基于关系语义的空间场景信息理解

The classification methods are mostly used to understand geospatial information, which utilizes various features of geographical objects to classify and recognize geographical objects. However, due to the indiscernibility of geographical objects in feature space, the lack of knowledge learning and transfer mechanisms, and the disability of integratedly handling the relationships and semantics between various types of objects, the classification methods have limited ability of understanding geospatial information. This project will develop a relation-oriented mechanism to improve the ability of existing classification methods to understand spatial-scene information. It has three goals: (1) to develop automatic mechanisms to learn knowledge from high resolution GIS data, to transform GIS geometric representation to spatial-scene representation based on relationships, and to resolve the issues of acquiring geographical knowledge and representing spatial scenes; (2) to extract geometrical information and interpret semantics of geographical features by fusing knowledge inference and knowledge representation of spatial scenes; (3) to synthetically infer and analyze spatial relationships and semantics of various geographical features in spatial scenes, as well as to remove the spatial, semantic, and relational inconsistencies. Supported by spatial relationships and semantics knowledge, understanding spatial-scene information will help to organize geographical knowledge, represent spatial scenes, and apply the knowledge and representation to understanding geospatial information. Therefore, the theories and methodologies developed in this project will greatly facilitate many key technical applications, such as urban landscape ecolgy assessment, geographic national condition monitoring, urban environmental assessment, land and resource survey, and natural disaster monitoring.

由于地理要素在特征空间的不可分性，缺乏有效知识学习与转换机制和知识表达模型，不能对多种地理要素的关系和语义进行综合处理，不具备高层知识推理能力，因此特征分类方法对空间数据的理解能力有限。 项目以空间关系为核心，首先，基于大比例尺GIS数据进行学习和转化，把基于几何表现的GIS数据转化为基于关系的空间场景表示，解决地理知识获取和空间场景表示问题；其次，基于知识推理和场景表示，结合高分遥感数据的低层影像特征，完成地理要素几何提取和语义解释；最后，对空间场景中各种地理要素的空间关系和语义进行综合推理与分析，消除空间、语义和关系上的不一致性，达到场景信息理解的目的。 基于关系语义的场景信息理解将解决地理空间关系组织、空间场景知识表达及理解等关键问题，发展基于关系语义的空间信息理解新机制，具有重要科学意义。在城市生态评估、地理国情监测、城市环境评价、国土资源调查、灾害监测评估等领域具有重要实用价值。

传统遥感分析主要聚焦于像素和对象的语义类别信息分析以及定量参数反演，但是其结果不能满足地理学分析应用的需求，且与人类认知存在较大差距。这是因为传统遥感分析方法忽视了对地物格局和场景的表达。由于场景直接和景观格局对应，有多种不同类别地理要素组成，在空间上具备一定分布格局，整体上提供一定的生态功能和服务。因此，场景语义信息更容易被人们理解和接受，可用于研究格局和过程之间的作用关系，解决空间分异性问题。. 项目究致力于解决上述问题，即缩小遥感图像理解和地理学应用间的差异性，提出了一套完整的遥感场景分析和语义理解方法，主要解决四个难题：场景知识多尺度表达、场景信息理解中的尺度选择问题、空间场景支持的语义解释机制和场景信息理解中的空间推理问题。首先，提出了场景分割的多层聚合方法，综合利用影像、GIS和POI数据进行空间场景的多尺度分割和表达。其次，提出了一套自适应尺度学习策略，自动学习和确定场景分割尺度，解决了场景信息理解中的尺度选择问题。第三，为实现空间场景语义理解，并解决场景分割中存在的“过分割”和“欠分割”两种问题，分别提出了场景分类和场景分解两种语义理解方法，综合考虑了场景内特征的相似性和场景间语义的依赖性，实验表明提出的场景分类以及场景分解方法具有较高的精度，能揭示了一些城市地理问题。最后，提出了一个基于层次贝叶斯的层次语义认知模型，对四个语义层及其映射关系统一进行数学表达并用于场景分析，层次模型精度达到90.8%，比现有SVM和LDA模型的精度更高。项目提出的方法用于分析北京、珠海和莆田城市结构和功能分析，获得了有益的结论。. 项目组成员共发表17篇SCI论文，获国家发明专利1项；积极参加了9次国际会议和15次国内学术会议，并应邀做4次国际会议特邀报告。