Page 219 - 新时期测绘工程测量技术研究

/// 第六章 智能测绘 ///

标分类结果。目前，除了输入实数域特征（高光谱参数、激光雷达数据等）进行

模型训练及目标分类外，有学者已针对 SAR 数据复数特性提出复数域深度神经
网络，进一步提高了极化 SAR 影像数据的目标分类精度。然而，深度学习方法
也有许多不足，如要求较高的训练数据，数据不充分或数据质量低时应用效果差。
因此，需要在无监督学习、弱监督学习领域探索新型的智能算法，这样才能充分

利用目标识别算法和智能算法为智能测绘服务。
（二）大数据内容的理解与特征提取
人工智能算法能够对特征逐层理解并进行自动分析，完成几何观测、特征和

要素解译等任务，实现从信息感知到结论判断的高级理解过程。在高精度几何观
测和多维特征感知方面，机器有独特的优势，如何充分利用人机各自的优势，快
速有效地研判地表形变的变化趋势，是机器人实现自主测绘的关键科学问题。
1.基于智能算法的特征提取技术

随着卫星遥感和航空遥感测绘技术的发展，土地资源、森林覆盖、环境变化
的调查和动态监测，城市扩张和土地利用变化的趋势研究获得了海量的观测数据。
这些海量遥感数据具有多源、多时相、多波段、多分辨率的特征，给数据处理带

来了新挑战。基于深度学习模型对多源遥感数据进行时空特征的提取，可以获得
高效的时空决策支持信息，能够动态感知和理解地球复杂系统之间的相互作用。
例如，通过引入神经网络融合全波形 LiDAR（Light Detection and Ranging）和极

化干涉 SAR 数据信息，可以对大范围森林区植被高度、冠层覆盖度、植被垂直
结构等空间特征进行较为准确的预测，极大地简化了传统基于模型反演的森林区
特征提取过程。此外，基于遥感大数据的地表连续覆盖特征提取技术也逐渐成熟，

不同传感器的优势和信息互补，使得深度学习成为目前能满足数据驱动下信息提
取的最优智能模型之一。
2.基于智能算法的空间特征理解技术
基于智能算法的空间特征理解技术，一方面可以充分挖掘与利用信息，将目

标状态信息转换为空间特征理解，并对时域空间进行预测；另一方面又可以通过
表征学习，提取潜在的地理空间特征，对模型进行准确预测。例如，将基于迁移
学习的卷积神经网络融入侧扫声呐沉船图像识别算法中，能够克服传统侧扫声呐

图像人工判读存在效率低、耗时长、资源消耗大及主观不确定性强和过分依赖经
验等问题。从案例学习的角度出发，段佩祥等利用朴素贝叶斯机器学习方法进行

207