典型地物遥感智能解译技术规程 .pdf

典型地物要素遥感智能解译技术规程

1范围

本文件规定了典型地物遥感智能解译的总体要求、主要内容、技术流程和工作要求等内

容。

本文件适用于典型地物遥感智能解译的遥感监测与识别，包括房屋建筑区、道路与铁路、

水域、耕地、园地、林地、草地、湿地等地物识别，其他地物遥感智能解译可参照执行。

2规范性引用文件

标准引用了下列文件或其中的条款。凡是注明日期的引用文件，其中，注日期的引用文

件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修

改单）适用于本文件。

GB/T18316数字测绘成果质量检查与验收

GB/T21010土地利用现状分类

GB/T24356测绘成果质量检查与验收

GB/T41864信息技术计算机视觉术语

GB/T41867信息技术人工智能术语

GB/T42755人工智能面向机器学习的数据标注规程

CH/T1015.3基础地理信息数字产品1:100001:50000生产技术规程第3部分：数

字正射影像图(DOM)》

TD/T1055第三次全国国土调查技术规程

3术语和定义

下列术语和定义适用于本文件。

3.1

深度学习模型deep-learningmodel

通过多个处理层自动学习和提取图像中复杂特征的机器学习模型。这些模型能够将遥感

图像中的每个像素分类到特定的地物类别，实现高精度的像素级地物识别，模型通过标注数

据进行训练，能够自动学习到遥感图像中的各种地物特征，并实现高精度的像素级分类。

3.2

微调finetune

在机器学习和深度学习中，微调是指使用在大型数据集上预训练的模型作为基础模型，

通过在特定任务的较小数据集上进行额外的训练，使模型能够更好地适应该特定任务的过程。

这种方法通常会冻结预训练模型的某些层，只训练最后几层或新增的层，以防止模型在小数

据集上过拟合，同时利用预训练模型中已经学到的特征表示。

2

3.3

测试集testingset

人工标记的用来评价模型精度的数据集，数据不参与模型训练的过程，标记结果具有较

高的精度，同时为了准确评估模型的适用性，数据集覆盖的地物目标具有较好的代表性。

3.4

图斑mask

在遥感地物识别中，图斑是指通过影像分割技术，将遥感图像划分为一系列具有相似光

谱特征、纹理特征或形状特征的连通区域。这些区域通常被认为是同一种地物类型或类别的

代表。

3.5

样本sample

在机器学习和数据分析中，样本是指从总体（或数据集）中抽取出的一部分数据，用于

训练、验证或测试模型。在遥感图像处理中，样本通常是指从遥感图像中提取的用于模型训

练、验证或测试的像素或图斑数据。

4总体要求

4.1数学基础

坐标系：2000国家大地坐标系（CGCS2000）；

高程基准：1985国家高程基准，正常高系统。

4.2时间参考

采用公历纪年，时间采用北京时间。

4.3解译手段

基于多源高分辨率卫星遥感影像数据，采用AI模型识别的方法，开展典型地物的遥感

监测识别工作。

4.4图斑边界误差

图斑几何位置与影像目标地物边界误差不超出2个像素，边界不明显的自然地物边界误

差应不超出5个像素。

5技术流程

5.1技术流程图

典型地物遥感智能解译是指基于高分辨率遥感影像数据，通过AI智能提取模型，获取

典型地物的分布等信息。技术流程主要包括数据准备、智能识别、质量控制、样本和模型迭

代以及成果输出等，见图1。

3

图1典型地物遥感智能解译技术流程

5.2遥感数据准备

5.2.1影像数据要求

a)影像数据位深度为8位，无过度曝光或欠曝光，无纹理不清、模糊、条带色带及噪

声。

b)影像数据无严重几何畸变或扭曲，保持几何形状准确性。

c)选择低云量影像，避免云和云阴影影响，减少云雾遮挡。

d)使用不少于RGB三波段的真彩色遥感影像，模型只读取前三波段数据。

e)影像分辨率：房屋建筑区、道路与铁路、水域、耕地、园地、林地、草地模型优于

2米，湿地模型优于