2017年6月13日，第六届地理信息开发者大会(WGDC2017)在北京国家会议中心盛大开幕。大会由空间信息产业创新创业服务平台泰伯主办，秉承不断引领和促进空间信息技术创新与变革的宗旨，WGDC已走过六个年头，如今成为全球最具前瞻性的跨界创新风向标。
此次大会以1+16的形式举办，汇集了国土资源、智慧城市、智能驾驶等多个领域的专家共襄盛举。其中国土资源峰会作为传统测绘行业的“重头戏”，邀请到了多位业内领导和专家到场支持。
峰会上，北京大学遥感与GIS研究所副所长、博士生导师杜世宏教授带来了题为《土地覆盖遥感制图——从对象到场景》的精彩演讲，以下为现场实录(未经本人确认)：
杜世宏教授PPT链接：http://static.3snews.net/GIO/20170615.pdf
各位专家、各位同行大家下午好。我的报告题目稍微做了改动，改成《土地覆盖遥感制图——从对象到场景》。
我主要从四个方面来看。目前，我们已经进入遥感大数据时代，包括了各种分辨率，各种平台的不同时限的各种数据。从这里看出来，它是从很粗的分辨率然后到很细的分辨率，最后可以看到这个结构。现在大家都很感兴趣的问题是，数据的获取和数据的拥有量在不断的丰富，但是我们怎么把这些丰富的遥感大数据用起来？今天我要讲的就是通过制图的手段充分发掘和使用遥感数据的方法。
从传统的遥感数据来看，大概这么几个问题还要进一步的改进。长期以来我们采用基于像素的表达方法，没考虑像元和定位之间的依赖作用。制图的精度对高分辨率的要求很高，它是单个的像元，这个不能满足我们的需求。遥感制图不管是高速分辨率还是低速分辨率都是需要像素表达。我们有影像对象，我们基于影像对象，而不是像素进行影像的分析和制图，这个称为对象的制图。最早在1965年，基于对象影像的概念是计算机里面提出来的。影像对象，它指的是光谱变化不太大，但是有变化的，而且连续的这么一个区域，是基于对象分析的。
现在它的核心的问题在哪里呢？核心的问题在于，我们首先把这个像素要分割成影像对象，再基于对象进行特征表达，再制图。对象有一个好处，一个对象，它是一个多边形，多边形的依赖关系我们完全可以考虑进去。我们生成影像对象。它是什么呢？分割尺度是影像分割中的最重要的参数。下面的图，这个也是影像分割，一个被分割成好几个对象，下面的右边的图分割太粗了，第一个和最后一个都不是太好分割的。你分割的不对的时候，对象的几何已经不是我们真实所需要的，只有中间的这个它是完整的分割。
现在问题来了，我们如何才能得到这个分割呢？这是理想的预期的目标，这是第一个问题。
第二个问题，在分割的时候，多个尺度分割，为什么？这个跟线量有关系的，比如我们的建筑物，我们的道路，我们的树，他本来是大小不同的，另外从生态过程来讲，它本身有一个知识结构的。右边的这个图，同一幅影像我们可以采用不同的对象的参数找到多尺度分割。从最下面看，从细到粗，对象可以生成一个层次的网络结构。可以达到一个较好的组合结果。现在的对象里面遇到很大的问题就在于，我们提取建筑物，到底是哪个尺度比较好？这个是没有先验的经验，也没有具体知识可以借鉴的。因此，比较盲目。
从左边往右边， 它的分割尺度是逐渐增大的。从第一排基本上是很难用于制图，因为分割太细了。右边的两个图，第四个有个品红色的，这个建筑物好像是完整的分割出来了。同样的一个尺度上，这个建筑分割出来了，但是有的建筑没有分割出来。再下面这个公园也是没有分割出来，右边的图上，公园和上面的那个分割了，但是黄色的建筑没有分割出来。
这个就在告诉我们一个什么问题呢？就是说这个问题是很复杂的一个问题，复杂到什么程度呢？我们说是不同的地物，它是有不同尺度的，第二就算是统一的地物，一个建筑物他的尺度也是不同的。另外一个对于每一个层来讲他的分割参数是什么呢？这个都是目前不知道的。所以具体做的时候需要大量的人工，分成很多个层次，人工判断哪个好。这样实际上是一个费时费力的问题，对象制图里面核心的在这里，对象分割出了问题，后面的分类都会出问题。这个目前是国际上分割尺度选择目的的难点，也是热点的问题。
我们首先看右边这个地图，到底是哪些因素在影响分割尺度的选择呢？这是一个核心问题。我们自己的研究得出的是这样一个结论：它有三个因素，哪三个因素呢？第一个是地物类别，不同的地物类别分割尺度是不一样的；第二个是对比度，上面的图和下面的图都是建筑物，但是上面一个对比度比较清晰，下面的对比度比较模糊；还有就是内部的异质性，那一块和这个对比度太强了，所以它也分出来。
从研究项目来看，既然这么重要，影像对象制图到底该如何来做？国内外的专家近十年来做了大量的工作，我们把它分成两大类：一个是非监督的方法；另外一个是监督的方法。
非监督的方法里面，基于广谱异质度五的尺度选择。
监督里面，基于分类精度的尺度选择，这里分为几个方面。首先第一个，是完全利用遥感的光谱数据来做的它用局部的方差，这个随着尺度的变大不一样，它的表达是很简单的。我一个影像对象，他用方差表达的。这样的话，你一幅影像里面影像对象的异质度随着尺度发生变化。
右边的图，它有一个曲线，这个曲线叫影像异质度随着变化，有两个变化最大的区域，这个里面两个变化最大的地方我们可以找出来，以这两个尺度去覆盖影像，得到一个较好的结果。这边没有用任何的附加因素，它还是达到刚才的结果，地物类别、对比度、还有内部异质性，他只是考虑内部异质性，没有考虑类别和对比度的。
第二个方面，不仅考虑对象内部异质性最小，还考虑对象间相似形最小，用这两个方式表达，这样仍然可以看出来，中间这个图随着尺度的增加，把对象的异质性和对象的相似性，我找最小的，大家看出来，这个里面其实7尺对应那个图是最小的。它还是没有表达类别和对比度的问题，它只是内部异质性选择的结果。而且，我不管任何的地物，我都能得到相同的风格的介入。
第三个方法，目前国内通用的方法，就是矢量对象。而且我不是用所有矢量，我只要有一部分矢量就可以了。我把矢量对象和分割对象匹配出来，找到最佳匹配的，他可以根据分割度确定是不是选择最好的分割。这里面有一个定义，时间关系不细讲了。
这样的话我们可以确定，比如说左边的这是一幅北京的Quick Bird的影响，右边是四种参考建筑物的对比。我们对建筑物本身而言，它分成好多类别，不同类别对应的分割尺度也是不一样的。第一个，它在100上面分割是最好的，在中间这个稍微复杂的建筑上120是最好的，对于比较高的建筑是在140，右边的这个是180。我们可以通过选择提高制图效果。
第四个方法是，个性尺度选择。我们只要做过实际工作的同行发现，不同地方的分割尺度有所变化的，随着对比度和异质度发生变化。这个方面就是我们做的工作。我们现在不管是什么样的尺度，你扔给我，我通过这个算法就能最后生成一个最好的，最适宜的尺度出来。这就是个性尺度选择，每一个上面都有最佳的，最好的尺度。
这样带来的一个效果是什么？大家可以看一下左边这个影像和右边的图，右边是分割的结果。不同的颜色代表了30到70，绿色是30，最下面的代表70，不同的地物分割尺度是不一样的。这里我们称为一个自适应和变适应的分割，充分考虑的是类别，对比度和异质性。这个通过我们机器学习算法学习到的结果。基于个性尺度和学习的结果，我们再进行自适应的分割和分类，他的精度会有很大的提高。这里像大家看这是一个我们分割的结果。给出这样的分割的结果，其实可以生成更多的，在制图的时候，你说你选择哪个尺度去制图呢？而且难度是很大的选择的，往往是不选择。
这是尺度选择，这是其中的一个尺度，我们对比每个角度，在哪个尺度上好，不管哪一个，我们自适应就会选择右边的这个，它都会生成一个最佳的。而且自适应结果把多个分辨率的结果进行重组之后，他不是来自于一个，是来自多个分割的结果，这样提高精度。
这个对湖泊地区的分割结果，这个应该是1234，前面的几个分割结果，对湖泊来讲肯定是分割尺度10最好，但是我们自适应分割，看最后一个自适应分割就一张图，不管对湖泊还是植被还是过渡带都是自适应的最佳的结果。最后一个把前面的7个结果组合起来的，这样回避了一个尺度选择的难题，都可以找到一个最好的表示，提高他的对象制图的结果。
对比出来看结果：第一个方法是一幅影像只能选一个，但是它的特点是，不需要人工干预，完全基于遥感可以做到。第二个基于分类精度选择，后面两个会更好一点，这是我们对比的一个结果。
下面也有一个选择了，从效率来讲，第一个最高，他不需要任何的限量，第二个自适应的分割，从精度上来讲，C是最好的，因为它是完全和矢量是吻合的。如果有矢量的话就是C图，没有矢量的话就是D图，综合来看D是相对较好，各个因素来看它都是表现比较好的方法。
第二个问题，有了对象的制图方法是不是就能够满足遥感对土地覆盖监测的需求了呢？不是。我们看一看人是怎么表达土地覆盖和土地利用的，上面一幅影像是旧式住宅，下面是新式住宅，下面这个是城镇混合住宅，右边是农村宅基地，这里面每一个名字代表的不是一栋建筑物，而是一组建筑物的组合。右边的花园洋房，建筑物和道路和草地有规则的排序。这个把它称为场景，它是更大的范围上的、空间上的、要素上的场景。
这有一个难点是场景本身不再是对象。场景是多种地理要素的组合，而且分布有差异性，光谱多样性。带来一个问题，因为它本来就是多个地物类的，光谱本来就是不同的，必须考虑多要素的空间分布进行分析方法，这个是一个全新的问题。从人的理解，我们更希望是右边的，我们有了场景的表达，结果可以反过来提高我们对象的结果。无论从分割还是分类制图的角度来讲都还是空白的。
这个是一幅影像，我们会生成一块一块的。右边的是特殊的，植被和裸土环绕分布构成操场，上面是公园。这样才是得到了我们需要的一个结果，而且在每谋划一个单元内部，他的地物的光谱有些特殊的特点。
这样我们需要三个核心，第一个如何给一幅影像之后，我们自动的生成这个单元；第二个找到哪些特征表达它；第三个是如何进行分类和制图。这三个都是需要我们从新的角度探索的，因为这是以前的方法，现有的方式做不到的。
后面的数据，前三个遥感数据可以得到了，后面的，有的来自于GIS数据；有的是覆盖数据；应用初步的分类结果再进行场景的分割。
第二个问题分类的问题，这里是首先两步走：第一个是初始方位，我们考虑对象的空间关系和场景的特征和相似形。
第二个方法我们进行语意依赖优化，它不是孤立的存在的。考虑了地物的分布和表达，再进行一个制图，最终的结果是很可观，我们用了大概三幅数据，在两个不同的城市，在北京和珠海进行实验。
轻工业、重工业、一级二级，以及商业区等等，我们进行了分类。这样的话，最终的分类结果，左上是遥感数据，有的是矢量数据。左下的结果我们最后进行了一个对比，g这个地方，是一个商业区，我们可以看出来这是可以接受的方法内，是我们新做的一个方法。这个是我们验证的结果，最终的结果都是在85以上，因为考虑他的复杂性，这个结果还是可以接受的。
另外一个问题，这是一个学校。学校的北边是个商业区，右边的是居住区、老师的公寓、下面是教学区。就算是对学校来讲，它的功能不是单一的。它可能带来很多的问题，对这个单元，它不是一个唯一的，它应该是多个类别的，但是主导是教育用地占了绝大部分比例的。这样有了单元之后，集体分类只是给一个类别是不给的，我们还想给一个多类别，每一个类别还是要有定量的。
这个模型不会细讲了。突破点在哪里呢？突破点在于，它是用了一个平均的光谱表达的，因此每一个都是一个点，在这个里面不是一个点，他是容许一定的异质性跟包容性的，可以提高他的兼容性和精度。最后的效果也还是不错的，比现有的方法有很大的提高，这是我们的一个实验上面的一个结论。
下面我讲的第二个问题是一个分割的问题，其他的，从街区的数据进行分割，我们希望有一个制度化的分割的方法，这个里面我们主要考虑两类体征，一个是相邻对象的特征，比如他的对象的问题，还有分布的问题和要素类别的问题，还有不相邻对象的特征的问题我们都可以统一的考虑，这里面主要考虑分布问题，在这个基础上，我们首先是逐要素分层聚合的方法，用图表达出来，然后聚合，聚合的结果，因为这个是分要素聚合，我们再扩展。然后，我们再进行一个叠加，最后得到我们最终的一个分割的介入。
我们看一下结果就可以，这是一幅影像，我们最后为了表述这个结果，这个是我们分割的，完全是自动分割出来的结果，如果建筑物分布比较规则的话就是一个居住区，这块是商业区，这块是居住区，这块也是居住区，完全影像自动分割出来的结果。这是更大范围的，居住区，商用区，这里面可以在不同的尺度上面去分割，满足多种层面的需求。
这里面，左上边的图根据光谱分的，把红色的建筑放在一起去了，分割在一起了。下边，还加了建筑物的分布，把分布相同的，这个里面，我们考虑分布特征更重要的问题。这是多个城市的，北京、莆田和珠海的实验。
上面的三个图，不管从光谱特征来看，因为它都是一样的，红、绿蓝的比例是一样的，从光谱和建筑的角度来讲，从对象分布角度来讲，他是把它区分出来的。因此我们必须从三个角度进行一个区分。这是完全把三个东西统一考虑进来了。
这个里面POI的数据，他的语义是丰富的，但是他的位置实际上是不一致的。因此我们进行了一个重新的生成模型的表达，这个是我们对象的一个分布的表达，我们需要考虑到分布。这里是我们用到的影像数据，右边是原始数据，右边是原始定位，重新生成的，这样的话密度更过。这个是我们不同区域的POI密度的分布，这个规划是完全我们最新的，我们根据对象的分布，把每个场景单位的分布，完全的产生不同的类型，这样最终可以提高我们的场景整合的结果。
这个我们可以看到，左边是建筑区，工业区还有校园，居住区等等，中间是不同的比例，可以看到POI数据很大的提高了，他的贡献是最大的。
最后，我们想做一个简单的总结，我们现有的方法是像素和对象制图。后面讲了，在国土应用里面应该还会有功能的制图，对象制图的话只是土地利用和土地覆盖的问题，场景制图是城市功能制图，这完全是两个问题。
关键问题是场景怎么分割，第二个怎么分类，必须多个要素，聚合分类，不是一个简单的语义概括。第三个场景分解，功能混合，主要解决这三个问题，非常感谢大家!
{{item.content}}