融合高分辨率卫星影像与多源空间数据的地理国情普查城市地物自动分类方法

With the start of the national geographical conditions project and the expected continuing monitoring which will be carried out in the next decades, how to extract national land cover geographical conditions and other related information from the high-resolution remote sensing data quickly become a key scientific and technological issue with urgent breakthrough in the field of surveying and geo-information sciences. Existing manual interpretation method is time-consuming and labor intensive, while automatic classification method is difficult to meet the needs of classifying the complex scenes, e.g., urban area. This study explores the theory and methods of knowledge-centered automatic classification of the national geographical conditions urban objects by fusing high-resolution satellite images, airborne LiDAR point cloud data and DLG vector data. We focused on theories, methods and key technologies research on knowledge creation and object feature extraction from multi-source geospatial data, edge preserving image segmentation, and knowledge based image classification based on ontology and knowledge reasoning. The proposed project is innovated on developing a new remote sensing image classification method applied to multi-source geospatial data based on ontology and knowledge reasoning, the development of an edge preserving multi-spectral image segmentation method, and the development of the urban feature extraction methods with non-complete information and inconsistent data. The proposed approach solves the shortcomings of existing object classification on insufficient usage of prior knowledge, context information, the use of multi-source spatial information to improve the accuracy and efficiency of national geographical conditions urban object classification and updating.

随着我国地理国情监测工程的开展及常态化监测的进行，如何从高分辨率遥感数据快速提取地表覆盖等地理国情信息成为测绘地理信息领域急待突破的一项关键科学技术问题。现有人工解译方法费时费力，自动分类方法难以满足城市等复杂场景地物分类的需要。本研究基于高分辨卫星影像，探索以知识为中心、融合机载LiDAR点云数据和数字线划图进行地理国情普查城市地物自动分类的理论和方法。重点研究基于多源空间数据的地物特征库和知识库构建、保持边缘特征的影像分割、基于本体和知识推理的分类等以知识为中心的影像智能化分类的理论、方法和关键技术。项目创新性地提出基于本体和知识推理、融合多源空间数据的遥感影像分类方法，发展保持边缘特征的多光谱影像分割方法，发展信息不完备、数据不一致性情况下人工地物提取方法，可解决现有地物分类中对先验知识、上下文信息、多源空间信息的利用不足，提升地理国情普查城市地物提取与更新的精度和自动化程度。

随着我国地理国情监测工程的开展及常态化监测的进行，如何从高分辨率遥感数据快速提取地表覆盖等地理国情信息成为测绘地理信息领域急待突破的一项关键科学技术问题。现有人工解译方法费时费力，自动分类方法难以满足城市等复杂场景地物分类的需要。本研究基于高分辨卫星影像，探索以知识为中心、融合机载LiDAR点云数据等进行地理国情普查城市地物自动分类的理论和方法。项目从地理本体的概念出发，提出“地理实体概念本体描述-遥感影像分类地理本体建模-地理本体驱动的影像对象分类”技术框架，实现“现实世界-地理实体-地理对象-影像对象”形式化语义表达。在此基础上，以地理国情普查中的地表覆盖一级类及常用多源高分辨率卫星遥感影像为数据基础，构建了地理国情普查典型地物特征库与知识库；针对传统分割分类方法对语意表达不足的问题，提出图论与分型网络演化相结合的多尺度分割方法和基于机器学习与专家规则相结合的地物语义分类方法，显著改善了遥感影像分割、分类的效率和效果，实现了地理实体领域知识的共享与语义网络模型的复用。以大丰市城区某区域作为实验区，利用获取的该地区高分辨率卫星遥感影像及机载LiDAR数据，开展了基于本体和语义网络模型的多源遥感数据分类试验。试验表明，从总体精度和Kappa系数来看，基于本体建模的城市地物分类的总体精度为93.22%，Kappa系数为89.27%；不依赖本体建模的决策树分类方法的城市地物分类的总体精度为90.7%，Kappa系数为85.2%；不依赖本体建模的最邻近分类方法的城市地物分类的总体精度为69.57%，Kappa系数为53.56%。同时，应用了LiDAR数据提取的高程信息的本体模型，可以很好的将建筑物从其他地物分类出来，用户精度和生产精度均可以达到98%以上。实验表明，基于本体模型的分类结果优于传统机器学习方法，具有进一步研究的价值。

内容获取失败，请点击重试