近日，地球科学与技术学院赫晓慧教授遥感与地理计算团队在土地利用分类研究取得进展，建立了融合影像空谱信息的深度分类模型。研究成果“Enhanced Contextual Representation with Deep Neural Networks for Land Cover Classification Based on Remote Sensing Images” 在地学领域的国际顶级期刊International Journal of Applied Earth Observation and Geoinformation （IF: 5.933）发表。该成果以郑州大学为第一作者单位，博士生程淅杰为第一作者，地球科学与技术学院赫晓慧教授为通信作者。

随着我国现代化进程的有序推进，土地利用分类的意义越来越显著，其在城乡规划、土地利用监测、灾害评估等情景下均能发挥重要作用，涵盖了农业、林业、市政等多个领域。传统的城市土地利用研究，大多基于统计调查数据和各种实地测量数据获取城市土地利用信息，难以满足快速提取和动态监测城市土地利用信息的需求。近年来随着遥感技术的不断发展，诸如高分一号、高分二号、风云一号、高景一号等产生的大量宝贵的遥感数据产品的不断出现，提供了大量时效性强，地表信息涵盖完全，观测面积广的遥感影像数据，为实现大范围土地利用自动分类提供了有效数据基础。

       然而由于成像条件，如气候、光照、云层厚度等因素在成像时对传感器的影响，不同地物的光谱信号可能呈现出极大的相似性，而同类地物的光谱信息也可能存在很大不同，即所谓的 “异物同谱” 与 “同物异谱”，极大的增加了地物之间判别的难度。此外，遥感影像中复杂的空间几何结构以及多变的形态和纹理特征，对高精度的土地利用分类任务带来了巨大的困难。如何针对以上难点设计出有效的土地利用分类方法，实现土地利用分类逐步向自动化、智能化等方向发展是现在亟需解决的一个关键问题。

图1遥感影像的复杂性和异质性

         针对以上难点，该研究建立了一个多层次的土地利用上下文(MLCC)框架，该框架可以自适应地集成全局上下文信息和局部上下文信息用于土地利用分类任务。通过定义有效的深度卷积网络框架能够加强捕获全局上下文特征，同时弱化了模糊特征表示。 在不确定性图的引导下能够自适应的结合全局和局部上下文特征信息。 这种协同的全局-局部信息进一步提高了土地利用分类的特征表示能力。针对不同的土地利用场景和空间模式，该研究提出的多层次上下文框架不仅能够增强全局上下文用于抑制不需要的模糊特征, 还能够捕捉细粒度结构信息，实现土地利用的准确分类，平均精度达87%。

图2 土地利用分类结果图

        本研究的成果可以同时扩展到世界范围内各区域的土地利用分类任务中，进一步形成高精度、长时间以及全类别的高质量土地利用解译产品，为国土资源规划、精准农业发展、洪涝灾害监测等提供科学的分析依据。

本研究由第二次青藏高原科学考察计划（No.2019QZKK0106）和 河南省重大科技专项“面向超算的黄河模拟器构建与服务关键技术研究”（No.201400210900）等项目共同资助。

文章链接：https://www.sciencedirect.com/science/article/pii/S0303243422000320