典型地物遙感智能解譯技術(shù)規(guī)程

2典型地物要素遙感智能解譯技術(shù)規(guī)程本文件規(guī)定了典型地物遙感智能解譯的總體要求、主要內(nèi)容、技術(shù)流程和工作要求等內(nèi)本文件適用于典型地物遙感智能解譯的遙感監(jiān)測與識別，包括房屋建筑區(qū)、道路與鐵路、水域、耕地、園地、林地、草地、濕地等地物識別，其他地物遙感智能解譯可參照執(zhí)行。2規(guī)范性引用文件標(biāo)準(zhǔn)引用了下列文件或其中的條款。凡是注明日期的引用文件，其中，注日期的引用文件，僅該日期對應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。GB/T18316數(shù)字測繪成果質(zhì)量檢查與驗收GB/T21010土地利用現(xiàn)狀分類GB/T24356測繪成果質(zhì)量檢查與驗收GB/T41864信息技術(shù)計算機視覺術(shù)語GB/T41867信息技術(shù)人工智能術(shù)語GB/T42755人工智能面向機器學(xué)習(xí)的數(shù)據(jù)標(biāo)注規(guī)程CH/T1015.3基礎(chǔ)地理信息數(shù)字產(chǎn)品1:100001:50000生產(chǎn)技術(shù)規(guī)程第3部分：數(shù)字正射影像圖(DOM)》TD/T1055第三次全國國土調(diào)查技術(shù)規(guī)程3術(shù)語和定義下列術(shù)語和定義適用于本文件。3.1深度學(xué)習(xí)模型deep-learningmodel通過多個處理層自動學(xué)習(xí)和提取圖像中復(fù)雜特征的機器學(xué)習(xí)模型。這些模型能夠?qū)⑦b感圖像中的每個像素分類到特定的地物類別，實現(xiàn)高精度的像素級地物識別，模型通過標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練，能夠自動學(xué)習(xí)到遙感圖像中的各種地物特征，并實現(xiàn)高精度的像素級分類。3.2微調(diào)finetune在機器學(xué)習(xí)和深度學(xué)習(xí)中，微調(diào)是指使用在大型數(shù)據(jù)集上預(yù)訓(xùn)練的模型作為基礎(chǔ)模型，通過在特定任務(wù)的較小數(shù)據(jù)集上進(jìn)行額外的訓(xùn)練，使模型能夠更好地適應(yīng)該特定任務(wù)的過程。這種方法通常會凍結(jié)預(yù)訓(xùn)練模型的某些層，只訓(xùn)練最后幾層或新增的層，以防止模型在小數(shù)據(jù)集上過擬合，同時利用預(yù)訓(xùn)練模型中已經(jīng)學(xué)到的特征表示。33.3測試集testingset人工標(biāo)記的用來評價模型精度的數(shù)據(jù)集，數(shù)據(jù)不參與模型訓(xùn)練的過程，標(biāo)記結(jié)果具有較高的精度，同時為了準(zhǔn)確評估模型的適用性，數(shù)據(jù)集覆蓋的地物目標(biāo)具有較好的代表性。3.4圖斑mask在遙感地物識別中，圖斑是指通過影像分割技術(shù)，將遙感圖像劃分為一系列具有相似光譜特征、紋理特征或形狀特征的連通區(qū)域。這些區(qū)域通常被認(rèn)為是同一種地物類型或類別的代表。3.5樣本sample在機器學(xué)習(xí)和數(shù)據(jù)分析中，樣本是指從總體（或數(shù)據(jù)集）中抽取出的一部分?jǐn)?shù)據(jù)，用于訓(xùn)練、驗證或測試模型。在遙感圖像處理中，樣本通常是指從遙感圖像中提取的用于模型訓(xùn)練、驗證或測試的像素或圖斑數(shù)據(jù)。4總體要求4.1數(shù)學(xué)基礎(chǔ)坐標(biāo)系：2000國家大地坐標(biāo)系（CGCS2000高程基準(zhǔn)：1985國家高程基準(zhǔn)，正常高系統(tǒng)。4.2時間參考采用公歷紀(jì)年，時間采用北京時間。4.3解譯手段基于多源高分辨率衛(wèi)星遙感影像數(shù)據(jù)，采用AI模型識別的方法，開展典型地物的遙感監(jiān)測識別工作。4.4圖斑邊界誤差圖斑幾何位置與影像目標(biāo)地物邊界誤差不超出2個像素，邊界不明顯的自然地物邊界誤差應(yīng)不超出5個像素。5技術(shù)流程5.1技術(shù)流程圖典型地物遙感智能解譯是指基于高分辨率遙感影像數(shù)據(jù)，通過AI智能提取模型，獲取典型地物的分布等信息。技術(shù)流程主要包括數(shù)據(jù)準(zhǔn)備、智能識別、質(zhì)量控制、樣本和模型迭代以及成果輸出等，見圖1。45.2遙感數(shù)據(jù)準(zhǔn)備5.2.1影像數(shù)據(jù)要求a)影像數(shù)據(jù)位深度為8位，無過度曝光或欠曝光，無紋理不清、模糊、條帶色帶及噪b)影像數(shù)據(jù)無嚴(yán)重幾何畸變或扭曲，保持幾何形狀準(zhǔn)確性。c)選擇低云量影像，避免云和云陰影影響，減少云霧遮擋。d)使用不少于RGB三波段的真彩色遙感影像，模型只讀取前三波段數(shù)據(jù)。e)影像分辨率：房屋建筑區(qū)、道路與鐵路、水域、耕地、園地、林地、草地模型優(yōu)于2米，濕地模型優(yōu)于10米。5.2.2影像處理數(shù)據(jù)處理流程包括輻射增強、正射校正、云檢測、圖像鑲嵌等，預(yù)處理要求依據(jù)CH/T1015.3相關(guān)要求執(zhí)行，生成云量少，色彩表現(xiàn)良好且地理位置精確的影像數(shù)據(jù)。5.2.3影像質(zhì)檢對處理后的遙感影像數(shù)據(jù)進(jìn)行數(shù)據(jù)質(zhì)量檢查，檢查項及質(zhì)檢要求依據(jù)GB/T18316執(zhí)行。5.3典型地物智能解譯5.3.1解譯內(nèi)容解譯區(qū)域內(nèi)的典型地物的分布圖斑的空間位置、圖斑面積、屬性類型等。典型地物包括房屋建筑區(qū)、道路與鐵路、水域、耕地、園地、林地、草地、濕地等。5.3.2自動地物提取采用人工智能遙感地表要素自動化提取技術(shù)方法，基于地物樣本庫以及高分辨率遙感影像數(shù)據(jù)，實現(xiàn)典型地物的自動提取。自動算法基于訓(xùn)練完成的深度學(xué)習(xí)模型，流程包括數(shù)據(jù)處理、模型自動識別、結(jié)果后處理三個方面，能夠?qū)崿F(xiàn)目標(biāo)地物智能識別，掩膜結(jié)果輸出、圖斑矢量化、自動顏色渲染等功能。55.4質(zhì)量控制5.4.1質(zhì)量檢查內(nèi)容相關(guān)質(zhì)量要求按照GB/T24356和TD/T1055等相關(guān)規(guī)范要求執(zhí)行。采用“軟件自動檢查+人工審核抽查”方式，對提取目標(biāo)地物圖斑矢量數(shù)據(jù)的空間和屬性信息進(jìn)行正確性、完整性檢查，確保成果數(shù)據(jù)質(zhì)量。在解譯過程中質(zhì)量檢查包括以下內(nèi)容：a）人工對模型推理預(yù)測結(jié)果進(jìn)行10%抽樣檢查；b）審核過程檢查記錄；c）提出的質(zhì)量問題，作業(yè)人員進(jìn)行全面修改，并在檢查記錄上簽字；d）經(jīng)最終檢查不合格或未達(dá)到質(zhì)量指標(biāo)要求的，全部退回過程檢查返修；e）對返修后成果履行過程檢查，直至合格再次提交最終檢查；f）最終檢查完成后進(jìn)行成果質(zhì)量等級評定，并編寫檢查報告，檢查記錄及檢查報告隨成果一并提交。5.4.2軟件自動檢查針對結(jié)果矢量數(shù)據(jù)進(jìn)行圖斑拓?fù)溴e誤、圖斑屬性缺失檢查，并結(jié)合影像數(shù)據(jù)對成果的投影信息、影像關(guān)聯(lián)信息進(jìn)行檢查，最后針對成果文件進(jìn)行文件的完整性、正確性檢查。5.4.3人工審核抽查圖斑漏提檢查：針對研究的典型地物模型自動提取結(jié)果漏提、誤提圖斑進(jìn)行補充修改。圖斑屬性填寫錯誤檢查：矢量數(shù)據(jù)屬性填寫符合字段要求，類型判讀填寫正確。5.4.4精度評價評估智能解譯模型的自動化解譯精度，應(yīng)使用精確率與召回率開展模型精度評價。選取少量數(shù)據(jù)同步開展手工解譯標(biāo)注與智能模型推理預(yù)測，對智能解譯模型預(yù)測結(jié)果和真值標(biāo)注結(jié)果開展精度測評。1）PrecisionRate（精確率）精確率表示了網(wǎng)絡(luò)預(yù)測的真實像素與網(wǎng)絡(luò)預(yù)測的整體像素的比率：2）RecallRate（召回率）召回率表示了網(wǎng)絡(luò)預(yù)測的真實像素與實際的真實像素的比率：式中TP表示truepositive，即預(yù)測是正確的正圖斑；FP表示falsepositive，即預(yù)測是錯誤的正圖斑；FN表示falsenegative，即預(yù)測是錯誤的負(fù)圖斑。5.5樣本制作與模型算法迭代通過開展樣本與模型迭代，持續(xù)提高AI智能解譯模型精度，以提升解譯工作效率。5.5.1樣本制作要求基于衛(wèi)星影像的樣本制作，要求樣本標(biāo)記在圖斑位置以及圖斑輪廓具有較高準(zhǔn)確性，并且要求涵蓋大部分目標(biāo)地物的典型形態(tài)信息，樣本標(biāo)記要求標(biāo)記典型的區(qū)域，能夠涵蓋可能出現(xiàn)漏檢、誤檢的影像區(qū)域。5.5.1.1樣本圖斑標(biāo)記判讀方法基于自動解譯圖斑數(shù)據(jù)，經(jīng)過對圖斑類型判定、圖斑面積大小選、圖斑邊界判別，復(fù)核不同地物圖斑結(jié)果。采用網(wǎng)格作業(yè)法，在監(jiān)測區(qū)域劃定標(biāo)準(zhǔn)網(wǎng)格，逐網(wǎng)格依次判讀，確保覆蓋全部監(jiān)測區(qū)域，網(wǎng)格大小依據(jù)監(jiān)測區(qū)域范圍、影像分辨率、判讀比例尺等因素確定。5.5.1.2影像顯示比例尺在樣本標(biāo)記人工目視檢查時，影像顯示縮放比例不小于1:4000。65.5.1.3地物圖斑類型判定地物圖斑類型判定，結(jié)合多源數(shù)據(jù)，判定圖斑類型的準(zhǔn)確性，對誤分，漏分的圖斑或區(qū)域進(jìn)行標(biāo)記。5.5.1.4圖斑屬性賦值規(guī)范、完整填寫矢量數(shù)據(jù)屬性表，要求至少具備圖斑地物類型，標(biāo)注對應(yīng)影像的傳感器類型，影像獲取時間等信息。圖斑屬性賦值表詳見（附錄A:圖斑屬性賦值表）。5.5.2樣本補充迭代對低質(zhì)量解譯結(jié)果進(jìn)行人工標(biāo)注后補充進(jìn)現(xiàn)有樣本庫中，可被補充加入樣本庫中的樣本要求包括：a）大范圍誤分的其他地物，人工去除誤分圖斑，并將該區(qū)域整體添加到樣本庫中；b）大范圍漏檢的目標(biāo)地物，人工標(biāo)注漏檢圖斑，并將該區(qū)域整體添加到樣本庫中；c）在目標(biāo)地物與相似地物過渡區(qū)域，存在圖斑邊緣精度差，邊緣出現(xiàn)柵格現(xiàn)象或者鋸齒現(xiàn)象的區(qū)域，需要人工修復(fù)邊界，并將修復(fù)后的該區(qū)域結(jié)果添加到樣本庫中。5.5.3模型算法迭代模型算法迭代，歷史版本模型以及新添加的樣本數(shù)據(jù)，快速完成模型參數(shù)的迭代，具體要求包括：基于歷史版本模型參數(shù)作為訓(xùn)練的初始參數(shù)，限定模型參數(shù)更新的幅度，在歷史版本上實現(xiàn)模型微調(diào)；經(jīng)過迭代的樣本數(shù)據(jù)用來訓(xùn)練微調(diào)模型，直到模型達(dá)到預(yù)期精度。5.5.4模型迭代要求樣本與模型交替迭代，以歷史版本模型結(jié)合人工目視判別擴充樣本庫，并基于新的樣本數(shù)據(jù)微調(diào)模型參數(shù)，直至模型能夠在所有測試數(shù)據(jù)上達(dá)到預(yù)期精度。5.6成果組織典型地物遙感智能解譯成果主要包括典型地物圖斑矢量數(shù)據(jù)、圖斑配套影像、地物識別報告等。5.6.1典型地物識別圖斑數(shù)據(jù)