面向土地利用/覆被数据更新的遥感影像域自适应学习研究

Accurate Land Use/Land Cover (LUCC) type automatic interpretation requires adequate training samples, which makes it hard to automatically update the LUCC data in a large scale. Learning from the process of recognizing change information in remote sensing image by human, this research takes full advantage of the existing remote sensing image and LUCC data, combining the theory and methods in domain adaptive learning. The feature changes among multi-temporal remote sensing images is the starting point of the research. First, based on feature mapping, the feature changes and the corresponding semantic changes are modeled. Second, the spatial-temporal regulation of the change patterns are analyzed, which helps to construct spatial-temporal domain and change information transfer knowledge base. Then the transferring mechanism of change information under cooperative constraint of multiple sources and other priori knowledge is analyzed to propose the change information transfer model on multiple sources to multiple targets. Last, instance data is used to validate this model, which will also be used in Yangtze River delta science data center for data producing. This research is hopeful to enrich the spatial –temporal data mining theory and methods of remote sensing data and providing feasible technology for automatically LUCC data updating.

准确的土地利用/覆被自动解译需要大量的训练样本，限制了大范围实时的土地利用/覆被数据自动更新的实现，本课题借鉴人脑对遥感影像中变化信息的识别模式，结合域自适应学习的基本理论和方法，充分利用已有遥感影像以及土地利用/覆被数据中的大量历史知识，从多时相遥感影像的特征变化出发开展研究。在特征映射的基础上，对多时相遥感影像中特征变化及其对应的语义变化进行建模；分析相关变化模式的时空规律，构建面向变化信息迁移的遥感影像分析时空领域，以及变化信息迁移知识库；研究多源域和其他先验知识协同约束下的变化信息迁移机制，提出多源域多目标域的变化知识迁移方法，构建域自适应的土地利用/覆被变化信息自动提取模型；以长三角科学数据中心的相关数据为例对上述研究进行验证。通过本课题的研究，丰富海量遥感影像时空数据挖掘的理论和方法，为土地利用/覆被数据自动更新提供可行的技术与方法。

土地利用/土地覆被变化研究在全球环境变化和可持续发展中占有重要地位，是全球变化研究中的核心内容，随着遥感数据的海量增长，如何快速准确地获取土地利用/覆被变化已成为重要的研究热点。本研究针对现有土地利用/覆被自动解译需要大量训练样本的问题，充分利用已有数据和专家知识，从遥感影像的特征变化出发，结合迁移学习的基本理论和方法，开展多源遥感影像特征变化及其语义变化建模，研究专家知识在分类过程中的分类参数确定缺乏量化的理论依据的问题，并针对跨时相遥感影像中的迁移分类问题进行研究，通过已知地类标签的影像作为源域，完成对地类标签未知的目标域影像的分类任务。首先，针对不同遥感数据源，分别研究遥感影像特征变化及其对应的语义变化特征表达，借助词包模型构建方法生成影像文档和单词，利用多尺度分割挖掘影像中对象的空间关系，引入“主题流行度”和“主题内容”两种形式的影像文档区域属性，以协变量形式作为LDA模型的先验知识，构建面向高分辨率遥感数据土地覆被分类空间LDA模型；针对中低分辨率，提出一种使用空间相邻视觉单词对S-BTM 模型，提高中分辨率影像文档隐主题推理的稳定性和准确性，相较于BTM模型使用更少的视觉单词对，可得到了更好的分类性能。其次，基于多源历史数据和专家知识构建了迁移学习知识库，基于高斯概率计算分类最佳阈值，通过计算机自动筛选最优分类规则和分类阈值，并提出了改进分离阈值算法，尝试改变专家知识无法定量化表达的问题。最后，研究了迁移学习中两种典型领域适配算法，针对两期遥感影像间相同位置像元间存在空间上的对应关系这一特点，对算法中距离度量函数进行改进，提出基于成对约束的迁移成分分析和基于成对约束的均衡分布适配算法；结果表明，对海量遥感数据和已有数据进行综合分析，借助迁移学习技术，能为土地利用/覆被快速更新提供技术支撑。该研究成果应用于国家地球系统科学数据中心-长三角分中心土地利用/覆被数据自动化生产任务中。