全球地理信息資源+地表覆蓋數(shù)據(jù)生產(chǎn)技術規(guī)范

2本標準是自然資源部發(fā)布的2022年測繪行業(yè)標準計劃項目表覆蓋數(shù)據(jù)產(chǎn)品生產(chǎn)技術規(guī)范》。本標準由全國地理信息標地表覆蓋(LandCover)的空間分布及變化是全球氣候遙感影像的光譜、紋理等特征，利用傳統(tǒng)數(shù)理統(tǒng)計和人工交進行大范圍地表覆蓋數(shù)據(jù)產(chǎn)品生產(chǎn)，人工參與量大，耗時長著人工智能技術的飛速發(fā)展，深度學習方法因其能夠自動、蓋信息產(chǎn)品作為其中一項內(nèi)容，完成了30米分辨率地表覆蓋數(shù)據(jù)更新和產(chǎn)特點，逐步開展了基于深度學習的地表覆蓋數(shù)據(jù)產(chǎn)品工程化生產(chǎn)的技術升級。構建面向全球地表覆蓋要素的訓練樣本庫和深度學習模型是實現(xiàn)自動化生產(chǎn)的核心要素，在缺乏涉及樣本庫構建、深度學習模型訓練方面的自動化生產(chǎn)標準規(guī)范的條件下，通過相關技術升級在各重要環(huán)節(jié)形成了重通過對各生產(chǎn)環(huán)節(jié)進行梳理提煉，結合多尺度、多格式全球產(chǎn)品生產(chǎn)3形成相應的行業(yè)標準規(guī)范，以促進自動化生產(chǎn)的規(guī)范化和工程化水平，推）：）：第三航測遙感院、陜西測繪地理信息局、黑龍江測繪地理信息局、四川測1主編。負責組織標準編制大綱、主要內(nèi)容及征集意見的討論、修改及標準文本的統(tǒng)2副主編。協(xié)助組織標準編制大綱、主要內(nèi)容及意見的討論、修改、定稿等工作，起草總則、數(shù)據(jù)內(nèi)容及規(guī)格、作業(yè)流程、質(zhì)3參與總則、數(shù)據(jù)內(nèi)容及規(guī)程、質(zhì)量控制以4對標準的提綱以進行設計完善，提出修改5完成標準中深度學習模型的要求、作業(yè)流6對標準的提綱以進行設計完善，提出修改7參與標準起草和草案編制，完成訓練樣本要求，作業(yè)流程中關于訓練樣本構建等相48對總則、數(shù)據(jù)內(nèi)容及規(guī)格、質(zhì)量控制等內(nèi)9對作業(yè)流程中資料收集、數(shù)據(jù)源處理等內(nèi)對模型配置、模型訓練以及模型迭代優(yōu)化對質(zhì)量控制、數(shù)據(jù)成果內(nèi)容以及成果整理參與標準立項和草案編制，并對數(shù)據(jù)成果參與標準范圍、引用文件和術語定義的修起草數(shù)據(jù)成果與內(nèi)容、質(zhì)量控制等部分內(nèi)完善總則、資料收集部分內(nèi)容，完善相關起草成果整理與上交等部分內(nèi)容，完善數(shù)完善總則、成果數(shù)據(jù)部分內(nèi)容，完善相關起草質(zhì)量要求等部分內(nèi)容，完善數(shù)據(jù)產(chǎn)品本標準獲得立項批準后，主編單位積極開展啟動準備工作，組成了本標準編制小組（田海波、彭舒、陳家閣等），起草了實施方5國內(nèi)外有關現(xiàn)有標準，以及國內(nèi)地表覆蓋數(shù)據(jù)自動提取技術規(guī)范的實際實社交軟件、電子郵件和視頻會議的形式與國內(nèi)有地表覆蓋自動提取業(yè)務需求的生產(chǎn)作業(yè)單位、大學、科研院所的多位技術專家和生產(chǎn)專家進行多次交流探討，并根據(jù)專家意見對標準草案進行修改完善，于2023年10月安召開了該行業(yè)標準討論會，來自陜西局、龍江局以及四川局等多家單位補充，會議重點對標準的總則、數(shù)據(jù)成果、作業(yè)流程以及質(zhì)量控制進行了準編制說明，根據(jù)全國地理信息標準化技術委員會測繪分技術委員會標準全球地表覆蓋測繪制圖是一項復雜工程，包括遙感信息獲取、處理、管理、地表覆蓋采集、質(zhì)量控制、信息分發(fā)、共享、應用等。本標準是在全球地表覆蓋遙感制圖工程的實踐以及最新技術和形勢研判的基礎上，消化、吸收已有的國際標準，探討形成全球地理信息資源地表覆蓋數(shù)據(jù)產(chǎn)品6標準編制中認真遵循了先進性、通用性和規(guī)范性等原則，并重點把握結合國際本關工作的現(xiàn)狀和趨勢，立足于測繪制圖產(chǎn)品，按照《標準化工求，通過將實踐中梳理的原則、指標、步驟進行一般性、通用性、完整性的轉換，相關指標值參照開展全球地表覆蓋遙感制圖相關實踐提出并實現(xiàn)米地表覆蓋數(shù)據(jù)產(chǎn)品的生產(chǎn)技術規(guī)程是本標準的主要參考、采用、凝煉的針對全球地表覆蓋數(shù)據(jù)獲取提出的高精度、高頻次等新需求，根據(jù)近7制定針對性的地表覆蓋數(shù)據(jù)自動提取標準，規(guī)范相關作業(yè)過用于基于優(yōu)于30m分辨率光學遙感衛(wèi)星數(shù)據(jù)的地表覆蓋遙感本文件適用于利用上述方法開展的全球地理信息資源地表覆蓋數(shù)據(jù)產(chǎn)品的成果要求從數(shù)據(jù)源、訓練樣本要求、深度學習模型訓練要求以及總體分類精度要求等四個方面對全球地表覆蓋數(shù)據(jù)產(chǎn)品進行了說明。數(shù)據(jù)源從幾何、季相以及重疊等內(nèi)容列出相關要求；訓練樣本是從樣本類型、多傳感器以及樣本數(shù)量進行說明；深度學習模型訓練和預測主要實現(xiàn)分數(shù)據(jù)產(chǎn)品內(nèi)容定義了數(shù)據(jù)產(chǎn)品應包含的3項必要內(nèi)容，包括地表覆蓋成果數(shù)據(jù)、分類影像數(shù)據(jù)、深度學習樣本模型數(shù)據(jù)。對成果數(shù)據(jù)內(nèi)容的數(shù)據(jù)結構和內(nèi)涵進行了說明與定義，其中對于分類數(shù)據(jù)按照柵格型和矢量型兩種數(shù)據(jù)結果進行說明，元數(shù)據(jù)按照元數(shù)據(jù)信息和分類數(shù)據(jù)源信息進行規(guī)定。對樣本數(shù)據(jù)的組成和命名方式進行了規(guī)定，對模型描述文件8理的基礎上，通過深度學習方法提取地表覆蓋要素以及后處理，并經(jīng)過質(zhì)量檢查，最后生成地表覆蓋數(shù)據(jù)產(chǎn)品。工作主要包括：資料收集、訓練樣收集歷史地表覆蓋、第三次國土調(diào)查、基礎地理信息更新等矢量數(shù)據(jù)和對應時相的遙感影像數(shù)據(jù)，以及與地表覆蓋相關的文檔、表格等電子數(shù)據(jù)，用于遙感大樣本的構建；根據(jù)地表覆蓋數(shù)據(jù)任務空間范圍、時相及尺對遙感影像進行輻射校正、正射糾正、分辨率匹配、降位處理、重疊區(qū)裁剪等預處理，形成覆蓋地表覆蓋數(shù)據(jù)產(chǎn)品生產(chǎn)區(qū)域范圍的遙感影像數(shù)對輻射校正；逐景影像進行攝影幾何糾正和投影差改正，正射糾正應滿足至指定分辨率，使得測區(qū)內(nèi)影像具有相同的空間分辨率；降位處理：采用多期影像間重疊區(qū)地表覆蓋類別的歧義，重疊區(qū)內(nèi)保留質(zhì)量較高的影像并針對地表覆蓋監(jiān)測的需要，對收集的已有矢量成果進行類別映射、過9濾、矢量編輯等批處理等構建有效的樣本圖斑矢量成果。針對已有樣本圖斑矢量不能滿足樣本構建的情況下，要進行樣本勾繪進行補充，樣本勾繪盡量考慮空間和類型上均勻分布、多樣性的原則，提高樣本的典型性和泛形成命名規(guī)范、大小統(tǒng)一的樣本影像和標簽文件，并記錄樣本的相關詳細根據(jù)地表覆蓋數(shù)據(jù)自動提取的范圍、作業(yè)周期、類型復雜程度、符合的樣本情況，以及數(shù)據(jù)源的時相、分辨率、譜段等特點，選擇合適的模型進行訓練和驗證。深度學習采用多層神經(jīng)網(wǎng)絡實現(xiàn)端到端的訓練，包括樣本選擇、模型選擇、模型訓練。深度學習要考慮地表覆蓋的多尺度、空間關系、注意力機制、先驗知識等特性，選擇合適的優(yōu)化器和損失函數(shù)解決按照質(zhì)量檢查措施、質(zhì)量元素內(nèi)容對產(chǎn)品質(zhì)量部分進行規(guī)定。措施主要包括制定質(zhì)量元素和質(zhì)量控制實施兩個方面。質(zhì)量元素內(nèi)容參考《數(shù)字），對地表覆蓋成果及有關文檔資料進行整理，按以下內(nèi)容逐項登記，形成成果清單，檢查無誤后，正式提交，成果提交的目錄和文件組織由技術林地（020000）、人造地表（050000）和水域（070000）4個地表覆蓋一以孟加拉國11景資源三號影像及其對應地表覆蓋數(shù)據(jù)成果為訓練樣ZY306116120170117、ZY306116020161119、ZY306212）投影轉換：資三影像采用WGS84-UTM投影，10米土地覆蓋數(shù)據(jù)產(chǎn)針對不同的土地覆蓋類型提取任務訓練不同的模型，每個模型每次執(zhí)），為了選擇適用的分類策略，利用多光譜樣本分別訓練了全分類模型和單類提取模型，并基于在待測試多光譜影像上的取得的精度評價結果確定F-1度F-1度可以看出，單類分類的平均F-1值、Kappa系數(shù)分別比全分類提高了選擇層級式單分類策略后，還應確定單類提取結果組合的先后順序，即哪一類提取結果先掩膜、哪一類提取結構后掩膜。不同順序組合條件下1水域耕地林地+人造地表2水域人造地表+林地耕地3耕地水域林地+人造地表4耕地林地+人造地表水域5林地+人造地表水域耕地6林地+人造地表耕地水域注：考慮到測試影像中林地與人造地表特征相似，因此林地和人造地表首先作為一類提取，其次在范圍內(nèi)區(qū)分林地和人造地表。由于林地和人造地序精度略高于其他組合，這符合分層分類中先易后難的組合原則。但總體在取得同樣精度前提下需要更長的訓練時間，因此，首先在多光譜影像樣利用3564張多光譜影像樣本進行200個epoc其中，紅色序號表示單類提取的步驟順序，藍色序號表示層級組合的步驟失，可能造成分類結果中存在明顯的接邊線。為了盡量減少接邊問題的出現(xiàn)，采用128的擴展區(qū)對滑窗影像塊進行擴展，即每次輸入網(wǎng)絡的是生成一張與待分類影像尺寸相同、像素值均為0（代表無效值）的結4）其他地物賦值：將輸入圖像有效范圍內(nèi)的像素0修改為99（其他應的地面實地面積分別為10000平方米、25000平方米、10000平方米和10000平方米?？紤]到影像分類誤差可能導致的漏提取現(xiàn)象，按照規(guī)程中從精度和效率兩方面對現(xiàn)有方法進行評價：精度方面，針對單類提取其他）采用總體精度評價；效率方面，記錄了模型訓練時間、模型分類等F-1度采用精確率（查準率，Precision）、召回率（查全率，Rec2）召回率Recall即為正確提取的目標地物占目標地物真值比例，召3）F1指數(shù)為綜合考慮精確率和召回率的精度指標，在假定精確率和1）預訓練耗時：在利用多光譜樣本進行預訓練時，單個模型200個局域網(wǎng)多人共用的共享硬盤，因此，訓練速度耗時長主要是由局域網(wǎng)內(nèi)數(shù)蓋信息形成制圖數(shù)據(jù)產(chǎn)品規(guī)范的要求。本標準規(guī)定了中尺度全球地表覆蓋目前國際上有兩個關于地表覆蓋的標準，分別是ISO-19144-1“地理證階段。這兩個標準與本標準在技術內(nèi)容方面有所區(qū)別，本標準的制定部準主要對土地利用數(shù)據(jù)采用與建庫進行了規(guī)定，是面向國內(nèi)開展相關國土調(diào)查制定的規(guī)范，本標準立足于測繪數(shù)據(jù)產(chǎn)品，面向全球范圍的數(shù)據(jù)生產(chǎn)本標準中規(guī)定的產(chǎn)品數(shù)據(jù)源、分類系統(tǒng)、精度、尺度等關鍵指標均與無[1]GB/T5271.34-2006信息技術詞匯第34部分：人工智能神經(jīng)網(wǎng)絡[2]GB/T17694-2009地理信息術語[3]GB/T179412008數(shù)字測繪成果質(zhì)量要求[4]GB/T18314-2009全球定位系統(tǒng)GPS測量規(guī)范[5]GB/T19231土地基本術語[6]GB/T24356-2023測繪成果質(zhì)量檢查與驗收[7]GB/T25528-2010地理信息數(shù)據(jù)產(chǎn)品規(guī)范[8]GB/T20257.3-2017國家基本比例尺地圖圖式第3部分：1∶250001∶500001∶100000地形圖圖式[9]GB/T20257.4-2017國家基本比例尺地圖圖式第4部分：1∶2500001∶5000001∶1000000地形圖圖式[10]GB/T30322.1-2013地理信息分類系統(tǒng)第1部分：分類系統(tǒng)結構[11]CH/T1001-2005測繪技術總結編寫規(guī)定[1