大规模地球科学知识图谱构建与共享应用框架研究与实践

地球科学（以下简称地学）知识图谱具有强大的知识表示和语义推理能力，已成为地学大数据和地学人工智能发展必要的基础设施。然而，目前的地学知识图谱研究主要面向实验场景，缺乏面向实际应用的大规模地学知识图谱构建方法和共享应用框架研究，导致尚未真正在地学领域现实应用中得到使用。为此，本文面向地学大数据和人工智能研究与应用对地学知识图谱的迫切需求，首先研究了大规模地学知识图谱的构建技术，在此基础上，提出一种覆盖地学知识图谱构建、共享和应用全生命周期的总体框架。然后，以“深时数字地球（DDE）”国际大科学计划为例，开展了面向实际应用的知识图谱平台研发实践。最后，利用该平台，构建了DDE大规模地学知识图谱，开展了知识图谱开放共享，有效实现了知识图谱应用，证明本框架可有效支撑大规模地学知识图谱的构建与共享应用。本文对于地学知识图谱现实应用价值的实现具有重要的促进作用。     

遥感图谱认知理论与计算

近年来,随着对地观测技术的迅猛发展,卫星遥感领域逐渐进入了大数据时代。针对当前遥感应用的需求和特点,开展与视觉认知相结合的高分辨率遥感认知理论与方法研究是可行且必要的。在此背景下,受地学信息图谱思想启发,本文对遥感认知领域的图谱问题进行了研究,系统地提出了遥感图谱认知理论与计算方法论,旨在规范高分辨率遥感信息提取流程,构建精细化、定量化、智能化、综合化相结合的遥感信息解译模型。整套方法体系由横向“自底向上的分层抽象”和纵向“自顶向下的知识迁移”2个方向上的认知计算组成,分别对应了“由谱聚图”、“图谱协同”和“认图知谱”3大图谱转化过程。论文对涉及的概念、基本思想、关键技术及难点问题进行了重点分析,强调综合利用大数据、逐步融入知识来实现不同层次的遥感认知,以期为数据源极大丰富条件下的遥感信息解译提供新的视角。     

试论地学信息图谱思想的内涵与传承

地学信息图谱是陈述彭先生倡导的重要理论探索领域。本文根据先生的相关文献和论述,探讨了地学信息图谱思想的内涵,认为图谱是许多领域都采用的表达和分析的方法论,地学图谱是针对地学领域地学现象和过程的图谱,地学信息图谱则强调在地理信息系统支持下,通过定量地学信息（地学数据库）和地理计算实现的地学图谱,以期通过运用地学图形语言进行地理时空表达与分析,用于描述人与自然和谐相处的规律,反演它的过去,评估它的现状乃至预测它的未来。地学信息图谱思想的提出与陈述彭先生的职业生涯密切相关。他青年时期的坚实地理学基础,中年时期将综合地理和地图设计紧密结合的实践,晚年时期对遥感与地理信息系统的引领,促使他集一生在地理科学研究中的丰富理论、方法、技术成果积淀,开辟了这一探索性的地学研究新领域。地学信息图谱是陈述彭先生留给后来者的科学问题。为此,作者根据新近相关领域的研究进展,提出了未来可能的研究方向：全息地图的发展是地学信息图谱表达的重要基础,并有助于进一步发现新的地学现象和新的地学规律。遥感对地表信息的“谱”探知要以地理学“图”分析思想为支撑,它将最终回归于对复杂地表分布与内在发生机理等地理学核心问题的回答。地学信息图谱的认知以人地关系为中心,以实现从客观地理空间到虚拟空间的人地关系新认知构建一套认知理论。地学信息图谱的目标是辅助发现与利用新的地学知识,为实现自动化、智能化的地理知识图谱奠定理论与方法基础。     

地学信息图谱思想与实践探索

本文回顾和综述了陈述彭院士关于地学信息图谱的学术思想,该学术思想来源于陈先生的科学实践。他提出了地学信息图谱的相关概念及其类型体系,地学信息图谱是地学图谱与现代信息技术结合的产物。地学信息图谱的核心在于发现地学时空知识和规律,并能为社会经济建设提供应用服务。按研究对象划分为地学各分支学科的信息图谱和各行业的信息图谱,按功能划分为：征兆图谱、诊断图谱和实现图谱。陈先生发展了地学信息图谱生成的技术方法,提出了地学信息图谱的工作流程,促进了地学信息图谱在经济社会发展中的应用。陈先生指出了发展地学信息图谱的创新方向：创新地学大数据获取技术方法,提升地学信息图谱生成智能化与自动化水平,促进地学信息图谱应用的深度和广度。陈先生指出网格地图是地学信息图谱的重要基础。该思想至今对推动地球信息科学的发展及其在解决国家重大战略需求方面,仍然具有重要的指导意义。总结了在陈先生地学信息图谱思想的指导下,在地学信息图谱方面的一些实践探索和结果,包括：发展了基于知识发现的专题信息提取和多数据多知识协同的精细地表要素获取的技术方法,提高了水体、绿被、积雪和城乡聚落提取以及精细土地利用和精细植被类型信息获取的自动化水平和效率;拓展了时空变化图谱的研究和应用,提升了时空变化图谱生成的智能化水平和效率;地学信息图谱在社会经济发展、生态建设、环境保护和灾害风险防控等方面的应用实践已展示出了巨大前景。最后,结合新时代共建全球人类命运共同体和地球科学国际化的重大战略需求,提出了开展全球地学信息图谱关键技术与应用研究,以期实现地表大观测到大数据,再到大知识大应用的提升转化,支撑地表治理体系和治理能力的现代化,提升地学服务经济社会发展的水平和能力,彰显学科特色与优势。     

地学知识图谱的定义、内涵和表达方式的探讨

在地学图谱和地学信息图谱的基础上,本文提出了地学知识图谱的概念,并介绍了地学知识图谱的基本框架、特征和理论意义。地学知识图谱将地学知识以虚拟空间坐标的形式反映在地图上,用以展示地理对象特征空间分布,揭示出一些隐含的规律。它是对地理知识形式化的图形表达,具有语法和语义特征,因此,有可计算性。它的基本组成要素和结构由所表达的内容决定。地学知识图谱,不仅是一种知识表达和数据挖掘的手段,也是空间认知的一种方式和结果。     

空间异质性定量研究方法

空间异质性是景观生态学定量化研究的核心,其定量研究方法包括景观综合图、数学模型和地学信息图谱.本文概括总结了景观综合图的内容和定量化指标,分析了这种定量化方法的优势和局限;对数学模型的复杂性、优点和与景观综合图的互补性作了简要分析,指出了数学模型研究需要进一步探讨和重视的问题;通过对地学信息图谱三个阶段(景观制图实验,图谱概念的提出和地学信息图谱理论的形成)的回顾和对其特点的分析,我们认为地学信息图谱综合了景观综合图和抽象的数学模型可以提供的互补信息,吸收了两者的优点,是空间异质性的综合定量研究方法.     

地学信息图谱方法研究的框架

本文对地学信息图谱方法从地理学的角度提出了概念性的框架 ,认为图谱研究不仅仅局限于表现 ,而且更重要的是一种分析方法。地学信息图谱是图形、方法和认知三者的综合与统一。讨论了对地学信息图谱概念的认识。然后从中国古代的风水理论和地图学 ,以及物理学和生物学方面分析了人类在使用图谱方法上的借鉴意义 ,最后从哲学、理论和技术的层面上分析和论述了地理学存在的问题 ,指出将分析与综合紧密结合在一起的整体综合思想 ,是地学信息图谱方法的哲学基础。地学信息图谱的内容将是联结地理学传统理论和地理信息系统之间的“纽带”。作为地学信息图谱研究的起步工作 ,地理学在区域地理单元及其等级体系 ;主要地理要素的遥感影像特征分析 ;地学信息图谱的表达方法三方面的进展将会使地学信息图谱的研究获得更清晰的思路。     

地学信息图谱的研究及其模型应用探讨

地学信息图谱系以遥感与地理信息系统等新技术 ,充分发挥人脑的形象思维能力来解决资源环境问题。它是地学思维在新时代下的新发展 ,在地学研究中有重要的理论和实践意义。文章着重分析了地学信息图谱研究近况 ,并结合生态系统综合评估 ,论述了地学信息图谱在该领域的应用。     

陕西省城镇与交通信息图谱的建立与分析

地学信息图谱是伴随地学信息知识的创新而产生的,建立地学信息图谱的过程就是对地学研究对象的认知过程。本文通过对陕西省城镇和交通信息图谱的建立与分析,指出陕西城市具有格状对称分布的规律;陕西交通布局具有线形对称分布的特征。通过以延安为中心的我国大城市靶形图谱分析,建议把延安发展成大城市,以带动陕北和周边地区的经济发展。结论是应在城镇与交通信息图谱的指导下,制定出陕西城镇与交通发展的科学规划。     

基于时序超图模型的战场环境多层次知识建模方法

新型作战样式对战场环境服务保障提出了新要求，战场环境智能化服务急需基于全域多维战场环境数据实现知识的提升。针对战场环境智能认知的知识建模问题，将知识图谱与战场环境相结合，提出了战场环境知识分类方法，认为战场环境知识图谱是大数据人工智能条件下战场环境知识表示的一种新形式；针对三元组知识表示碎片化的问题，构建了战场环境时序超图表示模型，实现了实体知识、事件知识、影响过程知识和服务决策知识的多层次统一图建模，将各类知识表示为具备时空特点、场景特点的统一知识超图网络；最后，利用地图、事件、影响过程和作战影响效能等数据进行实验验证，超图网络从语义层面实现了各类战场环境知识的关联，可进一步为实现基于超图的智能推理和服务决策提供支撑。     

遥感信息与知识交换共享元数据系统设计

随着遥感技术的飞速发展,遥感数据成为城市规划、地球科学研究、数字地球等重大科学研究和工程建设的重要数据源。但随着遥感数据量的不断增加和应用领域的扩大,如何科学有效地管理、存储、更新和重用已有的遥感数据资源,已成为当前空间信息元数据研究的热点。因此,有必要制订专门用于描述遥感数据及其相关资源的元数据系统,满足用户正确了解和使用遥感数据的需要,推动遥感数据共享。本文在研究和参考现有国家和国际地理信息元数据标准的基础上,设计了针对遥感信息与知识交换共享的元数据系统,该系统实现了遥感数据、相关辅助测量数据、应用方法模型以及传感器、平台等相关知识等信息的统一、规范表示,为遥感信息与知识交换共享搭建了元数据层次上的平台。     

地理时空大数据协同计算技术

大数据时代,地理时空数据的迅猛增长给应用理念、技术框架和服务形式带来挑战。本文在阐述地理时空大数据概念的基础上,首先分析了地理时空大数据计算面临的挑战,从数据协同、技术协同、服务协同和生产协同4个层次阐述了地理时空大数据协同计算方法;然后,根据平台化服务的需求设计了地理时空大数据协同计算框架,从遥感数据综合预处理、地理时空数据的组织与管理、地理时空大数据高效计算、地理时空大数据可视化4个方面论述了地理时空大数据协同计算实现的关键技术;最后,以遥感大数据综合处理系统作为案例说明了地理时空大数据协同计算与服务的实现方法,并对地理时空大数据的应用模式进行了展望。     

基于国产遥感卫星的典型要素提取技术框架

我国目前高精度典型要素数据建设主要集中在境内区域,境外几乎是空白,境外典型要素数据主要依靠卫星遥感技术获取。本项目拟从国产卫星影像几何定位、信息提取、参考框架构建、技术集成与应用示范等方面开展研究,突破境外典型要素提取关键技术难题,为全球典型要素提取工程化生产提供技术支撑,将显著提升我国地理空间信息全球生产和服务能力。     

面向地理国情监测的变化检测与地表覆盖信息更新方法

常态化地理国情监测能够全面、动态地掌握地理国情信息及其变化,为经济建设和社会发展提供数据基础。地理国情普查成果是按照统一规范标准、经过内业解译和外业核查形成的矢量数据。如何在普查成果的基础上,利用多时相遥感影像实现变化信息提取与更新是地理国情监测的关键。针对地理国情普查成果的特点与监测需求,以多时相遥感影像处理分析为基础,构建了针对地理国情监测的变化检测方法体系,提出了像元—对象结合的多时相影像变化检测、基于对象实体统计分析的变化识别方法,实现了综合地理国情普查成果和遥感影像的地理国情变化检测与数据更新。基于像元—对象结合的多时相影像变化检测首先根据传统的变化矢量分析法提取基于像元的变化检测结果,再以地理国情普查的矢量对象为统计单元计算对象内变化像元的比例,以此判断该矢量对象是否发生了变化,并根据变化像元的比例计算其变化强度。基于对象实体统计分析的变化检测方法直接以地理国情矢量为对象进行特征提取和差异构造,再将差异影像进行阈值分割得到基于地理国情对象的变化检测图。最后,根据变化检测结果,对变化区域进行面向对象分割,并从上一期未变化区域选取训练样本训练分类器模型以得到变化区域的地表覆盖类型,将变化区域与未变化区域结合得到更新后的地理国情矢量图。选取江阴市地理国情普查成果和两期高分辨率遥感影像进行试验,结果表明本文提出的方法在准确提取和解释变化区域的同时,明显提高了变化检测和数据更新的效率,可用于常态化地理国情监测。     

一种基于深度传递迁移学习的遥感影像分类方法

面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题。ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征。对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度。但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限。为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法。该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度。首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取。最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类。本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50%和25%数量的训练样本进行实验。实验结果表明,在50%和25%数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显。     

地理数据的不确定性研究

目前地理数据不确定性是制约遥感(RS)与地理信息系统(GIS)发展的主要因素之一,直接影响地理数据分析的空间决策支持系统输出的可信度。如何识别、量化、跟踪、减少、可视化表达地理数据不确定性,已引起地理信息科学领域专家的广泛重视,成为3S领域新的研究热点。本文先阐述地理数据不确定性研究的重要性,然后分析地理数据不确定性产生的根源,最后提出开展地理数据不确定性研究的方法及地理数据不确定性的优先研究领域。     

历史解译知识引导下组合遥感图谱特征的变化检测方法

高空间分辨率遥感影像为地表变化监测提供了大量细节信息,这使得基于高分辨率影像的变化检测技术成为当前遥感领域的研究热点之一。本文提出了一种历史解译知识引导下组合遥感图谱特征的变化检测方法。首先,通过分割前后时相的组合影像构建空间位置一致的对象,并在提取对象光谱和纹理特征后,引入前期土地覆盖专题图指导2类图谱特征相似度的DS证据融合;然后,利用其历史存档图斑所属区域的优势地类标签指示不同特征相似度的证据差异融合;最后,基于GMM（Gaussian Mixture Mode）模型的二值化方法提取最终的变化区域。实验结果表明,该方法能充分利用历史解译知识指导不同时相高分辨率影像对象特征相似度组合,一定程度上提高了变化检测正确率。     

融合边缘特征与语义信息的人工坑塘精准提取方法

针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。     

深度学习和遥感影像支持的矢量图斑地类解译真实性检查方法

空间数据质量检查是数据准确可靠的重要保障,是数据的生命线。然而,目前的空间数据质量检查主要针对拓扑关系、属性一致性以及数据间的相关性进行检查,往往忽视矢量图斑地类解译真实性问题。因此,本文提出深度学习和高分遥感影像支持的矢量图斑地类解译真实性检查方法,选用深度学习经典模型Inception_v3进行迁移学习,对分割后的影像进行自动场景分类,以高分遥感影像块的场景分类结果作为参照依据,对场景分类结果与矢量图斑原始数据进行叠加分析,自动查找出类别信息不符的分割单元,从而提取出可疑图斑,实现矢量图斑地类解译真实性自动检查,并在徐州市贾汪区青山泉镇和大吴镇的矢量图斑地类解译真实性检查中进行验证。实验结果表明,本文方法在研究区图斑地类解译真实性检查中的精确率和召回率分别高达0.925和0.817,可为矢量图斑地类解译真实性检查提供可靠的技术支撑。