李蒙蒙副研究员课题组在IEEE TGRS 发表城市土地利用变化遥感检测研究成果 福州大学数字中国研究院（福建）李蒙蒙副研究员课题组在遥感领域知名SCI期刊《IEEE Transactions on Geoscience and Remote Sensing》上发表“高分辨率遥感影像城市土地利用变化检测”（Integrating Local–Global Structural Interaction using Siamese Graph Neural Network for Urban land use change detection from VHR satellite images）研究成果，论文第一作者为2022级硕士研究生楼康凯，主要合作者包括先进激光技术安徽省实验室李发帅副教授和福州大学物理与信息工程学院郑向涛研究员。研究工作获得国家自然科学基金、福建省自然科学基金等项目支持。 研究意义和问题 开展城市土地利用变化检测是国家进行城市国土空间监测工作的重要内容。卫星遥感技术作为一种高效获取地理空间信息的手段，已广泛应用于国土资源信息提取和变化检测等众多领域。然而，现有遥感变化检测研究主要集中在对土地覆盖的变化识别，大多数研究未明确区分土地覆盖与土地利用类型，忽略了两者的语义差异。这导致应用现有方法进行高分辨率遥感影像城市土地利用变化检测时存在困难，特别是在识别居住、商业、工业等建设用地变化方面。这主要是由于土地覆盖变化和土地利用变化之间存在语义鸿沟问题。不同时相影像间的光谱信息变化直观反映的是土地覆盖类型的变化，但并不代表土地利用功能类型发生变化，导致现有的土地覆盖变化检测方法处理城市土地利用变化检测时效果不佳。 创新方法 对此，本研究基于所创的“要素-结构-功能”城市土地利用遥感分析框架（Li et al. 2016; Li et al. 2017; Li et al. 2020），通过深入挖掘土地覆盖要素的空间结构变化特征，来提高城市土地利用变化的识别精度。研究团队集成孪生神经网络架构和图神经网络模型，构建了一种局部-全局结构交互学习的孪生图神经网络（Local–Global Structural Interaction Network，LGSI-Net）。基于图论，该模型将图像场景中的土地覆盖要素及其相互关系表示为图结构数据，利用孪生图神经网络自动挖掘双时相场景影像的深层结构变化特征，并集成图像的深层语义特征，实现城市土地利用变化的精准识别。为进一步升模型对土地利用变化的检测性能，设计了一种基于神经张量网络的全局结构特征交互模块（Global Structural feature Interaction Module，GSIM），用于在全局图层面捕捉双时相特征的时间相关性，以减少因光照、季相等外部因素变化导致的伪变化问题。此外，还设计了一种局部结构特征交互模块（Local Structural feature Interaction Module，LSIM），用于提取双时相节点层级的细粒度结构变化特征，以减少因局部结构细微变化引起的误报和漏检问题。这些模块的结合使用显著提升了模型在土地利用变化检测中的准确性和可靠性。 公开数据集 针对城市土地利用变化检测公开数据集缺乏的问题，研究团队制作并公开了两个城市土地利用变化遥感检测数据集， LUCD-FZ和LUCD-HF数据集（https://github.com/Imp83121/LUCD_Datasets）。数据集使用国产GF-2高分辨率卫星影像，空间分辨率为0.8米，参照中国国家土地利用分类标准（GB/T 21010-2017）并根据城市土地利用的实际情况，设计并标注了七类城市区域常见的土地利用类型：高密度住宅、低密度住宅、商业区、工业与仓库区、绿地、水体和未开发土地。这些数据集为进一步开发和评估城市土地利用变化检测方法提供了重要的数据支持。 实验结果 研究结果表明：所提LGSI-Net模型获得了较高的城市土地利用变化检测精度，优于现有的BoVW和CorrFusionNet方法；集成全局和局部结构特征交互模块有效减少了因光照、季相等外部因素变化导致的伪变化现象和因局部结构细微变化引发的漏检和误检问题，有效提升了检测精度；模型具有较好的迁移性，在LUCD-FZ数据集上训练后能够成功迁移至具有显著差异的LUCD-HF数据集上，验证了其在不同城市场景下土地利用变化检测任务的鲁棒性和适用性。 引用格式 Kangkai Lou, Mengmeng Li*, Fashuai Li, and Xiangtao Zheng, 2024. Integrating Local–Global Structural Interaction using Siamese Graph Neural Network for Urban land use change detection from VHR satellite images. IEEE Transactions on Geoscience and Remote Sensing, vol. 62, pp. 1-17, Art no. 4413317, doi: 10.1109/TGRS.2024.3455008. 图1. 本文所提的土地利用变化检测框架 图2. 孪生图神经网络和局部–全局结构特征交互模块示意图 图3. LUCD-FZ和LUCD-HF数据集示意图 图4. MtS-WH和LUCD-FZ数据集上的土地利用变化检测结果方法对比： (a) BoVW 方法，(b) CorrFusionNet，(c) LGSI-Net，(d) 标签 图5. LUCD-FZ土地利用变化检测结果 图6. LUCD-HF土地利用变化迁移检测结果 下一条：我院推荐项目入选“党政信息化最佳实践标杆案例”
