCC信息无法确定准确边界，不能表达地表LU的形态特征（ 刘新卫 等，2004 刘新卫 等，2004 ），同时制定的相应LU/LC分类体系（ 张景华 等，2011 张景华 等，2011 ）也是将LU和LC以模糊或混淆的方式共存于一个体系之中，只能够判别地物大类，进行中宏观尺度的简易制图，因此早期遥感对于LUCC形成机制以及面向大区域和全球分析的地表格局研究（ 李秀彬，1996 李秀彬，1996 ）并未起显著推动的作用；2000年之后，随着影像空间分辨率不断提高，引入计算机视觉的图像分割技术发展了面向对象的遥感分类方法，获得了比基于像素方法更优的制图效果和更完善的分析手段（ Myint等，2011 Myint等，2011 ），通过对象化分割获取的地表LU图斑，可以利用GIS手段将遥感获得的LUCC信息和其他多源异构的数据进行特征级融合，以开展对LUCC地表组成与变化机制的协同分析（ 陈佑启和杨鹏，2001 陈佑启和杨鹏，2001 ）。然而，通过无监督分割得到的LU图斑，其形态与类别不够准确，往往无法与真实的地理实体精确对应，因此LU和LC的边界依然难以界定而相互混合，仍然难以基于内部均质的控制单元来实施LCC指标计算和格局分析。 近10余年来随着全球主要大国与商业机构对于高分辨率对地观测技术不予余力地推动与发展，通过不断构建的天空地立体观测体系已真正实现了对地表态势全覆盖、持续更新与多维度地数据获取，积累形成了最具规模、最基础性的大数据。在为各级用户提供高精度数据的同时，也对于如何通过智能计算技术从巨量地球观测数据中挖掘地表各类信息进而用于分析应用提出了前所未有的迫切需求。纵观近年来人工智能（AI）技术的快速发展现状与趋势，并将地理分析方法与之深入结合，从而对精准LUCC信息的智能化提取进行思考，提出以下4个方面的研究分析： （1）AI深度学习等技术的兴起与发展有力推进了遥感影像特征提取的能力。深度学习是对多层次认知的计算模拟，是通过建立弹性的非线性映射机制从训练数据集中自适应学习多尺度逐层抽象特征并表达的其中复杂关系，因而突破了计算机视觉、语音识别等感知类问题的瓶颈（ LeCun等，2015 LeCun等，2015 ）。深度学习实现了对影像特征提取能力的飞跃，自然也成为当下遥感信息提取研究最为热门与主流的算法（ Zhang等，2016 Zhang等，2016 ），据文献统计超过80%使用卷积神经网络（CNN）模型，超过70%是针对空间分辨率高于5 m的影像特征计算，超过40%将其用于土地利用或土地覆盖分类研究，并在该任务上针对类型判别的精度中位数达到91%，表现出显著高于传统分类方法的性能（ Ma等，2019 Ma等，2019 ； Marmanis等，2016 Marmanis等，2016 ； Fu等，2017 Fu等，2017 ； Huang等，2018 Huang等，2018 ），然而还是普遍缺失对LU空间形态提取与结构重组的考虑（ Mou等，2017 Mou等，2017 ）。深度学习最擅长解决的是感知类问题（视觉感知—空间；听觉感知—时间），这是实现整体认知的基础，但绝不是全部。 （2）“连接—符号—行为”或者说将“感知—联想—优化”组合起来，才构成完整的智能系统。LUCC信息具有视觉、时序与语义等耦合的多层特征，然而从影像的低层视觉特征到土地利用的高层语义表达与推测之间往往存在鸿沟。很多研究尝试了通过语义表达与学习算法的集成，将辅助信息与领域知识松耦合地融入到提取模型中，比如在面向对象分割分类算法中加入了半监督、弱监督学习等计算机制，都显著提升了传统LUCC分类的精度（ Tuia等，2011 Tuia等，2011 ； Demir等，2012 Demir等，2012 ； Stumpf等，2014 Stumpf等，2014 ； Liu和Li， 2014 Liu和Li， 2014 ； Iounousse等，2015 Iounousse等，2015 ； Jean等，2016 Jean等，2016 ），然而这些融合因缺乏统一基准与相互反馈的优化机制，普适性与可迁移能力普遍较弱。在推进LUCC精准生成进而上升至高层认知的过程中，通过连接主义的深度学习对LU图斑形态特征进行分层抽取和结构化重组，可构建更精准的信息基准，用于对外部多源多模态数据的时空聚合（ Chen等，2014 Chen等，2014 ），进而协同符号主义的迁移学习机制从结构化数据集中挖掘相关联的语义特征或模式，从而对图斑指标与类型进行定量而全面的判别与分析，再耦合行为主义的强化学习与主动学习机制提高因碎片式的训练数据扩增而对提取精度的迭代式增益（ Zhu等，2018 Zhu等，2018 ）。 （3）“图—谱”耦合的遥感协同反演推进信息提取精细化与定量化并重的发展。由于长期以来学科上的差异，造成源自物理学的“谱”分析和源自地理学的“图”理解分别在两条线路上对遥感信息模型进行解构，造成了遥感定量模型忽视了地物本身所呈现的“图”特征，遥感地学理解模型则脱离了对象蕴含的“谱”意义，“图—谱”分离或片面导致了遥感认知的不够全面。因此，进一步发展需要深入理解不完备的遥感信息、人类视觉解译特性和深层次的地学发生规律，综合集成波谱、几何、空间关系等多种图谱特征，先模拟人对影像视觉分解和视点切换的感知行为，将地物在尺度、形态、结构等“图”特征进行识别和场景表达（ Blaschke等，2011 Blaschke等，2011 ； 2014 2014 ），再学习领域专家对过程与格局推演的认知行为，将蕴含于场景之中的内在功能、变化规律及发展趋势等“谱”要素进行反演与模式挖掘（ Andrés等，2012 Andrés等，2012 ）。具体可发挥多传感器在地表空间信息和地物光谱特征观测的组合优势，通过对LUCC外在结构变化特征与内在发生机理参数的综合反演，以实现对LU形态与类型的智能化解译（图）以及LC变化指标的定量化计算（谱）。由于成像机理的复杂性以及对其整体解析的局限性（ Li等，2013 Li等，2013 ； Marsetič等，2015 Marsetič等，2015 ），影像几何与波谱特征协同提取中涉及的尺度效应和尺度转换、多模态数据融合与同化、多维特征约简、时序谱特征重建以及天空地同步响应机制测定等问题是开展遥感协同反演研究所需面对的主要问题。 （4）基于多粒度计算思想开展多源多模态信息的专题应用与综合决策。粒计算是当前大数据计算领域中模拟人类思考和解决大规模复杂问题的自然模式而新兴起的研究方向，它以“粒”为基本计算单位处理模糊、不确定和不完备的大规模复杂数据集，其“多粒度”概念体现了对复杂问题分区、分层、分级后逐步简化的计算思想（ Wu等，2009 Wu等，2009 ； Wu和Leung，2011 Wu和Leung，2011 ）。粒计算主要思想源自于 Zadeh（1979） Zadeh（1979） 对于人类认知能力关于“粒化—重组—关联”3个主要特征的概括。对于构建精准LUCC信息的提取与应用体系而言，同样需要多源遥感以及多模态非遥感数据在时空框架下的综合集成，才能多层次、多视角与多维度地实现对复杂地表信息的逐层解构与从外及里的透视。首先通过分层的深度学习模型构建以地理图斑为基本单元的空间粒结构，再分别从时间与属性两方面对多源时序遥感以及土地资源与环境相关的各类资料进行空间粒结构之上的特征级数据融合，进而对隐含特征、驱动力以及变化机制进行挖掘与分析。通过空间粒化提取LU图斑形态，通过时间粒化反演图斑LCC的指标，再进一步在属性层面上对土壤、土地资源等多模态信息进行图斑级特征融合，进而按照信息约减、知识提取与语义关联的粒计算过程，在提炼的知识驱动下实现对专业化的土地类型推测制图，这就是本文提出的精准LUCC“五土合一”专题应用与综合决策主要思想。 2.2　地理图斑及其图谱特征分析 2 在高分辨率影像（一般为亚米级）上，地表的各类地理实体可通过视觉感知清晰可辨（ 周成虎和骆剑承，2009 周成虎和骆剑承，2009 ），在顶层可将其分为建（建设用地）、水（水体）、土（类耕地）、生（林草）、地（岩土）5大类（ 骆剑承 等，2020 骆剑承 等，2020 ）。在国情监测与资源调查工程的解译中，主要采用人机交互的编辑方式先描绘地理实体的边界形态，进而以GIS面的方式来表达生产解译的最小单元（在生产界被命名为“图斑”），再借助经验或外业调查方式判定图斑的土地利用或土地覆盖的类型，因此图斑是精准LUCC产品的最小成图单元。本文对地理图斑（Geo-Parcel，或者地理对象Geo-Object）做出明确的定义：在一定空间尺度（分辨率）约束下，视觉上能感知、具有确定土地利用/土地覆盖归属（类型）的最小地理实体。不同大类地理图斑也对应有不同的具体名称，比如单体建筑、水体、种植地块、林草及岩土图斑等。 如 图1 图1 所示，在实际生产与应用过程中对于地理图斑的提取在本质上体现了从外在视觉理解到内在机理分析的一个逐步深化的认知过程，从通俗意义上可归纳为4个“定”：（1）定位，地理图斑在空间分布的精确位置、形态及结构；（2）定性，地理图斑的自然与社会功能属性；（3）定量，地理图斑上所承载信息内容的量化指标及其变化过程；（4）定制，各个地理图斑在环境中存在的状态差异（内因）及受外力扰动影响后的变化机制分析与预测（外因）。其中，“定位”与“定性”主要体现了人类视觉对于地理对象相对浅层理解的感知行为，体现的是空间化的“图”形态与结构的基本特性；而“定量”与“定制”则体现了进一步在“图”对象表达的基础上通过加载更丰富的外部数据，从更高维度的信息特征上对图斑上承载的信息内容以及发生机理进行模型化计算及知识化决策的深层透视性的认知过程（视觉难以辨识），体现的是多维度、时序化、知识化的“谱”的特征。因此，地理图斑可作为精准LUCC信息表达的基本单元，体现了“图—谱”特征耦合的认知机制（ 骆剑承 等，2016b 骆剑承 等，2016b ），这是进一步构建精准LUCC智能计算模型的概念基础。 2.3　精准LUCC定义及其特征分析 2 以地理图斑为对地表信息认知的基本单元，可以进一步明确对精准土地利用与覆盖变化（P-LUCC）的涵义及地理特征做出定义。如 图2 图2 所示，P-LUCC包涵了精细的土地利用图斑（P-LU）与定量的土地覆盖变化（LCC）的图谱耦合关系。其中，P-LU图斑是通过对视觉可感知的地理实体的形态提取与对象化表达，进而以一定的空间关系进行功能组团的结构化重组（地理图斑功能图斑），体现了人类视觉对地理现象视觉理解的空间“图”所具备的形态与结构两大特征；以土地利用图斑为载体的LCC则体现了该块土地受自然和人为共同影响所形成的覆盖物信息类型和随时序变化的可度量指标，以及可更广义地扩展为受环境影响而存在的内在功能状态与未来信息量变化的趋势，体现了地理过程的信息“谱”中蕴含的类型、指标、状态与趋势4大特征。因此，P-LUCC是浅层的外在视觉感知与深层的内在机理透视的有机结合，是通过“空间—时间—属性”3个维度对复杂的多源多模态数据集进行层层解构的信息提取过程，包涵了空间分布、利用功能、生长过程与内外动力作用效应等4种以土地利用图斑为基本单元的地理模式定量反演与知识挖掘。 从浅层的视觉理解到深层的机理透视，以遥感影像为基底对于P-LUCC信息的认知过程包含了“信息图谱”和“知识图谱”两个层级的递进关系，其“图—谱”特征的定义及层级关系如 图3 图3 所描述。首先，“信息图谱”包括了形态（图）、类型（谱）和指标（谱）等3个特征，其“精准”的涵义正是体现在图斑之上“精细的形态”、“全面的类型”与“定量的指标”的耦合关系，所以在研究方法上需构建在微观的视觉遥感分析基础上开展图斑级定量遥感反演的计算模型，从而可实现相对静态的土地利用（LU）与动态变化的土地覆盖（LCC）在概念格与信息粒度上的统一与分离，为后续开展可知识化定制的专题应用提供了可重组的信息基础；进而，“知识图谱”包括了结构（图）、状态（谱）与趋势（谱）等3个特征，其“知识”的内涵是根据各领域应用目标的差异，以土地利用图斑为基本单元通过时空结构化处理融入外部多源多模态数据以扩展多维的属性表（结构化重组），通过多粒度的解构解析方法与机器学习技术挖掘其中蕴含的分布、功能与动力等模式，实现从空间上构建聚合关系，在属性上推测关联关系，并通过知识推广开展区域态势的评价、精算、规划以及预测等具体应用，最终为决策者定制出专题要素地图以及相关的数据分析结果。 2.4　精准LUCC应用的“五土合一”思想 2 关于地理学对于土地相关的研究，涵盖了“土壤”、“土地资源”、“土地利用”、“土地覆盖”和“土地类型”等5个方面的研究方向，俗称“五土”，体现了综合自然地理的研究思想。土地利用/土地覆盖研究与遥感技术的发展密切相关，而土壤、土地资源和土地类型研究因涉及到具体专业领域知识，主要依靠专业研究者或专题调查工作对地面的定点实测和野外的线路调查等手段获取数据。土壤作为一种重要的自然资源，因其质地、PH、有机碳、水分传导率等指标的不同，土壤质量与适宜性也因时空条件而异；土地资源既包括土地的自然条件（气候环境、地质背景、地形地貌、水文等），还包括其所处的社会经济条件（交通、人口、生产方式、行政管理、区域经济等），因此是对土地实体和其价值的综合反映（ 申元村，1992 申元村，1992 ； 傅伯杰和刘炎序，2019 傅伯杰和刘炎序，2019 ）。土壤和土地资源作为描述地表覆盖物的物质与环境条件以及土地利用的背景条件，对于LUCC形成与变化驱动机制的认知尤为重要。因此，对于精准LUCC信息的提取不仅依赖于遥感一种数据，而是需要以全覆盖的高分遥感影像作为底图对土地利用图斑进行分区分层视觉提取的基础上，再迁移各种来源的时序和属性数据来判别土地利用/覆盖类型以及计算土地覆盖变化指标。反之，这样可精细到地表每一块地理图斑的精准LUCC也可作为承载各类土地相关测定数据的信息底图，已成为各应用领域开展地表资源与环境精细调查、定量分析与统计决策的共性基础产品。据上所述，除了遥感数据，精准LUCC必须进一步融合土壤、土地资源以及土地类型相关工作所获取的更专业化数据，才能从中挖掘并提炼出面向各领域深化应用的专题产品，这就是所谓知识化“定制”的理念。 本文针对基于精准LUCC信息如何开展专题应用的定制问题，提出“五土合一”的研究思路：首先土壤与土地资源数据作为全面描述土地利用背景条件以及地表覆盖物的自然或人工形成的环境作用条件，通过对各种站点观测或多源异构数据与地理图斑矢量进行融合、同化与关联等，以多维属性扩展的方式加载到土地利用图斑上，构建以土地利用图斑为基本单元、横纵向均可不断扩展的结构化属性表，进而，在专家知识引导下通过多粒度机器学习技术对属性表中隐含的土地类型信息进行语义的抽象与表达，训练并提取可推广的规则集、决策树和相关的模型参数，实现对每一块土地进行的质量与适宜性评价、价值精算、功能利用规划及容量承载力的分析、预测等计算，所得的结果再协同GIS空间制图、分析与优化技术为面向领域的决策者定制专题地图与报表的服务。 3　P-LUCC信息智能计算方法 1 3.1　P-LUCC智能计算模型 2 在空间分布上，地表万物综合组成为一个高度复杂的巨系统（ Qian等，1993 Qian等，1993 ），在高分辨率影像中不同类型的地物在视觉上呈现出明显的特征差异。在探索地理图斑智能计算理论中，分别从空间、时间和属性3个维度对复杂地表进行层层解构与信息转化，发展了分区分层感知（粒化）、时空协同（融合）与多粒度决策（关联）3个基础性模型。具体针对全要素土地资源调查的分类要求，协同运用3个模型中机器学习机制，发展了从“LU图斑形态提取”到“LCC类型反演”，再到“LU类型判别”的P-LUCC智能计算流程（ 图4 图4 ）。 （1）分区分层感知（空间）：主要采用模拟视觉感知的端到端联结主义深度学习技术建立影像空间到地理空间的映射关系，实现从亚米级高空间分辨率遥感影像中逐层提取地物对象，形成以地理图斑为基本表达单元的土地利用空间场景图的信息生成过程。首先，遵循地理学分区分析思想，在线状道路/水系和地形等辅助数据的约束下快速提取由“道路网—水系网—地形线”组成的地表控制网络，据此将反映地表的影像空间划分为若干个相互独立的地理区块；在每个地理区块中按照视觉特征的显著程度或注意力强弱，逐层从影像中提取按照“建、水、土、生、地”5大类划分的地理图斑；每个地理图斑的提取有机结合了边界的约束、纹理的分割、（大）类型的判别、形态的优化等几个环节构成的流程化处理，最终形成一张完整覆盖、对象化过程无拓扑交叉、图斑形态平滑美观以及赋予了基本土地利用类型的地理图斑空间结构图。 （2）时空协同反演（时间）：实现土地利用空间结构图中每个地理图斑的覆盖变化类型的识别，是在确定大类的地理图斑空间结构上增加的时间维度类型，主要采用时序数据的融合/同化等特征计算技术和时序分析、规则/符号表达与匹配等迁移学习技术，建立与地理图斑结构对应的属性表，刻画每个地理图斑随时间推移的覆盖变化类型及其时序谱特征（ Yang等，2017 Yang等，2017 ）。首先，将高时间密度的多光谱和高光谱光学影像、SAR遥感等观测数据依次加载到业已提取的地理图斑上，形成多维的时序特征；其次，通过循环神经网络的序列特征分析方法，识别确定图斑的覆被、变化等时间维度类型；进而，逐步建立“建、水、土、生、地”各类图斑的时序变化模式，利用已有知识快速识别变化更新；最终，形成一张张随时间变化的覆盖类型信息图谱。 （3）多粒度决策（属性）：依据土壤、土地资源的先验知识，推算各地理图斑所反映的专业类型，进而推演其状态和趋势，主要采用内、外部数据的融合/同化、插值的特征计算方法和规则构建、决策树、先验知识训练等迁移学习技术，在图斑结构基础上，依据应用目标进行属性定制、结构重组和空间优化（ Wu等，2019 Wu等，2019 ）。将内外部数据迁移计算到图斑上并结合LUCC信息后，形成从空间、时间、语义3个维度刻画地理图斑的空间图与属性表，通过在其3个维度上粒化计算优选出围绕多目标构建的特征，计算出蕴含在表层观测属性背后的精算/评价/趋势等值，并结合GIS空间优化方法将图斑聚合重组成功能场景，形成定制后的知识图谱。 3.2　P-LUCC机器学习机制 2 在整个P-LUCC生产流程的设计中，综合运用了“提取影像时空特征的深度学习”、“逐步融入外部知识的迁移学习”以及“驱动生产流程优化的强化学习”的3大类机器学习机制，从而协同发挥了数据粒化、信息重组与知识关联为一体的大数据智能计算作用。其中，深度学习主要应用于分层感知器中对于地物空间形态特征的提取，以及时空协同反演中对于地物时序变化特征的分析；迁移学习主要体现在时空协同反演中通过LCC反推LU类型，以及多粒度决策器中通过挖掘外部关联知识推测LU类型；强化学习首先融入分层感知器中对各类网络内部反馈机制和样本主动增补机制进行改进，进而协同多粒度决策器将外部增量知识动态地补充至LU场景，以持续增强对LU类型的判别和LCC指标的计算。 （1）提取影像时空特征的深度学习技术。首先针对地物的空间特征（LU），传统方法试图设计面向所有地类的统一分类器对影像进行分割判别，忽视了地表的复杂特性，导致其制图效果与现实需求之间存在很大差距，所以在工程化生产中依然选择人工作业为主方式开展基于遥感的土地资源调查工作。实际在复杂成像的背后，地理分布又服从相似性与异质性的规律，也即相同地物在邻近地域呈现相似特征（分区），而在同一区域内不同地物则表现异质特性（分层），总体上人工地物边缘规则、纹理与色调相对一致，而自然地物边界模糊、纹理与色调驳杂多变。遵循上述分析，本文设计自顶往下的路线，对复杂地表按照“分区—分层”顺序进行“空间粒化”的分解：1）在分区控制网络（道路网、水系、地形线）约束下，将区域分解为不同的区块（BLOCK）；2）在每个区块内，根据地物呈现视觉特征的差异，分别设计细粒度的深度学习提取模型；3）按照视觉注意的先后，分层次地从区块中提取地物对象，从而实现从影像空间向地理空间的有序转化。在最小的空间认知粒度（图斑）上，地物对象的视觉特征可降解为边缘（人工的边界改造）与纹理（地物内部人工构筑或自然生长的混合，又称为语义特征）的组合。基于深度学习对于视觉特征自适应可控的学习机制，分别设计图斑边缘形态提取以及纹理分割与语义判别的深度学习模型，进而针对不同类型的地物（建、水、土、生、地），分别通过细粒度提取模型的重组来实现对地物图斑形态及其LU大类的提取与判别（ 图5 图5 ）。 进而针对地物图斑内的变化特征（LCC），可进一步融入时间序列的观测数据，通过时空协同反演，推演其覆盖类型，解析其生长指标。深度学习在图斑时序分析（类似于语音听觉）方面也将发挥不可替代的作用：在生长演化规律驱动下，通过循环神经网络对高维时序数据的训练学习，构建与LCC类型与指标的非线性映射与拟合关系。例如，通过时序特征与作物生长物候知识的匹配，反演获得耕地图斑之上作物种植类型（水稻、小麦、玉米等），进而亦可反推其图斑的LU类型（水田、旱地、水浇地等）。 地理区块 典型地物 重点特征 覆盖范围 网络计算 图斑生成 分区网络 道路、水系、绿化带 语义、形态 大 语义分割 中心线延展 建筑区 单体建筑、空闲地 语义、高程 小 语义分割 规则边角修整 农业区 耕地、园地 边缘、纹理 中 边缘提取 切割线构面 生态区 林地、草地 纹理、地形 大 超像素聚合 区域聚合 岩土区 裸土、裸岩 语义、纹理 大 语义分割 边界掩膜 （2）逐步融入外部知识的迁移学习技术。通过对复杂成像过程的分区分层解构，实现对地表各类地物LUCC图斑形态的精细化制图，然而还达不到对全面类型的判别与精确指标的计算。因此需将多源的外部数据与图斑进行时空聚合，以扩展蕴含历史解译、资源禀赋、环境监测和社会运行等属性空间的维度，进而通过统计学习、推测计算与目标优化，逐步从多维属性中发现并迁移外部知识，从而实现对图斑结构中隐含的LU类型分布、LCC生长机制以及相应承载与驱动模式的挖掘。其实质是对特征维矩阵 X 和目标（类型/指标/状态/趋势）维矩阵 Y 的关系进行知识化求解与表达，其中多模态数据聚合（ 表2 表2 ）和知识迁移过程（ 图6 图6 ）可具体归纳为以下步骤： 特征类别 特征来源 计算方法 历史解译特征 X 1 实地调查与目视解译、样方（品）测定等土地类型与生物量指标数据 空间匹配、属性映射与数据同化等 资源禀赋特征 X 2 土壤、地形地貌、气候气象、水文水资源等自然资源相关的多类型数据 降尺度空间融合、离散点空间插值、GIS空间分析等 环境监测特征 X 3 针对光温热水等环境指标动态监测的高光谱或时序光学、SAR遥感与站点观测数据 地物（植被）指数计算、时序特征重建、指标反演、降尺度融合等 社会运行特征 X 4 人口与社会经济宏观统计、社交文本、POI、位置导航与手机信令等社会感知数据 位置发现、语义关联、强度图构建、信息流计算与表达等 1）历史迁移：若有前期通过实地调查、目视解译和样方测定等方式获得的历史数据，可通过空间匹配、属性关联与数据同化等方法，将相关历史解译的类型知识或测定的指标以映射和插值方法迁移至所对应的现状图斑之上，并依据置信度将高可靠的图斑作为确定的目标类别 Y 1 。一般历史解译数据中标定的目标值，可通过 Y 1 迭代学习将蕴含的解译知识迁移到新的图斑结构上，并对特征空间 X 1 进行更新，以支撑后续功能推测与过程反演的计算； 2）功能推测：对于蕴含于土壤、地形地貌、水文、气候等多类型数据中的土地资源信息，通过尺度间融合、同化、插值及GIS分析等方法，叠加到图斑上形成扩展的特征空间 X 2 ，再通过与历史迁移数据所构建的模式库进行匹配，推测得到目标的功能类型 Y 2 ； 3）时序分析：通过高光谱、时序遥感以及地面站点等多平台观测，可对光温热水等地表环境状况进行时空连续的相对量测定，可协同运用指数计算、定量反演、特征重建与降尺度融合等计算方法，构建基于图斑的多维时序特征空间 X 3 ，进而在地物演化知识驱动下进行时序特征学习与点面信息同化，实现对LCC类型、生物量指标 Y 3 的判定与计算； 4）语义关联：对于社会运行规律的认知，首先通过宏观数据空间化、互联网文本及公众POI的位置发现与语义关联、导航地图与手机信令的流模式挖掘等一系列结构化处理，与图斑进行时空聚合，构建与社会经济驱动力关联的特征空间 X 4 ；进而在部分确定目标类别 Y 4 基础上，通过强度图构建和相互作用参数解析，挖掘内外动力耦合的行为模式。 综上所述，通过对多源多模态数据的时空结构化处理及对象化聚合，将不同视角的多维观测信息逐步特征迁移至以地理图斑为载体的属性空间中，实现地理图斑特征向量 X 的扩展与升维，以此驱使其与关注问题目标变量 y ∈ Y 之间映射关系能够更好地凸显。由于 X 蕴含了来自不同时空分辨率（比例尺）、不同量纲、不同取值细度的属性信息，而“建”、“水”、“土”、“生”、“地”等各类地理图斑又明显地具有多尺度空间粒特点，因此以图斑为记录对象的属性表天然具有鲜明的多粒度特性与层次化特征，可遵循粒计算的原理约简 X （降维），并以较大的泛化力提炼 X 与 y 间的映射关系，从而在目标空间 Y 中构建形成针对不同求解目标 y 的迁移学习算法集。另外，由于外部数据观测的不连续、信息采集的不完备、位置发现精度的不一致、图斑聚合尺度的不可控等一系列误差传递因素， X 和 Y 空间中存在缺失（不完备的问题）或偏差（不精确的问题），其中 X 中特征的不确定导致信息量的不足，而 Y 中标签的不确定导致建模力的不强。故而在多源数据逐步融入过程中，需发展缺失数据重建、不完备数据增强、残缺模式匹配等技术，以支撑迁移学习算法效果的优化与提升。 以上，通过特征迁移和知识学习逐步融合到地理图斑对应的特征空间 X 和目标类型空间 Y 中，其中： <math display="block" id="M1"><mtable columnalign="left"><mtr><mtd><mi mathvariant="bold-italic">X</mi><mo>=</mo><msub><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>⋃</mo><msub><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>⋃</mo><msub><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>⋃</mo><msub><mrow><mi mathvariant="bold-italic">X</mi></mrow><mrow><mn mathvariant="normal">4</mn></mrow></msub></mtd></mtr><mtr><mtd><mi mathvariant="bold-italic">Y</mi><mo>=</mo><msub><mrow><mi mathvariant="bold-italic">Y</mi></mrow><mrow><mn mathvariant="normal">1</mn></mrow></msub><mo>⋃</mo><msub><mrow><mi mathvariant="bold-italic">Y</mi></mrow><mrow><mn mathvariant="normal">2</mn></mrow></msub><mo>⋃</mo><msub><mrow><mi mathvariant="bold-italic">Y</mi></mrow><mrow><mn mathvariant="normal">3</mn></mrow></msub><mo>⋃</mo><msub><mrow><mi mathvariant="bold-italic">Y</mi></mrow><mrow><mn mathvariant="normal">4</mn></mrow></msub></mtd></mtr></mtable></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20188866&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20188863&type= 36.91466904 8.63599968 （3）驱动生产流程优化的强化学习技术。按照深度学习形态提取（图形）和迁移学习类型判别（属性）的先后顺序，构成P-LUCC图斑智能生产的主体流程。图斑在图形（“图”）和属性（“谱”）两方面的高质量（即形态的高“精细度”与类型的高“准确度”）生成均有特定的依赖条件：前者依赖于大量显著而典型的样本标注，不然因影像失真而使模型的推广不稳定，导致图斑形态的提取不够精细；后者依赖于全面而系统的数据重组，不然因特征的缺失而使知识迁移不全面，导致图斑类型的判别不够准确。因此，在P-LUCC产品的制作过程中，需对比标准产品，不断加入人机交互（内业）、实地调查（外业）以及终端采集（众包）等零碎化但高置信度的验证确认，获得的增量信息反馈至提取模型的再训练过程中。通过这种强化机制的反复迭代，实现对模型参数和特征向量的优化与修正，驱动生产流程对于图谱信息既稳又准地生成与流转（ 图7 图7 ）。 针对地理图斑在形态特征方面的增强，具体将依据不同类型的图斑在视觉注意机制上的分层次特性，可将其形态提取的模型划分为如下两大类：1）面向人工地物（建筑物、耕地、人工林地）的边缘、纹理（语义）特征进行主动训练与提取的深度学习模型；2）面向自然形成地物（林、草、岩土）的空间相似特征进行非监督聚类的多尺度分割模型。前一类主要利用人机交互的矢量化编辑，将修改或增加的对象化标注更新到图形化的样本库，然后反馈至深度学习模型的强化模块中，对深度神经网络的权值连接与传递关系进行增量式再学习，从而逐步提升对强视觉特征的提取以及图斑对象的构建效果；后一类则强调在基于地理图斑的LUCC综合制图中，对于空间尺度和边缘曲率等参数进行经验性的选择，进而自适应地对分割模型的相关参数进行优化和调整，以逼近人工对弱视觉地物目视解译的效果。当然，在分解细粒度形态特征提取的模型基础上，不同类型的地物又可根据各自形态特点在整体上对提取模型进行分层次地组合，这也使得相应的强化学习机制趋向复杂。 针对地理图斑在属性特征方面的增强，具体包括了对于其土地利用（LU）类型、土地覆盖变化（LCC）类型及其生长指标、土地功能规划类型以及资源环境承载力指标等4大类隐含属性（从定性到定量）的推测目标。因此，除通过外部迁移获得的基础性特征向量之外（ 表2 表2 ），还需要进一步衍生构建其内在相对静态的基础空间特征 X 5 （主要包括了图斑空间结构的密度、邻近、距离、强度等特征）以及随部分目标确定后再不断计算而动态获得的迭代式空间特征 X 6 （ 表3 表3 ）。其中，基础的空间特征是基于地理图斑与其他图斑的空间相互关系而计算得到的特征值（例如，缓冲区内建筑物数量、密度和空间排列组合关系等）；迭代的动态空间特征则是待判定的地理图斑与周边已确定的地理图斑之间通过空间语义关系等计算所得到的新特征值，该特征值会随着每一次迭代优化和所确定的目标数增多而动态调整，并代入到下一次的迭代计算中（这两种特征都是融入了GIS空间统计与分析的方法）。在每一次迭代计算的结果输出后，都会重新计算各地理图斑结果的可靠性或置信度，将高可靠的图斑标记为确定的图斑，确定图斑在下一次迭代计算中其结果将不会被改变，除非有强制的人工判定出现。随着人工内业（或互联网众包）验证和外业调查的结果反馈，对部分目标的结果进行修正（惩罚）和确认（奖励），从而不断训练集成为多分类的模型，使结果实现逐步的趋优；最后，将同质的图斑进行空间结构重组和功能边界的划分，形成趋向目标的制图成果：空间场景、分级指标、承载状态以及内外动力耦合作用下的趋势分析等结果。 特征类别 特征来源 计算方法 基础空间特征 X 5 地理图斑聚合的空间结构特征 距离加权运算、缓冲区分析、路径计算等 迭代空间特征 X 6 已提取的地理图斑及迭代计算中已确定的图斑属性 邻域计算、空间关系语义构建与计算等 4　P-LUCC案例分析 1 4.1　P-LUCC生产线设计 2 为将P-LUCC智能计算模型有效实现和执行，在P-LUCC产品生产线系统整体架构设计中，将后台的数据管理、计算工具和任务执行与前端的人机交互式操作分离，由统一的工作流进行串联，分为：数据/计算/任务管理模块，地理区块划分/影像合成/分层提取/属性分级赋值/结构重组/图斑处理的计算模块，样本制作/分区控制/产品定制的终端模块、外业验证APP4大部分（ 图8 图8 ）。 P-LUCC产品生产线以亚米级高分影像为本底输入，输出精细图斑的土地利用和土地覆盖产品，可进一步根据用户需求进行产品定制（属性精化细化、图斑结构重组、图形综合制图等），并在新的观测数据和外部数据接入后做出快速的变化更新。整体的生产过程大致上分为地理区块分区切割、地理图斑分层提取、功能属性分级迁移（此处以三调标准分类体系为案例）、结构重组和产品定制（ 图9 图9 ）。 （1）地理区块分区切割。首先从高分遥感影像中提取路网和河流水网信息，并结合网络获取的线状路网、水网要素将道路、河流中断部分连接并进行后处理，形成路网和水网的面状图斑；其次对于高差大于200 m的丘陵或山地，根据DEM计算山体坡面图并提取山脊线、沟谷线等地形线；最后结合道路网、水系网、地形线将目标区域划分为若干地理区块。 （2）地理图斑分层提取。在各地理区块内，分别采用边缘提取模型工具、纹理识别模型工具、栅格矢量化工具、线构面处理工具、边界平滑/美化工具等处理，按照视觉注意力/辨识度从高到低的顺序，逐层提取建筑图斑、耕地图斑、水体图斑、林草图斑和岩土图斑等普遍存在的地理图斑，最后将各层图斑在控制网图斑的约束下，通过GIS Overlay工具和狭长图斑处理工具逐层组合而形成全覆盖的大类LU图斑。 （3）功能属性分级迁移。在与大类地理图斑形态对应的属性表中，分级、分类地计算和填充指标和细类属性；对于耕地图斑，利用中分辨率时序数据分析反推工具获得水田、旱地、水浇地等细类；对于建成区的建筑与林草、水体等混杂的图斑，利用互联网POI等信息的密度分析和语义映射工具，识别城镇住宅用地、科教文卫用地、商业服务业设施用地、工业用地、公园与绿地等细类；对于非建成区的林草和岩土图斑，利用土地资源或历史解译数据的类型推测及知识迁移工具识别乔木林地、灌木林地、天然牧草地等细类。 （4）迭代优化和产品定制。通过产品定制终端工具（内业）和实地验证APP（外业）对迁移以后的包含大类和细类属性的地理图斑进行属性确认和修正，以半监督分类的学习模式进行集成学习，更新置信度低的地理图斑属性值；同时参照置信度高的图斑计算新的动态特征，将其加入特征库进行迭代集成训练，最终达到属性精度不断提升趋优的目的；最后通过产品定制终端工具进行图斑形态编辑、图斑结构重组计算和专题产品制作，按需定制产品。 以建筑图斑为例，在业已提取的图斑形态基础上，结合电子地图POI信息的语义关联迁移学习机制和专家交互反馈的增量迭代强化学习机制，提取和辨识出其城镇居住、科教文卫、物流仓储等的细类归属，具体流程如 图10 图10 所示。 （1）POI信息的语义关联：通过电子地图POI信息的完整性清洗和异源信息的一致性处理等操作，建立起具有明确社会经济属性的空间点数据，进而通过点与面（图斑）的空间匹配和属性与具体土地利用类型的语义映射，关联解析出对应建筑图斑的LU类型。由于叠加到图斑上的点不止一个，其属性也是不尽相同，所以需进行语义映射、同类归并、密度裁剪等方法来得到带有置信度的图斑LU类型。以商服用地为例，诸如火锅、米线、烧烤等都是需要检索的关键字，且归类为餐饮，进而将其映射到商服用地类型，并以该点为圆心建立向外递减的密度缓冲，最后以图斑为范围对密度图进行裁剪，取密度值累积最高者为图斑的LU类型。由于POI信息空间分布不均，因此存在未被赋值的图斑和置信度低的图斑，需通过以下步骤进行完善。 （2）基于高隶属度样本的类型推测：首先以建筑图斑为单元计算如 表2 表2 所示的多维特征，再从POI信息迁移获得的置信度高的图斑中抽取LU类型作为样本，通过集成分类器来推测尚未被赋值和置信度低的图斑，并通过分类器给予新的置信度。 （3）基于局部专家修正的增量迭代：在首次类型推测计算后，引入专家（生产者）的内业解译和外业调查获得的信息对少量图斑进行类型修正，并作为高置信度的恒定样本；同时动态计算3.2节中 表3 表3 所述的图斑特征作为推测自变量，代入到下一次类型推测的迭代计算中。当满足目标精度要求时，迭代结束并输出图斑LU类型结果。 4.2　P-LUCC产品案例分析 2 （1）产品案例结果。以苏州高新技术产业开发区（简称苏州高新区）为试验区，通过P-LUCC产品生产线制作该地区精细化土地利用产品。苏州高新区是国家级高新技术产业开发区，位于苏州古城西侧，东临京杭大运河，南邻吴中区，北接相城区，西至太湖，总面积约258 km 2 。产品案例以2018年GF-2 0.8 m分辨率4波段融合合成影像为输入，制作路网、水系和西部区域丘陵的山形线并划分出地理分区；标注了建筑（轮廓形态和面类型）、水面、耕地（轮廓形态和面类型）、林地样本，通过边界和纹理模型迭代式训练后分层提取出精细大类图斑；搜集了2018-01-12的Sentinel-2 10 m空间分辨率时序多光谱影像通过时序分析反推工具识别耕地的细类属性，搜集了高新区的POI数据通过密度分析和语义映射工具识别了建成区图斑的细类属性，搜集了历史解译和调查数据通过类型推测和知识迁移工具识别了林草、岩土等图斑的细类属性；在P-LU图斑形态（大类）的基础上，结合时序数据提取了耕地图斑的LCC信息（小麦、油菜、绿肥以及其他作物种植类型）。最终将高新区的全域产品定制成图：P-LU图斑形态（大类）成果图、耕地图斑的LCC（种植类型）成果图和P-LU图斑类型成果图（ 图11 图11 ）。 1,2;3; 其中选取几个有代表性的局部区域见 图12 图12 ，分为两组： 图12（a） 图12（a） — 图12（d） 图12（d） 反映了以耕地图斑为单元的LCC信息（种植类型）； 图12（e） 图12（e） — 图12（h） 图12（h） 反映了从地理图斑到土地利用功能结构图斑的逐步生成。 1,2,3,4;5,6,7,8;9,10,11,12;13,14,15,16; 从P-LUCC产品效果上看，通过地理图斑精细形态的提取、地理图斑覆盖类型的时序反演以及地理图斑功能细类的精准计算，基本实现了高分遥感空间与地理空间的映射关系，同时后续极易实现基于图斑形态和类型的更新。 （2）P-LUCC产品精准度分析。参照地理图斑的定位/定性/定量/定制“四定”特征，对P-LUCC产品从定位定位/定性精度、功能类型精度、生产效率3个方面进行分析。 1）P-LU图斑形态（大类）的“精”度。定位/定性精度主要针对P-LUCC图斑的位置形态和（大）类型正确性两个方面，主要包括建筑（单体建筑和建筑群）、水体、耕地、林草和其他5类图斑，通过目视判别和量化指标两种方法来验证。 其中量化指标融合了位置和形态两方面精度，通过建立人工勾画的验证集和计算图斑提取的正确率来得出。对于验证集中的图斑 A 和分层提取预测地物掩膜 B ，通过计算IoU（交并比）来量化反映 A 与 B 的重叠度： <math display="block" id="M2"><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi><mo stretchy="false">(</mo><mi mathvariant="bold-italic">A</mi><mo>,</mo><mi mathvariant="bold-italic">B</mi><mo stretchy="false">)</mo><mo>=</mo><mfrac><mrow><mi mathvariant="bold-italic">A</mi><mo>⋂</mo><mi mathvariant="bold-italic">B</mi></mrow><mrow><mi mathvariant="bold-italic">A</mi><mo>⋃</mo><mi mathvariant="bold-italic">B</mi></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189198&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189195&type= 28.53266525 8.12800026 若 <math id="M3"><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi><mo stretchy="false">(</mo><mi mathvariant="bold-italic">A</mi><mo>,</mo><mi mathvariant="bold-italic">B</mi><mo stretchy="false">)</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189207&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189202&type= 15.07066536 3.47133350 <math id="M4"><mo>≥</mo></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189218&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189213&type= 2.11666679 2.62466669 0.5，则认为是正确检测，反之为错误检测。从而图斑提取正确率 <math id="M5"><msub><mrow><mi mathvariant="bold-italic">P</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189227&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189223&type= 5.41866684 3.72533321 的计算方式如下： <math display="block" id="M6"><msub><mrow><mi mathvariant="bold-italic">P</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub><mo>=</mo><mfrac><mrow><mi mathvariant="bold-italic">T</mi><msub><mrow><mi mathvariant="bold-italic">P</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></mrow><mrow><mi mathvariant="bold-italic">T</mi><msub><mrow><mi mathvariant="bold-italic">P</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub><mo>+</mo><mi mathvariant="bold-italic">F</mi><msub><mrow><mi mathvariant="bold-italic">P</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></mrow></mfrac></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189236&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189231&type= 30.81866837 9.05933285 式中， <math id="M7"><mi mathvariant="bold-italic">T</mi><msub><mrow><mi mathvariant="bold-italic">P</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189246&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189241&type= 7.53533268 3.72533321 表示验证区内正确检测的个数， <math id="M8"><mi mathvariant="bold-italic">F</mi><msub><mrow><mi mathvariant="bold-italic">P</mi></mrow><mrow><mi mathvariant="normal">I</mi><mi mathvariant="normal">o</mi><mi mathvariant="normal">U</mi></mrow></msub></math> http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189256&type= http://html.publish.founderss.cn/rc-pub/api/common/picture?pictureId=20189251&type= 7.78933382 3.72533321 表示验证区内错误检测的个数。以下分析5类图斑的提取精度。 建筑图斑（ 图13 图13 ）：由于一些小面积建筑密集的区域（如农村宅基地建筑群，城市城中村建筑群等）在0.8 m空间分辨率影像中的建筑边界不明显而成区块结构，因此分建筑单体和建筑群两类提取。与验证集对比，建筑群边界偏移不超过6.4 m（即8个像素）；建筑单体边界偏移不超过3.2 m（即4个像素），建筑单体和建筑群整体提取准确率为96%。水体图斑（ 图14 图14 ）：坑塘、河流、湖泊、水库等水面覆盖区域的图斑，提取边界误差不超过3.2 m（即4个像素），水体提取准确率为100%。 1,2,3,4; 1,2; 耕地图斑（ 图15 图15 ）：针对耕地地块按垄提取，棚种地类按外围边界提取。生产线提取耕地地块边界误差不超过2.4 m（即3个像素），验证区提取准确率为94%。 1,2; 林草图斑（ 图16 图16 ）：包括园地、林地、草地，合为一类提取，提取边界误差不超过8 m（即10个像素）。由于草地部分易于与其他地类中闲置地混淆（存在部分绿植），导致如林草提取精度较低，准确率为64%。 1,2; 其他类型图斑：本次分析中将建筑、水体、耕地、林草以外的地物进行多尺度分割后形成的图斑统称为其他图斑，其边界偏移依赖于上述分层地类边界精度，整体边界偏移不超过10个像素。 将5类图斑提取精度取平均，即生产线分层提取整体准确率约为87.8%。具体精度见 表4 表4 。 地理图斑大类 建筑 水体 耕地 林草 其他 总数 提取准确率/% 边界偏移/像素 建筑 50 0 0 2 0 52 96 <8 水体 0 49 0 0 0 49 100 <4 耕地 0 0 45 2 1 48 94 <3 林草 0 0 4 43 20 67 64 <10 其他 0 1 1 3 29 34 85 <10 2）P-LU图斑类型的“准”度。以苏州高新区的三调分类体系为参照，对图斑的类型精度进行验证与分析。通过内业判读和野外实地调验，一部分（共189个）用于集成分类强化计算，一部分（共495个）用于精度验证，并对每一（细）类型的属性正确率进行评价（ 表5 表5 ），其总体精度约为89.3%。 LU细类 耕地 园地 林地 草地 商服 工矿 住宅 管理 特殊 交通 水域 其他 总数 正确率/% 耕地 44 3 0 2 0 1 0 1 0 0 0 0 51 86 园地 0 15 0 0 0 1 0 0 0 0 0 0 16 94 林地 1 2 56 0 4 0 0 4 0 0 0 0 67 84 草地 2 0 5 45 4 2 2 2 3 0 0 0 65 69 商服 0 0 0 0 42 0 0 0 0 0 0 0 42 100 工矿 0 0 0 0 0 46 0 0 0 0 0 0 46 100 住宅 0 0 1 0 0 0 46 0 0 0 0 0 47 98 管理 0 0 0 0 0 0 0 43 0 0 0 0 43 100 特殊 0 0 0 0 0 0 0 0 7 0 0 0 7 100 交通 0 0 0 0 0 0 0 0 0 50 0 0 50 100 水域 2 0 0 0 0 0 0 0 3 0 50 0 55 91 其他 0 0 0 3 0 0 0 0 0 0 0 3 6 50 3）生产效率。苏州高新区全区面积约258 km 2 ，现以三调产品的要求（形态和属性两方面）进行苏州高新区P-LUCC定制产品生产。按每天工作8 h计算，若由人工解译方式，1人生产全区约需要6.5 d完成；使用P-LUCC生产线一期（在没有样本和训练好的网络模型情况下），1人结合1台工作站（生产测试所用工作站硬件配置为至强处理器、内存64GB、Titan X显卡一块，下同）约需要2.7 d完成全区产品生产；使用P-LUCC生产线二期（已有训练好的网络模型情况下），1人结合1台工作站约需要0.2 d完成全区产品生产（ 表6 表6 ）。对比可见，目前使用P-LUCC生产线比人工提取效率提高8—30倍。 生产方式 每小时效率/（km 2 /h） 每天效率/（km 2 /d） 完成所需 天数/d 纯人工生产 5 40 6.45 P-LUCC生产线一期 12 96 2.69 P-LUCC生产线二期 150 1200 0.215 综上可见，P-LUCC产品针对目标区域，在首次生产已完成的情况下，可保存和记忆生产中形成的知识，在后续生产和更新过程中将极大地提升生产效率；同时，P-LUCC产品生产线的架构中具有计算工具的可替换、可扩展性，以及生产知识的存储管理和应用机制，促使随着生产线的部署生产和优化，将会使同一目标区域的产品精度日益提升。 5　结语 1 5.1　小结 2 本文探讨了在“分区—分层—分级”的地学分析思想和“粒化—融合—关联”的大数据计算方法论的指导下，从“空间—时间—语义”多个维度对复杂地表高分遥感所呈现的地理现象和地理过程进行层层解构和有序组织，提出了从浅层场景理解到深层机理透视、从静态模式挖掘到动态模式解析的遥感图谱耦合认知理论研究，通过系统分析地理图斑两个图谱层次和6大信息特征：（1）信息图谱：形态—类型—指标；（2）知识图谱：结构—状态—趋势，构建了以图斑为基本认知单元的高分遥感智能计算方法体系；进而综合机器学习技术与遥感机理模型，按照“分区控制划分地理区块—分层提取地理图斑形态—时空协同反演覆盖变化指标—迁移学习分级土地类型”的技术路线，初步构建了精细形态、全面类型和定量指标的P-LUCC产品智能提取方法体系与技术原型，并按照“融入土壤与土地资源信息—推测土地类型知识图谱”的“五土合一”思路提出了P-LUCC产品专题应用的研究路线。通过对上述研究的进一步分析，可得到以下几点结论： （1）针对传统LUCC中土地利用与土地覆盖概念模糊与混淆的问题，提出以地理图斑为P-LUCC信息提取的基本认知单元，实现土地利用（LU）形态/类型和土地覆盖（LC）类型及其变化（LCC）指标的既统一（都以地理图斑为载体）又分离（LU体现在图斑外部视觉形态及利用类型上；LCC体现在图斑之上覆盖物的类型以及覆盖变化过程中的驱动因子和变化量），从而在概念层面为P-LUCC奠定理论基础； （2）针对传统遥感信息提取研究（无论是基于统计模型的遥感分类还是基于物理模型的遥感反演）对于微观层面视觉遥感研究相对缺失的问题，本文提出需根据地物在高分影像上表现的视觉特征的差异，用地理分区分层思路来构建针对不同形态特征的深度学习提取模型，以实现影像空间与地理空间之间具有真实映射与转换关系的图斑形态精细提取，从而在技术层面实现对P-LUCC地理图斑的对象化构建； （3）针对传统遥感信息提取研究对于机器学习技术应用相对单一而难以解决实际问题的现状，本文遵循“粒化—融合—关联”的大数据智能计算模式，提出“眼睛看—模型算—脑子想”整体模拟的P-LUCC信息智能提取方法体系，发展基于深度学习的分区分层感知（LU精细形态）、基于迁移学习的时空协同反演与多粒度类型推测（LCC定量指标与分级类型）以及基于强化学习的迭代自组织优化（P-LUCC形态、类型与指标）3种机器学习模型紧密耦合的遥感大数据智能计算体系； （4）针对当前对于遥感信息提取技术难以工程化实施的系统性问题，本文提出必须将地理分析思想与机器学习技术、遥感机理模型在顶层设计上达到高度综合与有机协调，对于“多源数据—地学模型—计算环境”三者研究缺一不可，才可能设计并研发出产品质量可控、性能不断趋优的P-LUCC产品生产系统，通过本文对于区域P-LUCC生产案例的综合分析也初步论证了大规模产品生产线研发已具备可行性； （5）本文对于P-LUCC智能提取方法的研究也进一步完善了遥感信息图谱理论的认知体系，实现了微观视觉遥感与宏观定量遥感研究在LU地理图斑层面“图”与“谱”的耦合，进而通过发展“五土合一”的研究思想分别发展P-LUCC信息图谱的基础产品和知识图谱的专题产品两个层级的信息生产、定制与应用的方法，为大规模数据获取、智能化信息提取与知识化专题服务的一体化平台构建提供了理论支撑。 5.2　展望 2 通过我们的研究实践以展望未来，面向国家遥感大数据规模化应用与持续性更新服务的平台建设的大目标，还需对本文提出的理论技术体系中主要环节的科学问题和关键技术开展更深入的探索与突破，重点要在以下几方面开展进一步的研究： （1）研究人类活动与自然生态环境相协同的控制区块划分方法。目前研究主要是通过人工路网与半自然的水系提取来着重划分人类活动区的地理区块用以LU图斑的分层提取控制，未来可进一步对生态自然区基于高精度DEM数据进行隐性的地形网（山脊线、沟谷线）提取来加以控制，以开展用坡面作为区块对林草、岩土等自然图斑进行分层提取；与分层提取同步，还可对地形地貌、气候水文等土地资源信息作为知识背景从上而下以属性方式迁移到图斑之上，为“五土合一”的P-LUCC专题信息定制提供基本要素； （2）研究地理区块控制下可继续细分的LU图斑分层感知方法。本文目前是根据地表地理现象所呈现的“建、水、土、生、地”5大类型的地理实体，分别根据人工图斑“边缘/纹理”耦合的视觉特征以及自然图斑的纹理视觉特征来构建基于深度学习与多尺度分割的图斑提取模型，是比较粗粒度的层级划分；未来在5大顶层层级划分的基础上，针对每一大类还可以进一步再细分LU图斑的形态类型，比如针对“土”的耕地地块的提取，可以进一步再细分为平原坝区的规则水田地块、不规则的园地地块以及山地区形态不规则的坡耕地等根据其视觉特征上表现的微小差异再进一步细分基于深度学习的提取模型； （3）研究多源多模态数据与LU图斑融合的迁移学习方法。进一步针对4种大类的多源多模态数据（历史解译数据、时序观测数据、土地资源数据以及互联网标注数据），需根据每一种数据来源及类型特征，分别构建与LU图斑的时空结构化融合模型，包括不同分辨率尺度转换的融合、时序特征重建的融合、离散点到面的同化与推测以及不精准位置与语义空间叠加的信息关联等，从而建立一整套以LU图斑为对象的特征级信息融合的模型集；进一步，在构建以LU图斑为对象的结构化信息表的基础上，需要系统地研究基于粒计算理论的知识迁移方法，重点突破信息约减、特征重构、知识表达与增强学习等关键技术； （4）研究基于地理实体开展定量遥感指标计算的科学问题。对于图斑动态的土地覆盖变化（LCC）的定量指标的分析计算，本文初步提出了微观视觉遥感与宏观定量遥感相结合的时空协同定量反演方法，未来还需深入探讨其中与传统定量遥感方法研究有所不同的科学问题，比如将LU图斑（地理实体）作为控制单元融入多种来源、不同分辨率、光谱特征有差异、主被动同步响应的遥感时序观测数据，在构建时序特征、缺失信息插值、尺度递推、基于时序特征的深度学习等关键技术方面有不断深入研究的空间，另外以作物地块为例开展生长模式指标反演方面还涉及细小地块像元分解、混合地块分解、地块时序种植分解、多云多雨地区光学与SAR协同响应关系构建、地面定量实测与地块信息同化等一系列科学问题有待突破； （5）研究基于GIS空间分析与优化方法的P-LUCC专题应用。P-LUCC信息是通过智能计算将影像空间映射为地理空间中以图斑为基本载体的信息单元组合，即将遥感数据转换为了矢量形态与多维属性耦合表达的地理信息，除了通过GIS空间制图技术能够对P-LUCC进行专题图和统计报表的制作，还可以进一步利用GIS空间分析与空间优化技术对P-LUCC信息开展更为领域化的产品定制，用以开展土地价值精算、国土空间承载力评价、空间功能利用规划、未来情景模拟等知识化的决策服务，比如基于空间统计、空间关系与空间网络等GIS分析方法可对P-LUCC空间场景构建以及相应评价指标的空间化计算提供支持，而区划、点位与路径等空间优化方法也是开展国土空间规划等深层次应用不可或缺的技术支撑，因此需要深入开展GIS方法与机器学习技术协同开展高分遥感驱动的P-LUCC信息专题应用所涉及的关键技术研究； （6）研究基于P-LUCC地理场景的动力模式解析的理论方法。基于P-LUCC信息开展的地理图斑模式的挖掘包括了分布、功能两种静态模式和生长、动力两种动态模式，本文初步探讨了通过“五土合一”的研究思路开展分布（分区分层LU形态）、功能（分级LU类型）以及生长（土地覆盖类型及其生长指标）这3种从浅层视觉理解到深层机理透视的模式挖掘问题，尚未涉及进一步融入动态数据开展空间结构与状态因子都在发生变化的趋势分析的动力模式挖掘研究，未来我们将重点开展P-LUCC信息与天气动力模式数据同化的精准气象预报、以P-LUCC地理图斑为基本单元的分布式水动力模型计算以及协同时空流与互联网感知信息进行社会经济行为模式预测等几个方向的动力模式解析理论与计算方法研究。 参考文献（References） Andrés S , Arvor D and Pierkot C . 2012 . Towards an ontological approach for classifying remote sensing images // Proceedings of 2012 Eighth International Conference on Signal Image Technology and Internet Based Systems . Sorrento, Italy : IEEE : 825 - 832 [ DOI: 10.1109/SITIS.2012.124 http://dx.doi.org/10.1109/SITIS.2012.124 ] Towards an ontological approach for classifying remote sensing images Bartholomé E and Belward A S . 2005 . GLC2000: a new approach to global land cover mapping from Earth observation data . International Journal of Remote Sensing , 26 ( 9 ): 1959 - 1977 [ DOI: 10.1080/01431160412331291297 http://dx.doi.org/10.1080/01431160412331291297 ] GLC2000: a new approach to global land cover mapping from Earth observation data Blaschke T , Hay G J , Kelly M , Lang S , Hofmann P , Addink E , Feitosa R Q , van der Meer F , van der Werff H , van Coillie F and Tiede D . 2014 . Geographic object-based image analysis–towards a new paradigm . ISPRS Journal of Photogrammetry and Remote Sensing , 87 : 180 - 191 [ DOI: 10.1016/j.isprsjprs.2013.09.014 http://dx.doi.org/10.1016/j.isprsjprs.2013.09.014 ] Geographic object-based image analysis–towards a new paradigm Blaschke T , Hay G J , Weng Q H and Resch B . 2011 . Collective sensing: integrating geospatial technologies to understand urban systems—an overview . Remote Sensing , 3 ( 8 ): 1743 - 1776 [ DOI: 10.3390/rs3081743 http://dx.doi.org/10.3390/rs3081743 ] Collective sensing: integrating geospatial technologies to understand urban systems—an overview Cai Y L . 2001 . A study on land use/cover change: the need for a new integrated approach . Geographical Research , 20 ( 6 ): 645 - 652 A study on land use/cover change: the need for a new integrated approach 蔡运龙 . 2001 . 土地利用/土地覆被变化研究: 寻求新的综合途径 . 地理研究 , 20 ( 6 ): 645- 652 [ DOI: 10.3321/j.issn:1000-0585.2001.06.001 http://dx.doi.org/10.3321/j.issn:1000-0585.2001.06.001 ] 土地利用/土地覆被变化研究: 寻求新的综合途径 Chen J and Chen J . 2018 . GlobeLand30: operational global land cover mapping and big-data analysis . Science China Earth Sciences , 61 ( 10 ): 1533 - 1534 GlobeLand30: operational global land cover mapping and big-data analysis 陈军 , 陈晋 . 2018 . GlobeLand30遥感制图创新与大数据分析 . 中国科学 : 地球科学 , 48 ( 10 ): 1391- 1392 [ DOI: 10.1360/N072018-00117 http://dx.doi.org/10.1360/N072018-00117 ] GlobeLand30遥感制图创新与大数据分析 Chen J , Chen J , Liao A P , Cao X , Chen L J , Chen X H , Peng S , Han G , Zhang H W , He C Y , Wu H and Lu M . 2014 . Concepts and key techniques for 30 m global land cover mapping . Acta Geodaetica et Cartographica Sinica , 43 ( 6 ): 551 - 557 Concepts and key techniques for 30 m global land cover mapping 陈军 , 陈晋 , 廖安平 , 曹鑫 , 陈利军 , 陈学泓 , 彭舒 , 韩刚 , 张宏伟 , 何超英 , 武昊 , 陆苗 . 2014 . 全球30m地表覆盖遥感制图的总体技术 . 测绘学报 , 43 ( 6 ): 551- 557 [ DOI: 10.13485/jc.nki1.1-20892.0140.089 http://dx.doi.org/10.13485/jc.nki1.1-20892.0140.089 ] 全球30m地表覆盖遥感制图的总体技术 Chen Y Q and Yang P . 2001 . Recent progresses of international study on land use and land cover change(LUCC) . Economic Geography , 21 ( 1 ): 95 - 100 Recent progresses of international study on land use and land cover change(LUCC) 陈佑启 , 杨鹏 . 2001 . 国际上土地利用/土地覆盖变化研究的新进展 . 经济地理 , 21 ( 1 ): 95- 100 [ DOI: 10.3969/j.issn.1000-8462.2001.01.022 http://dx.doi.org/10.3969/j.issn.1000-8462.2001.01.022 ] 国际上土地利用/土地覆盖变化研究的新进展 Chen Y S , Lin Z H , Zhao X , Wang G and Gu Y F . 2014 . Deep learning-based classification of hyperspectral data . IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing , 7 ( 6 ): 2094 - 2107 [ DOI: 10.1109/JSTARS.2014.2329330 http://dx.doi.org/10.1109/JSTARS.2014.2329330 ] Deep learning-based classification of hyperspectral data Demir B , Bovolo F and Bruzzone L . 2012 . Updating land-cover maps by classification of image time series: a novel change-detection-driven transfer learning approach . IEEE Transactions on Geoscience and Remote Sensing , 51 ( 1 ): 300 - 312 [ DOI: 10.1109/TGRS.2012.2195727 http://dx.doi.org/10.1109/TGRS.2012.2195727 ] Updating land-cover maps by classification of image time series: a novel change-detection-driven transfer learning approach Friedl M A , Sulla-Menashe D , Tan B , Schneider A , Ramankutty N , Sibley A and Huang X M . 2010 . MODIS Collection 5 global land cover: algorithm refinements and characterization of new datasets . Remote sensing of Environment , 114 ( 1 ): 168 - 182 [ DOI: 10.1016/j.rse.2009.08.016 http://dx.doi.org/10.1016/j.rse.2009.08.016 ] MODIS Collection 5 global land cover: algorithm refinements and characterization of new datasets Fu B J . 2017 . Geography: from knowledge, science to decision making support . Acta Geographica Sinica , 72 ( 11 ): 1923 - 1932 Geography: from knowledge, science to decision making support 傅伯杰 . 2017 . 地理学: 从知识、科学到决策 . 地理学报 , 72 ( 11 ): 1923- 1932 [ DOI: 10.11821/dlxb201711001 http://dx.doi.org/10.11821/dlxb201711001 ] 地理学: 从知识、科学到决策 Fu B J and Liu Y X . 2019 . The theories and methods for systematically understanding land resource . Chinese Science Bulletin , 64 ( 21 ): 2172 - 2179 The theories and methods for systematically understanding land resource 傅伯杰 , 刘炎序 . 2019 . 系统认知土地资源的理论与方法 . 科学通报 , 64 ( 21 ): 2172- 2179 [ DOI: 10.1360/N972018-01149 http://dx.doi.org/10.1360/N972018-01149 ] 系统认知土地资源的理论与方法 Fu G , Liu C J , Zhou R , Sun T and Zhang Q J . 2017 . Classification for high resolution remote sensing imagery using a fully convolutional network . Remote Sensing , 9 ( 5 ): 498 [ DOI: 10.3390/rs9050498 http://dx.doi.org/10.3390/rs9050498 ] Classification for high resolution remote sensing imagery using a fully convolutional network Gong P , Liu H , Zhang M N , Li C C , Wang J , Huang H B , Clinton N , Ji L Y , Li W Y , Bai Y Q , Chen B , Xu B , Zhu Z L , Yuan C , Suen H P , Guo J , Xu N , Li W J , Zhao Y Y , Yang J , Yu C Q , Wang X , Fu H H , Yu L , Dronova I , Hui F M , Cheng X , Shi X L , Xiao F J , Liu Q F and Song L C . 2019 . Stable classification with limited sample: transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017 . Science Bulletin , 64 ( 6 ): 370 - 373 [ DOI: 10.1016/j.scib.2019.03.002 http://dx.doi.org/10.1016/j.scib.2019.03.002 ] Stable classification with limited sample: transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017 Hansen M C , Defries R S , Townshend J R G and Sohlberg R . 2000 . Global land cover classification at 1 km spatial resolution using a classification tree approach . International Journal of Remote Sensing , 21 ( 6/7 ): 1331 - 1364 [ DOI: 10.1080/014311600210209 http://dx.doi.org/10.1080/014311600210209 ] Global land cover classification at 1 km spatial resolution using a classification tree approach Huang B , Zhao B and Song Y M . 2018 . Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery . Remote Sensing of Environment , 214 : 73 - 86 [ DOI: 10.1016/j.rse.2018.04.050 http://dx.doi.org/10.1016/j.rse.2018.04.050 ] Urban land-use mapping using a deep convolutional neural network with high spatial resolution multispectral remote sensing imagery Iounousse J , Er-Raki S , Motassadeq A E and Chehouani H . 2015 . Using an unsupervised approach of Probabilistic Neural Network (PNN) for land use classification from multitemporal satellite images . Applied Soft Computing , 30 : 1 - 13 [ DOI: 10.1016/j.asoc.2015.01.037 http://dx.doi.org/10.1016/j.asoc.2015.01.037 ] Using an unsupervised approach of Probabilistic Neural Network (PNN) for land use classification from multitemporal satellite images Jean N , Burke M , Xie M , Davis W M , Lobell D B and Ermon S . 2016 . Combining satellite imagery and machine learning to predict poverty . Science , 353 ( 6301 ): 790 - 794 [ DOI: 10.1126/science.aaf7894 http://dx.doi.org/10.1126/science.aaf7894 ] Combining satellite imagery and machine learning to predict poverty LeCun Y , Bengio Y and Hinton G . 2015 . Deep learning . Nature , 521 ( 7553 ): 436 - 444 [ DOI: 10.1038/nature14539 http://dx.doi.org/10.1038/nature14539 ] Deep learning Li J , Bioucas-Dias J M and Plaza A . 2013 . Spectral-spatial classification of hyperspectral data using loopy belief propagation and active learning . IEEE Transactions on Geoscience and Remote Sensing , 51 ( 2 ): 844 - 856 [ DOI: 10.1109/TGRS.2012.2205263 http://dx.doi.org/10.1109/TGRS.2012.2205263 ] Spectral-spatial classification of hyperspectral data using loopy belief propagation and active learning Li X B . 1996 . A review of the international researches on land use/land cover change . Acta Geographica Sinica , 51 ( 6 ): 553 - 558 A review of the international researches on land use/land cover change 李秀彬 . 1996 . 全球环境变化研究的核心领域──土地利用/土地覆被变化的国际研究动向 . 地理学报 , 51 ( 6 ): 553- 558 [ DOI: 10.11821/xb199606009 http://dx.doi.org/10.11821/xb199606009 ] 全球环境变化研究的核心领域──土地利用/土地覆被变化的国际研究动向 Liu J Y , Kuang W H , Zhang Z X , Xu X L , Qin Y W , Ning J , Zhou W C , Zhang S W , Li R D , Yan C Z , Wu S X , Shi X Z , Jiang N , Yu D S , Pan X Z and Chi W F . 2014 . Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 1980 s. Acta Geographica Sinica , 69 ( 1 ): 3 - 14 Spatiotemporal characteristics, patterns and causes of land use changes in China since the late 刘纪远 , 匡文慧 , 张增祥 , 徐新良 , 秦元伟 , 宁佳 , 周万村 , 张树文 , 李仁东 , 颜长珍 , 吴世新 , 史学正 , 江南 , 于东升 , 潘贤章 , 迟文峰 . 2014 . 20世纪80年代末以来中国土地利用变化的基本特征与空间格局 . 地理学报 , 69 ( 1 ): 3- 14 [ DOI: 10.11821/dlxb201401001 http://dx.doi.org/10.11821/dlxb201401001 ] 20世纪80年代末以来中国土地利用变化的基本特征与空间格局 Liu J Y , Liu M L , Zhuang D F , Zhang Z X and Deng X Z . 2002 . Study on spatial pattern of land-use change in china during 1995 — 2000 . Science in China (Series D) , 32 ( 12 ): 1031 - 1040 Study on spatial pattern of land-use change in china during 刘纪远 , 刘明亮 , 庄大方 , 张增祥 , 邓祥征 . 2002 . 中国近期土地利用变化的空间格局分析 . 中国科学(D辑) , 32 ( 12 ): 1031- 1040 [ DOI: 10.3969/j.issn.1674-7240.2002.12.008 http://dx.doi.org/10.3969/j.issn.1674-7240.2002.12.008 ] 中国近期土地利用变化的空间格局分析 Liu J Y , Zhang Z X , Xu X L , Kuang W H , Zhou W C , Zhang S W , Li R D , Yan C Z , Yu D S , Wu S X and Jiang N . 2009 . Spatial patterns and driving forces of land use change in China in the early 21st century . Acta Geographica Sinica , 64 ( 12 ): 1411 - 1420 Spatial patterns and driving forces of land use change in China in the early 21st century 刘纪远 , 张增祥 , 徐新良 , 匡文慧 , 周万村 , 张树文 , 李仁东 , 颜长珍 , 于东升 , 吴世新 , 江南 . 2009 . 21世纪初中国土地利用变化的空间格局与驱动力分析 . 地理学报 , 64 ( 12 ): 1411- 1420 [ DOI: 10.3321/j.issn:0375-5444.2009.12.001 http://dx.doi.org/10.3321/j.issn:0375-5444.2009.12.001 ] 21世纪初中国土地利用变化的空间格局与驱动力分析 Liu X W , Chen B M and Shi X Z . 2004 . A review of the research on land use and land cover change in china . Soils , 36 ( 2 ): 132 - 135, 140 A review of the research on land use and land cover change in china 刘新卫 , 陈百明 , 史学正 . 2004 . 国内LUCC研究进展综述 . 土壤 , 36 ( 2 ): 132 - 135 , 140 [ DOI: 10.3321/j.issn:0253-9829.2004.02.004 http://dx.doi.org/10.3321/j.issn:0253-9829.2004.02.004 ] 国内LUCC研究进展综述 Liu Y L and Li X . 2014 . Domain adaptation for land use classification: a spatio-temporal knowledge reusing method . Journal of Photogrammetry and Remote Sensing , 98 : 133 - 144 [ DOI: 10.1016/j.isprsjprs.2014.09.013 http://dx.doi.org/10.1016/j.isprsjprs.2014.09.013 ] Domain adaptation for land use classification: a spatio-temporal knowledge reusing method Loveland T R , Reed B C , Brown J F , Ohlen D O , Zhu Z , Yang L and Merchant J W . 2000 . Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data . International Journal of Remote Sensing , 21 ( 6/7 ): 1303 - 1330 [ DOI: 10.1080/014311600210191 http://dx.doi.org/10.1080/014311600210191 ] Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data Luo J C , Hu X D , Wu W and Wang B . 2016a . Collaborative computing technology of geographical big data . Journal of Geo-Information Science , 18 ( 5 ): 590 - 598 Collaborative computing technology of geographical big data 骆剑承 , 胡晓东 , 吴炜 , 王博 . 2016a . 地理时空大数据协同计算技术 . 地球信息科学学报 , 18 ( 5 ): 590- 598 [ DOI: 10.3724/SP.J.1047.2016.00590 http://dx.doi.org/10.3724/SP.J.1047.2016.00590 ] 地理时空大数据协同计算技术 Luo J C , Wu T J , Wu Z F , Zhou Y N , Gao L J , Sun Y W , Wu W , Yang Y P , Hu X D , Zhang X and Shen Z F . 2020 . Methods of intelligent computation and pattern mining based on geo-parcels . Journal of Geo-Information Science , 22 ( 1 ): 57 - 75 Methods of intelligent computation and pattern mining based on geo-parcels 骆剑承 , 吴田军 , 吴志峰 , 周亚男 , 郜丽静 , 孙营伟 , 吴炜 , 杨颖频 , 胡晓东 , 张新 , 沈占锋 . 2020 . 地理图斑智能计算及模式挖掘方法研究 . 地球信息科学 , 22 ( 1 ): 57- 75 [ DOI: 10.12082/dqxxkx.2020.190462 http://dx.doi.org/10.12082/dqxxkx.2020.190462 ] 地理图斑智能计算及模式挖掘方法研究 Luo J C , Wu T J and Xia L G . 2016b . The theory and calculation of spatial-spectral cognition of remote sensing . Journal of Geo-Information Science , 18 ( 5 ): 578 - 589 The theory and calculation of spatial-spectral cognition of remote sensing 骆剑承 , 吴田军 , 夏列钢 . 2016b . 遥感图谱认知理论与计算 . 地球信息科学学报 , 18 ( 5 ): 578- 589 [ DOI: 10.3724/SP.J.1047.2016.00578 http://dx.doi.org/10.3724/SP.J.1047.2016.00578 ] 遥感图谱认知理论与计算 Ma L , Liu Y , Zhang X L , Ye Y X , Yin G F and Johnson B A . 2019 . Deep learning in remote sensing applications: a meta-analysis and review . ISPRS Journal of Photogrammetry and Remote Sensing , 152 : 166 - 177 [ DOI: 10.1016/j.isprsjprs.2019.04.015 http://dx.doi.org/10.1016/j.isprsjprs.2019.04.015 ] Deep learning in remote sensing applications: a meta-analysis and review Marmanis D , Datcu M , Esch T and Stilla U . 2016 . Deep learning earth observation classification using ImageNet pretrained networks . IEEE Geoscience and Remote Sensing Letters , 13 ( 1 ): 105 - 109 [ DOI: 10.1109/LGRS.2015.2499239 http://dx.doi.org/10.1109/LGRS.2015.2499239 ] Deep learning earth observation classification using ImageNet pretrained networks Marsetič A , Oštir K and Fras M K . 2015 . Automatic orthorectification of high-resolution optical satellite images using vector roads . IEEE Transactions on Geoscience and Remote Sensing , 53 ( 11 ): 6035 - 6047 [ DOI: 10.1109/TGRS.2015.2431434 http://dx.doi.org/10.1109/TGRS.2015.2431434 ] Automatic orthorectification of high-resolution optical satellite images using vector roads Mou L C , Ghamisi P and Zhu X X . 2017 . Deep recurrent neural networks for hyperspectral image classification . IEEE Transactions on Geoscience and Remote Sensing , 55 ( 7 ): 3639 - 3655 [ DOI: 10.1109/TGRS.2016.2636241 http://dx.doi.org/10.1109/TGRS.2016.2636241 ] Deep recurrent neural networks for hyperspectral image classification Myint S W , Gober P , Brazel A , Grossman-Clarke S and Weng Q H . 2011 . Per-pixel vs . object-based classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment , 115 ( 5 ): 1145 - 1161 [ DOI: 10.1016/j.rse.2010.12.017 http://dx.doi.org/10.1016/j.rse.2010.12.017 ] Per-pixel vs Qian X S , Yu J Y and Dai R W . 1993 . A new discipline of science - The study of open complex giant system and its methodology . Journal of Systems Engineering and Electronics , 4 ( 2 ): 2 - 12 A new discipline of science - The study of open complex giant system and its methodology Shen Y C . 1992 . On land resource structure and its function—a case study of the arid area in Ningxia and Gansu provinces . Acta Geographica Sinica , 47 ( 6 ): 489 - 498 On land resource structure and its function—a case study of the arid area in Ningxia and Gansu provinces 申元村 . 1992 . 土地资源结构及其功能的研究——以宁夏、甘肃干旱区为例 . 地理学报 , 47 ( 6 ): 489- 498 [ DOI: 10.11821/xb199206002 http://dx.doi.org/10.11821/xb199206002 ] 土地资源结构及其功能的研究——以宁夏、甘肃干旱区为例 Stumpf A , Lachiche N , Malet J P , Kerle N and Puissant A . 2014 . Active learning in the spatial domain for remote sensing image classification . IEEE Transactions on Geoscience and Remote Sensing , 52 ( 5 ): 2492 - 2507 [ DOI: 10.1109/TGRS.2013.2262052 http://dx.doi.org/10.1109/TGRS.2013.2262052 ] Active learning in the spatial domain for remote sensing image classification Tuia D , Pasolli E and Emery W J . 2011 . Using active learning to adapt remote sensing image classifiers . Remote Sensing of Environment , 115 ( 9 ): 2232 - 2242 [ DOI: 10.1016/j.rse.2011.04.022 http://dx.doi.org/10.1016/j.rse.2011.04.022 ] Using active learning to adapt remote sensing image classifiers UCL (Université catholique de Louvain) , ESA (European Space Agency) . 2011 . GLOBCOVER 2009 Products Description and Validation Report . (Https：//www. docin. com/P-412963669.html) [2019-10-31] GLOBCOVER 2009 Products Description and Validation Report Wickham J D , Stehman S V , Fry J A , Smith J H and Homer C G . 2010 . Thematic accuracy of the NLCD 2001 land cover for the conterminous United States . Remote Sensing of Environment , 114 ( 6 ): 1286 - 1296 [ DOI: 10.1016/j.rse.2010.01.018 http://dx.doi.org/10.1016/j.rse.2010.01.018 ] Thematic accuracy of the NLCD 2001 land cover for the conterminous United States Wu B F , Yuan Q Z , Yan C Z , Wang Z M , Yu X F , Li A N , Ma R H , Huang J L , Chen J S , Chang C , Liu C L , Zhang L , Li X S , Zeng Y and Bao A M . 2014 . Land cover changes of china from 2000 to 2010 . Quaternary Sciences , 34 ( 4 ): 723 - 731 Land cover changes of china from 2000 to 2010 吴炳方 , 苑全治 , 颜长珍 , 王宗明 , 于信芳 , 李爱农 , 马荣华 , 黄进良 , 陈劲松 , 常存 , 刘成林 , 张磊 , 李晓松 , 曾源 , 包安明 . 2014 . 21世纪前十年的中国土地覆盖变化 . 第四纪研究 , 34 ( 4 ): 723- 731 [ DOI: 10.3969/j.issn.1001-7410.2014.04.04 http://dx.doi.org/10.3969/j.issn.1001-7410.2014.04.04 ] 21世纪前十年的中国土地覆盖变化 Wu T J , Dong W , Luo J C , Sun Y W , Huang Q T , Wu W Z and Hu X D . 2019 . Geo-parcel-based geographical thematic mapping using C5.0 decision tree: a case study of evaluating sugarcane planting suitability . Earth Science Informatics , 12 ( 1 ): 57 - 70 [ DOI: 10.1007/s12145-018-0360-8 http://dx.doi.org/10.1007/s12145-018-0360-8 ] Geo-parcel-based geographical thematic mapping using C5.0 decision tree: a case study of evaluating sugarcane planting suitability Wu W Z and Leung Y . 2011 . Theory and applications of granular labelled partitions in multi-scale decision tables . Information Sciences , 181 ( 18 ): 3878 - 3897 [ DOI: 10.1016/j.ins.2011.04.047 http://dx.doi.org/10.1016/j.ins.2011.04.047 ] Theory and applications of granular labelled partitions in multi-scale decision tables Wu W Z , Leung Y and Mi J S . 2009 . Granular computing and knowledge reduction in formal contexts . IEEE Transactions on Knowledge and Data Engineering , 21 ( 10 ): 1461 - 1474 [ DOI: 10.1109/TKDE.2008.223 http://dx.doi.org/10.1109/TKDE.2008.223 ] Granular computing and knowledge reduction in formal contexts Wulder M A , Coops N C , Roy D P , White J C and Hermosilla T . 2018 . Land cover 2.0 . International Journal of Remote Sensing , 39 ( 12 ): 4254 - 4284 [ DOI: 10.1080/01431161.2018.1452075 http://dx.doi.org/10.1080/01431161.2018.1452075 ] Land cover 2.0 Yang Y P , Huang Q T , Wu W , Luo J C , Gao L J , Dong W , Wu T J and Hu X D . 2017 . Geo-parcel based crop identification by integrating high spatial-temporal resolution imagery from multi-source satellite data . Remote Sensing , 9 ( 12 ): 1298 [ DOI: 10.3390/rs9121298 http://dx.doi.org/10.3390/rs9121298 ] Geo-parcel based crop identification by integrating high spatial-temporal resolution imagery from multi-source satellite data Zadeh L A . 1979 . Fuzzy sets and information granularity //Gupta N, Ragade R, Yager R, eds. Advances in Fuzzy Set Theory and Applications . Amsterdam : World Scientific Publishing : 111 - 127 Fuzzy sets and information granularity Zhang J H , Feng Z M and Jiang L G . 2011 . Progress on studies of land use/land cover classification systems . Resources Science , 33 ( 6 ): 1195 - 1203 Progress on studies of land use/land cover classification systems 张景华 , 封志明 , 姜鲁光 . 2011 . 土地利用/土地覆被分类系统研究进展 . 资源科学 , 33 ( 6 ): 1195 - 1203 土地利用/土地覆被分类系统研究进展 Zhang L P , Zhang L F and Du B . 2016 . Deep learning for remote sensing data: a technical tutorial on the state of the art . IEEE Geoscience and Remote Sensing Magazine , 4 ( 2 ): 22 - 40 [ DOI: 10.1109/MGRS.2016.2540798 http://dx.doi.org/10.1109/MGRS.2016.2540798 ] Deep learning for remote sensing data: a technical tutorial on the state of the art Zhang Z X , Wang X , Wen Q K , Zhao X L , Liu F , Zuo L J , Hu S G , Xu J Y , Yi L and Liu B . 2016 . Research progress of remote sensing application in land resources . Journal of Remote Sensing , 20 ( 5 ): 1243 - 1258 Research progress of remote sensing application in land resources 张增祥 , 汪潇 , 温庆可 , 赵晓丽 , 刘芳 , 左丽君 , 胡顺光 , 徐进勇 , 易玲 , 刘斌 . 2016 . 土地资源遥感应用研究进展 . 遥感学报 , 20 ( 5 ): 1243- 1258 [ DOI: 10.11834/jrs.20166149 http://dx.doi.org/10.11834/jrs.20166149 ] 土地资源遥感应用研究进展 Zhou C H and Luo J C . 2009 . Geoscience Computing of High Resolution Satellite Remote Sensing Image . Beijing : Science and Technology Press : 174 Geoscience Computing of High Resolution Satellite Remote Sensing Image 周成虎 , 骆剑承 . 2009 . 高分辨率卫星遥感影像地学计算 . 北京 : 科学出版社 : 174 高分辨率卫星遥感影像地学计算 Zhu L , Chen Y S , Ghamisi P and Benediktsson J A . 2018 . Generative adversarial networks for hyperspectral image classification . IEEE Transactions on Geoscience and Remote Sensing , 56 ( 9 ): 5046 - 5063 [ DOI: 10.1109/TGRS.2018.2805286 http://dx.doi.org/10.1109/TGRS.2018.2805286 ] Generative adversarial networks for hyperspectral image classification 10.11834/jrs.20219402 1007-4619（2021）07-1351-23 骆剑承，胡晓东，吴田军，刘巍，夏列钢，杨海平，孙营伟，徐楠，张新，沈占锋，周楠.2021.高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究.遥感学报，25（7）： 1351-1373 骆剑承，胡晓东，吴田军，刘巍，夏列钢，杨海平，孙营伟，徐楠，张新，沈占锋，周楠.2021.高分遥感驱动的精准土地利用与土地覆盖变化信息智能计算模型与方法研究.遥感学报，25（7）： 1351-1373 Luo J C，Hu X D，Wu T J，Liu W，Xia L G，Yang H P，Sun Y W，Xu N，Zhang X，Shen Z F and Zhou N. 2021. Research on intelligent calculation model and method of precision land use/cover change information driven by high-resolution remote sensing. National Remote Sensing Bulletin， 25（7）：1351-1373 Luo J C，Hu X D，Wu T J，Liu W，Xia L G，Yang H P，Sun Y W，Xu N，Zhang X，Shen Z F and Zhou N. 2021. Research on intelligent calculation model and method of precision land use/cover change information driven by high-resolution remote sensing. National Remote Sensing Bulletin， 25（7）：1351-1373 国家自然科学基金（编号：41631179，42071316）；国家重点研发计划（编号：2017YFB0503600）；陕西省重点研发计划（编号：2021NY-170）；长安大学中央高校基本科研业务费专项资金（编号：300102120201） Supported by National Natural Science Foundation of China (No. 41631179， 42071316); National Key Research and Development Project (No. 2017YFB0503600); Key Research and Development Program of Shannxi (No. 2021NY170); Fundamental Research Funds for the Central Universities, CHD (No. 300102120201) 2019-10-31 2021-07-07 2021-09-18 2020-11-10 遥感学报 7 25