多层级遥感地理分区构建及其指导下的遥感智能解译研究
文献类型：学位论文
| 作者 | 刘晓亮 |
| 答辩日期 | 2025-06 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 杨晓梅 |
| 关键词 | 遥感地理分区 遥感大数据 遥感智能解译 地学知识 复杂自然场景 |
| 学位名称 | 博士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 随着卫星遥感技术的快速发展，遥感已进入多源、多尺度、多时相的大数据时代，为地表信息获取提供了丰富的数据支撑。然而，自然场景作为复杂巨系统，其地理要素的时空异质性、相互作用复杂性及尺度依赖性，导致遥感影像中地物特征与类别属性的对应关系呈现显著的多尺度空间异质性与分类不确定性，使得遥感智能解译面临巨大挑战。传统基于数据驱动的解译方法虽通过算法改进和样本扩增取得一定成效，但受限于对自然场景复杂性内涵的认知不足，以及缺乏地学规律知识的指导，仍难以满足不同复杂场景下的精细化解译需求。地理分区通过将复杂自然场景解构为不同层级的内部均质、外部异质的区域单元，为区域内隐含的多尺度地学规律知识提供了空间化的显式表征框架。然而，现有地理分区理论与方法体系仍不完善，如何构建面向遥感智能解译的地理分区（简称遥感地理分区），实现规律性地学知识与遥感智能解译过程的深度融合，是突破当前遥感大数据智能处理与空间认知瓶颈的关键科学问题。 针对当前复杂自然场景下遥感智能解译面临的自然场景复杂性地学认知不足以及缺乏地学规律知识指导等问题，本研究在借鉴等级理论与地理分区思想的基础上，综合考虑地学规律知识的尺度依赖性、遥感影像的多尺度表达特性，以及遥感解译中知识与信息耦合协同的实际需求，将宏观地学分析与微观视觉认知相结合，设计并构建了涵盖“宏观-中观-微观”三个层次的多层级遥感地理分区框架体系，并系统评估了其在遥感智能解译中的应用价值。本研究取得的主要研究进展如下： （1）构建了宏观尺度机理驱动的全国遥感物候模式分区方案。针对大区域遥感解译普遍面临的“同谱异物”和“同物异谱”现象以及缺乏宏观地学规律总控等问题，利用遥感观测的反映地表植被绿度状态的植被指数和反映地表植被生长发育节律的关键物候期建立分区指标体系，以反映微地貌形态、坡面属性及地表物质组成的地貌小区为分区单元，采用空间聚类算法构建了全国范围的遥感物候模式分区。基于差异显著性统计检验、土地覆被复杂程度及类别间光谱可分离性度量的分区评价结果表明，遥感物候模式分区可有效降低土地覆被复杂程度以及植被物候变化引起的类内特征异质程度，增强类别间的光谱可分离性。其中，类别间平均JM 距离最大提升幅度达9.12%，相较于气候分区等传统地理分区具有明显优势。总体而言，分区在影像时相筛选、代表性样本库构建、分区分类策略实施等方面展现出较高应用潜力，可为基于中低分辨率影像的大尺度土地覆被分类提供有效的科学指导和数据支持。 （2）构建了中观尺度解译目标驱动的区域动态分区方案。在宏观尺度分区的基础上，进一步设计了面向精细化类型解译需求的区域动态分区方案。以遥感物候模式二级分区中的典型农业区为研究区，以作物类型为解译目标开展分区方案研究与应用实践。利用高时间分辨率影像刻画作物生长过程轨迹，并以基于归一化谱熵量化的时序复杂性作为分区必要性判定依据。在此基础上，将基于时间序列谐波分析提取的作物生长过程特征作为分区指标，以具有相似地形特征的地形单元作为分区单元，采用空间聚类算法构建典型农业区的作物生长过程分区方案。基于不同分区方案的水稻、玉米和大豆分类对比试验结果表明，相较于传统格网分区（OA=95.88%, Kappa=0.93），基于作物生长过程分区的分类方法不仅具备更高的分类精度（OA=96.69%, Kappa=0.95），还能够更精准地呈现作物的空间分布细节，充分验证了该分区方案在支持基于中高分辨率影像的区域尺度作物类型制图等研究中的可行性。 （3）构建了微观尺度数据驱动的高分影像场景分区方案。在中观尺度分区的基础上，进一步设计了面向精准边界信息解译需求的高分影像场景分区方案。自然场景在高分影像中的复杂性特征主要表现在影像的空间维度上，即影像中场景空间结构的复杂性。为此，提出一种基于多分辨率遥感影像的空间结构复杂性指数，以实现对不同类型场景空间结构差异的有效量化。在此基础上，以场景空间结构复杂性度量结果为分区依据，结合分割与聚类算法，实现了高分影像场景类型分区。研究结果表明，该分区方案能够将整幅影像划分为若干个光谱同质且空间结构相似的区域，显著降低遥感影像固有异质性。通过高分影像多尺度分割参数优化对比实验，验证了该分区方案在支持高分辨率影像分割中的实用性价值。与不分区相比，分区指导下的最优尺度影像分割在分割质量和精度上均表现出显著优势，分割总误差降低39.86%，影像分割质量得到大幅提升。 （4）开展了遥感地理分区指导下的智能解译关键技术研究，并以四川省眉山市复杂农业区为研究区，提出一种分区指导下的地块级农用地精细分类方法，对分区指导下的遥感智能解译关键技术进行应用示范。实验结果表明，遥感物候模式分区指导下确定的影像时相筛选范围，能够准确匹配作物物候日历，减少数据冗余及类间光谱混淆；作物生长过程分区指导下的训练样本自动生成与优化策略，能够为分类模型构建提供高质量训练样本支持；影像场景分区指导下确定的最优分割尺度参数，能够在复杂地形条件下精确划分地块边界，提供具备精准边界信息的对象单元。相较于不分区的全局分类方案，遥感地理分区指导下的分区分类方案在训练样本减少15%的条件下，总体分类精度提高4.25%，Kappa 系数增加0.05。就具体类型而言，分区分类方案对旱地、果园和林草地等典型农用地类型的用户或生产者精度提升显著，提升幅度为7.11%至13.71%。上述结果充分验证了遥感地理分区在复杂场景精细化解译中的实用价值，为分区理论的实际应用提供了技术示范。 综上所述，本研究构建的多层级遥感地理分区框架体系通过机理驱动与数据驱动的双向协同，能够将规律性地学知识系统性地融入遥感解译的各个环节，满足不同分辨率和尺度的解译应用需求，有效提升遥感认知精度及智能化程度。 |
| 学科主题 | 地图学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 192 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/217363]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 刘晓亮. 多层级遥感地理分区构建及其指导下的遥感智能解译研究[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。