摘要：遥感智能解译，是一类使用智能算法将源源不断获取的遥感大数据快速、精准地转化为空间信息的关键技术。在地理学领域，它既是国土资源环境监测的现实需求，也是面向地球复杂巨系统模拟信息获取的前沿技术。当前智能算法应用于地理空间遥感解译时，缺乏显示化的地学知识引导与耦合，

专题导言

遥感智能解译，是一类使用智能算法将源源不断获取的遥感大数据快速、精准地转化为空间信息的关键技术。在地理学领域，它既是国土资源环境监测的现实需求，也是面向地球复杂巨系统模拟信息获取的前沿技术。当前智能算法应用于地理空间遥感解译时，缺乏显示化的地学知识引导与耦合，导致现阶段遥感智能解译在面向地形地貌多样、气象条件复杂、地表结构细碎等复杂场景时，难以满足现实需求。如何构建面向遥感智能解译的地学知识表达模型，打通地学知识与遥感解译之间的知识输入、输出等关键环节，实现地学知识与遥感解译的循环互促，在保障地学知识积累更新的同时，不断引导遥感智能解译精度的提高，从而支撑国土资源环境监测与地球系统科学发展，正日益成为地理空间复杂场景遥感智能解译的前沿。

受《地球信息科学学报》邀请，由我们共同担任客座编辑，组织了这期专栏。经过专家评审，本期“遥感地理空间图谱建模与复杂场景智能解译”专栏共录用9篇文章，涵盖了遥感地理空间知识图谱建模理论方法与国土资源遥感智能监测应用等多个研究领域，体现了地学知识与复杂场景遥感智能解译耦合的前景。其中，《遥感数据智能：进展与思考》论文从大数据发展视角，提出了遥感数据智能的概念和技术框架，通过大区域超高分辨率解译案例展示了遥感数据智能的应用前景，并进一步探讨了未来发展趋势和当前急迫研究的方向，尤其是AI-ready的知识库建设；针对遥感智能解译结果与行业知识标准及应用场景脱钩问题，《制图级矢量要素遥感智能解译的研究进展与展望》论文提出了制图级矢量要素提取的概念，重点总结了矢量要素深度学习提取不同思路的优劣势，并展望了多模态语义规则等研究方向；针对地理知识空间化表达与智能解译算法耦合问题，《面向复杂自然场景的遥感地学分区智能解译框架及初探》论文从地理综合知识显示化空间表达的地理分区视角，提出了面向复杂自然场景的遥感地学分区智能解译框架，并在复杂度与优化抽样实验、影像分区分割尺度优选、耕地类型细分等方面开展实验，初步显示了该思路的巨大潜力；《自然资源遥感智能解译中复杂场景样本抽样方法研究》论文还进一步提出了基于复杂性度量的样本抽样方法，实现了高质量、强代表性的样本抽样与制作，有效平衡了遥感高精度分类与样本抽样制作成本；针对自然资源要素遥感监测作业效率低下问题， 《遥感时空知识图谱驱动的自然资源要素变化图斑智能净化》论文基于SkySense、GraphGIS、SeqGPT等技术，实现了基于影像、矢量、文本的多源遥感时空知识图谱构建，在保留真实变化图斑的条件下，可有效去除虚警变化图斑；《地理知识图谱辅助的煤矿区生态损伤智慧识别研究》论文还融合了生态单元“天-空-地”协同观测描述以及生态扰动源集合，构建了煤矿区生态损伤识别知识推理库，可有效去除易混的非煤矿塌陷区域；针对近景遥感智能问题，两篇专栏论文还以LiDAR点云遥感为例，从退化环境监测和点云地物分类为例，进行了探讨。此外，专栏论文还进一步从蕴含知识的遥感大模型样本安全视角，提出了一种基于分布式对比学习的遥感场景分类模型后门防御方法，实现有毒数据的标记和对大模型正确知识干扰的排除，保障聚合模型的安全。

我们衷心感谢来自17个单位的54位作者以及匿名审稿人的贡献和付出，感谢《地球信息科学学报》的大力支持。我们相信，随着理论与技术的不断创新，遥感地理空间知识图谱建模与复杂场景遥感智能解译将会呈现协同互促的良好发展局面。期待更多的学者和研究人员加入这一领域，共同推动地理空间知识建模与复杂场景遥感智能解译的高效发展，为国土空间资源环境遥感监测与地球系统科学发展贡献力量。

杨晓梅 孟瑜 杜世宏 明冬萍 李彦胜 王志华

客座编辑简介

杨晓梅 研究员

博士，中国科学院地理科学与资源研究所研究员，博士生导师，资源与环境信息系统国家重点实验室副主任。长期从事地理大数据分析与挖掘、遥感影像地学理解与分析计算、遥感智能解译，以及海洋海岸带遥感与地理信息系统综合集成与应用等方向的研究与系统开发。主持完成国家重点研发课题、国家863计划项目、国家重大专项、国家自然基金、国际合作等项目30余项。在国内外学术期刊发表论文150多篇，授权发明专利15项，合著出版学术专著9部。获国家科技进步二等奖1次，省部级科技进步一等奖4次。任国际《Aquatic Conservation: Marine and Freshwater Ecosystems 》杂志副主编、国际《Remote Sensing》专刊副主编。

孟瑜 研究员

2009年7月参加工作。博士，研究员，博士生导师，国家遥感应用工程技术研究中心主任，中国图象图形学学会遥感图像专业委员会副秘书长。获得国土资源科学技术一等奖、中国体视学学会科技进步一等奖，带领团队获中国遥感应用协会青年女科学家团队特等奖等荣誉。长期从事时空大数据分析、遥感智能解译等方面研究与技术推广，先后主持国家自然基金、国家重点研发计划课题、国防重大工程等项目20余项。相关成果发表学术论文20余篇，获发明专利5项，软件著作权10余项，合作出版著作4本。

杜世宏 教授

北京大学博雅特聘教授、博士生导师，教育部长江学者（2021）。长期从事时空大数据智能分析、地理信息系统建模、城市遥感与可持续发展评估研究。主持国家重点研发计划、国家高分重大专项、国家863等项目20余项，获省部级科技奖励3项，授权发明专利7项，发表论文150余篇。担任国际期刊《Transactions in GIS》副主编，《Remote Sensing of Environment》、《International Journal of Digital Earth》期刊编委，以及中国地理学会信息地理专委会副主任委员、中国测绘学会摄影测量与遥感专委会副主任委员等。

明冬萍 教授

中国地质大学（北京）教授、信息工程学院副院长，北京市教学名师。国际期刊《International Journal of Remote Sensing》和《IEEE Transactions on Geoscience and Remote Sensing》副主编，国际数字地球学会中国国家委员会数字减灾工作委员会副主任、中国测绘学会对地观测工作委员会委员、中国地理信息产业协会教育与科普工作委员会委员、IEEE高级会员等。建设《遥感地学应用》课程被评为国家一流课程，主编《遥感地学应用》等3部教材全部入选北京市高等教育优质/精品教材。主持国家自然科学基金、国家重点研发项目子课题、中国地质调查委托项目等30余项科研项目，发表学术论文90余篇，入选国内外高被引论文/领跑论文5篇，发布国家标准1项，获得授权国家发明专利3项，获中国地理信科技进步一等奖2项。

李彦胜 教授

武汉大学教授、博士生导师，国家青年人才计划获得者，遥感信息工程学院副院长。长期从事多模态遥感基础大模型、遥感时空知识图谱、遥感大数据智能解译研究。主持军科委基础加强领域基金项目、国家自然科学基金面上/青年项目等国家级项目4项，支付宝、华为、蚂蚁、阿里达摩院、湖南气象局、贵州基础地理信息中心等企业/行业项目10余项。一作或通讯发表《IEEE TPAMI》《RSE》《中国科学：信息科学》《CVPR》等国内外顶级期刊会议论文80余篇。荣获中国测绘学会青年测绘科技创新人才奖、中国测绘学会测绘科学技术特等奖、中国地理信息产业协会地理信息科技进步特等奖等荣誉。入选美国斯坦福大学发布的“全球前2%顶尖科学家榜单”。担任《IEEE TGRS》《The Innovation》《PhotoRec》等6个国际SCI期刊的副主编/编委。

王志华 副研究员

博士，中国科学院地理科学与资源研究所副研究员，硕士生导师。主要从事遥感智能解译、海岸带资源环境遥感等相关研究，提出了地学知识与遥感数据等级结构建模的地理场景分类框架体系，研制了首套全球水产养殖场景分布数据集，广泛应用于海岸带资源环境监测与评估管理。主持多项国家级项目，包括科技部重点研发课题、子课题、基金委面上、青年、中科院先导专项子课题，以第一/通讯作者发表学术论文40余篇、授权国家发明专利10余项，获省部级科技进步一等奖4项，入选中国科学院青年创新促进会人才项目。

目 录

遥感数据智能：进展与思考

制图级矢量要素遥感智能解译的研究进展与展望

面向复杂自然场景的遥感地学分区智能解译框架及初探

自然资源遥感智能解译中复杂场景样本抽样方法研究

遥感时空知识图谱驱动的自然资源要素变化图斑智能净化

地理知识图谱辅助的煤矿区生态损伤智慧识别研究-------王行风*，陈国良

改进的XGBoost用于LiDAR退化环境检测-------徐爱功*，高佳鑫，隋 心，陈志键，王长强，史政旭

顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法-------隋 心*，郝玉婷，陈志键，王长强，史政旭，徐爱功

基于分布式对比学习的遥感场景分类模型后门防御-------陈玮彤，任 娜*，朱长青，杨弈航，张佳乐

1

遥感数据智能：进展与思考

何国金*，刘慧婵，杨瑞清，张兆明，薛 远，安诗豪，袁铭若，王桂周，龙腾飞，彭 燕，尹然宇

引用格式：

何国金,刘慧婵,杨瑞清,等.遥感数据智能：进展与思考[J]. 地球信息科学学报,2025,27(2):273-284. [ He G J, Liu H C, Yang R Q, et al. Remote sensing data intelligence: Progress and perspectives[J]. Journal of Geo-information Science, 2025,27(2):273-284. ]

DOI:10.12082/dqxxkx.2025.240630;

CSTR:32074.14.dqxxkx.2025.240630

摘要：【意义】数据已成为重要的生产资料，与人工智能技术相互促进，伴生发展，并不断催生新质生产力。遥感数据智能是遥感大数据和人工智能快速发展的必然产物，不仅提高了遥感数据处理效率，还增强了应对突发事件和复杂环境变化的响应能力。【目的】本文旨在探讨遥感数据智能的发展及其在关键领域的应用潜力，分析了遥感数据智能的出现背景和技术支撑，提出了遥感数据智能技术框架，并结合具体应用案例，展示遥感数据智能在超高分辨率遥感图像中提取中国集中式和分布式光伏分布信息的应用成效。【展望】研究强调，对于遥感数据智能而言，高质量的数据是遥感数据智能的基础，应重视AI-ready的知识库建设和小数据的作用；有针对性的高效算法是实现遥感数据智能的关键，发展实用的数据智能方法是迫切需要研究的课题；通过数据智能，推进遥感数据、信息和知识的多层次服务。

关键词：遥感大数据；数据智能；大模型；超高分辨率；光伏；AI-ready

遥感数据智能总体技术框架

2

制图级矢量要素遥感智能解译的研究进展与展望

刘帝佑，孔赟珑，陈静波*，王晨昊，孟 瑜，邓利高，邓毓弸，张 正，宋 柯，王志华，初启凤

引用格式：

刘帝佑,孔赟珑,陈静波,等.制图级矢量要素遥感智能解译的研究进展与展望[J].地球信息科学学报,2025,27(2):285-304. [ Liu D Y, Kong Y L, Chen J B, et al. Recent progress and prospects in remote sensing image intelligent extraction of cartographic-level vector elements[J]. Journal of Geo-information Science, 2025,27(2):285-304. ]

DOI:10.12082/dqxxkx.2024.240436;

CSTR:32074.14.dqxxkx.2024.240436

摘要：【意义】制图级矢量要素提取是遥感智能解译可直接应用于真实场景的关键前提。【分析】尽管遥感观测技术和深度学习在遥感影像解译中取得了显著进步，但生产满足业务需求的矢量要素仍依赖大量人工目视解译和人机交互后处理。【进展】本文基于公众测绘产品生产等业务场景的实际数据需求，深入分析了大量业务场景中遥感影像解译的不同地物矢量要素的规则约束，初步定义了能够直接满足行业需求的“制图级矢量要素”。围绕该定义，从矢量类型，地物形状，边界定位，面积、长度、宽度和角度大小，拓扑约束以及邻接约束这9个维度对制图级矢量要素规则集内容进行了归纳和分析，并从类别属性、位置准确性、拓扑准确性以及综合取舍合理性4个方面梳理了制图级矢量要素的评价方法。随后，重点回顾了基于深度学习提取矢量要素的分割后处理、迭代式和并行式3类方法，分析它们的基本思路、提取矢量的特点与精度、灵活性以及计算效率等方面的优劣与异同，概括了当前面向制图级矢量要素遥感智能解译方法在制图级解译能力、制图级规则耦合以及遥感可解译性方面的不足。【展望】最后，从构建广泛且开放的制图规则集、构建并共享制图级矢量要素样本集、发展面向多要素的制图级矢量要素提取框架、探索多模态耦合语义规则潜力等方面对制图级矢量要素智能解译的未来研究方向进行了展望。

关键词：矢量要素提取；制图级矢量；遥感影像；深度学习；制图级规则集；规则知识耦合；遥感智能解译

制图级矢量遥感智能解译的全文结构框架

3

面向复杂自然场景的遥感地学分区智能解译框架及初探

王志华，杨晓梅*，张俊瑶，刘晓亮，李连发，董 文，贺 伟

引用格式：

王志华,杨晓梅,张俊瑶,等 .面向复杂自然场景的遥感地学分区智能解译框架及初探[J].地球信息科学学报,2025,27(2):305-330. [ Wang Z H, Yang X M, Zhang J Y, et al. A remote sensing intelligent interpretation framework through Geo-science zoning for com‐plex nature scenes and its preliminary experiments[J]. Journal of Geo-information Science, 2025,27(2): 305-330. ]

DOI:10.12082/dqxxkx.2024.230729;

CSTR:32074.14.dqxxkx.2024.230729

摘要：【目的】当下，面向多圈层耦合、人类干扰强烈的复杂自然场景遥感智能解译在地学研究和实际业务中常存在不好用的问题。为此，本文从遥感地学认知原理角度出发，在明晰遥感智能解译的使命是依托遥感大数据更好地辅助建立数字地球之后，认为达成一致的知识表征模型是解决问题的关键，进而提出遥感解译与地学认知应该耦合为一个系统，以实现“数据获取知识”与“知识引导数据”的双向驱动。【分析】在此基础上，提出以遥感地学分区为纽带的智能解译框架，以打通已有地学知识向遥感智能解译过程的输入与引导，增加解译结果与已有地学知识体系的匹配度。该框架主要依靠定量化的场景复杂性度量和地理分区知识耦合，形成面向遥感智能解译的地学分区方法以及分区样本抽样与规范，从而实现面向大区域的知识耦合下分区解译策略。【展望】通过复杂度与优化抽样实验、影像分区分割尺度优选、耕地类型细分等实验，初步揭示了本框架思路在优选样本、影像分割、耕地精细类型识别等遥感智能解译多方面均存在巨大潜力。

关键词：遥感大数据；数字地球；遥感智能解译；信息提取；地理分区/区划；土地利用/覆被分类；复杂自然场景；场景分类；地学知识图谱

遥感地学分区实现路线

4

自然资源遥感智能解译中复杂场景样本抽样方法研究

李连发*，高茜琳，贺 伟，陈淼淼，杨晓梅*，王志华，张俊瑶，刘晓亮

引用格式：

李连发,高茜琳,贺伟,等 . 自然资源遥感智能解译中复杂场景样本抽样方法研究[J]. 地球信息科学学报,2025,27(2):331-349. [ Li L F, Gao X L, He W, et al. Sampling method for complex scene samples in the intelligent interpretation of natural resources re‐mote sensing[J]. Journal of Geo-information Science, 2025,27(2):331-349. ]

DOI:10.12082/dqxxkx.2024.240278;

CSTR:32074.14.dqxxkx.2024.240278

摘要：【目的】随着遥感分类解译技术的发展，复杂场景下自然资源遥感智能解译已成为研究的焦点。在这一背景下，遥感样本的获取和选择对提高解译的准确性和可靠性至关重要。我国地形地貌多样，气象条件复杂，地表结构细碎，导致复杂地表具有时空分异性，直接影响遥感样本的选择和质量。传统抽样方法所选样本对总体特征的代表性较差，进而影响解译效果。【方法】为解决这一问题，本研究总结了遥感分类标记样本抽样方法、多尺度形态转换扩充样本以及标记样本质量评估的关键要点，从理论上阐述了样本优选以减少偏差的必要性，并提出了基于地表复杂度的分区/层和加权样本优化方法。该方法通过考虑地形的复杂性和多样性，优化了样本的抽样过程，减少了因抽样偏差带来的解译误差。【结果】通过遵循这些要点和技术，可以获得高质量且有强代表性的标记样本，从而提高遥感分类建模解译精度和/或效益。本研究总结了3个基于复杂度的样本优选的实验结果，并为未来遥感智能解译技术的发展提供了坚实的理论和技术基础。【结论】这项研究对于通过样本优选推动复杂场景下遥感自然资源分类建模及智能解译的研究和实际应用具有重要的参考价值。

关键词：遥感智能解译；自然资源；优化样本抽样设计；形态转换；复杂场景

使用复杂度得分作为分层和权重因子对样本(斑块)进行优化选择流程

5

遥感时空知识图谱驱动的自然资源要素变化图斑智能净化

李彦胜，钟振宇，孟庆祥，毛之典，党 博，王 涛，冯苑君，张永军*

引用格式：

李彦胜,钟振宇,孟庆祥,等.遥感时空知识图谱驱动的自然资源要素变化图斑智能净化[J]. 地球信息科学学报,2025,27(2):350-366. [ Li Y S, Zhong Z Y, Meng Q X, et al. Intelligent purification of natural resource element change polygons driven by remote sensing spatiotemporal knowledge graphs[J]. Journal of Geo-information Science, 2025,27(2):350-366. ]

DOI:10.12082/dqxxkx.2025.240571;

CSTR:32074.14.dqxxkx.2025.240571

摘要：【目的】随着深度学习技术的发展，遥感影像自然资源要素变化监测能力得到显著提高。基于深度学习的变化检测技术于挖掘遥感影像的低层次语义信息，但在区分土地利用类型变化与非土地利用类型变化（如农作物轮作、水位自然变化、森自然退化等）方面存在局限性。为了保证变化检测的高召回率，深度学习变化检测方法往往产生大量虚警变化图斑，仍需大量人工作业工作量来排除虚警变化图斑。【方法】针对这一问题，本文提出了遥感时空知识图谱驱动的自然资源要素变化图净化算法。该方法可以在保持变化图斑高召回率的前提下，尽可能降低变化图斑虚警率，从而提高自然资源要素变化监测效率。为了支撑遥感时空知识图谱智能构建与高效推理，本文设计了顾及时空特性的遥感时空知识图谱本体模式，研发了图数据库内存储运算一体化的GraphGIS工具包。本文提出了基于GraphGIS图数据库原生空间分析的矢量知识抽取技术、基于SkySense视觉大模型高效微调的遥感影像知识抽取技术和基于SeqGPT大语言模型的图斑净化知识抽取技术。在时空本体模式约束下，矢量知识、影像知识和文本知识汇聚形成遥感时空知识图谱。受变化图斑净化业务人工作业方式的启发，本文提出了基于遥感时空知识图谱一阶逻辑推理的变化图斑自动净化技术。为了提升遥感时空知识图谱的并发处理与人机交互核验效率，本文研发了一套遥感时空知识图谱管理服务系统。【结果】针对广东省2024年3—6月自然资源要素变化图斑净化任务，本文方法的存真率达到95.37%、去伪率达到21.82%。【结论】本文提出的自然资源要素变化图斑智能净化算法及系统能够在充分保留真实变化图斑的条件下，可以高效剔除虚警变化图斑，显著提升自然资源要素变化监测作业效率。

关键词：时空知识图谱；自然资源要素变化监测；图数据库空间计算；遥感大模型；一阶逻辑推理；遥感影像变化检测；大语言模型；时空智能

引用格式：

王行风,陈国良.地理知识图谱辅助的煤矿区生态损伤的智慧识别研究[J]. 地球信息科学学报,2025,27(2):367-380. [ Wang X F, Chen G L. Research on intelligent identification of ecological damage disturbed by mining activities in coal mining area based on geographic knowledge graph[J]. Journal of Geo-information Science, 2025,27(2):367-380. ] DOI:10.12082/dqxxkx.2025.240597;

CSTR:32074.14.dqxxkx.2025.240597

摘要：【目的】验证基于知识图谱的空间推理方法在煤矿区生态损伤主动发现和智慧识别的适应性，探索新时期煤矿区生态环境治理的新思路与新技术。【方法】基于知识图谱构建技术，对接矿山“天-空-地-人”多源监测、感知数据，总结概括煤矿区生态单元的位置、形态、群体分布、分布格局以及时空演变等知识，设计了煤矿区生态单元的描述指标，构建了知识图谱辅助下的煤矿区生态损伤智慧识别推理规则，以辅助实现煤矿区地表生态环境采动损伤的主动发现与智能识别。【结果】以山西省某矿区作为研究区，构建了精准识别采动扰动塌陷单元和自然水面单元的空间推理规则。实验证明，知识图谱辅助下的煤矿区采动扰动单元的精准化、智能化识别精度能得到一定的提升，与传统识别结果相比，本文方法对错误图斑的剔除率为 21.43%。【结论】知识图谱在煤矿区生态环境分析与评估具有良好适应性，可为采动扰动生态单元的主动发现、快速和精准识别提供技术支持，可为解决新时期复杂条件下的煤矿区生态环境治理问题提供了新的技术手段。

关键词：煤矿区；生态环境；地理知识图谱；智慧识别；空间推理；主动发现；领域知识；时空大数据；采动灾害

地理知识图谱辅助的煤矿区生态损伤智慧识别框架

7

改进的XGBoost用于LiDAR退化环境检测

徐爱功*，高佳鑫，隋 心，陈志键，王长强，史政旭

引用格式：

徐爱功,高佳鑫,隋心,等.改进的 XGBoost用于 LiDAR退化环境检测[J].地球信息科学学报,2025,27(2):381-396. [ Xu A G, Gao J X, Sui X, et al. Improved XGBoost for LiDAR degenerate environment detection[J]. Journal of Geo-information Science, 2025,27(2):381-396. ]

DOI:10.12082/dqxxkx.2024.230457;

CSTR:32074.14.dqxxkx.2024.230457

摘要：【目的】目前，LiDAR退化环境检测方法存在需要启发式阈值、计算间接评价指标、检测效率低的问题。【方法】本文提出一种基于改进XGBoost的LiDAR退化环境检测方法。实现了从环境的几何结构角度直接检测单帧点云的退化情况。本文基于LiDAR点云数据构建分类特征体系，用于建立XGBoost决策树。在此基础上，采用模糊综合评价算法计算每个特征的综合重要性度量指标，用于构建有效的特征子集，从而提高检测精度。同时，通过一种基于Spearman秩相关系数的双向特征筛选策略来加速构建特征子集，从而提高模型的训练效率。针对XGBoost的初步检测结果，本文基于滑动窗口策略和多数投票策略对其进行二次修正，提高最终的LiDAR退化环境检测的精度。为验证本文方法的有效性以及对LiDAR退化环境的检测效果，通过搭建实验平台，采集真实场景数据并设计了相关实验。【结果】实验结果表明，本文方法各组成部分的有效性均能够被合理地验证；LiDAR退化环境检测成功率为94.41%，非退化误检测率为1.24%；相较于LOAM退化检测模块，检测成功率提高了10.91%，误检测率降低了95.26%，检测效率提高了56.97%。【结论】本文方法实现了高效率、高精度的LiDAR退化环境检测。

关键词：LiDAR 退化环境；XGBoost；模糊综合评价；Spearman 秩相关系数；双向特征筛选策略；滑动窗口策略；多数投票策略；LOAM

基于改进XGBoost的LiDAR退化环境检测方法流程

8

顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法

隋 心*，郝玉婷，陈志键，王长强，史政旭，徐爱功

引用格式：

隋心,郝玉婷,陈志键,等.顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法[J].地球信息科学学报,2025,27(2):397-410. [ Sui X, Hao Y T, Chen Z J, et al. A multi-scale convolutional attention network method for point cloud object classification considering local-global features[J]. Journal of Geo-information Science, 2025,27(2):397-410. ]

DOI:10.12082/dqxxkx.2024.230648;

CSTR:32074.14.dqxxkx.2024.230648

摘要：【目的】由于点云的非结构化和无序性，现有的深度学习点云分类网络存在局部特征和全局特征挖掘不充分并且缺乏有效的上下文特征融合的问题，难以实现地物精细分类。因此，本文提出了一种顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法。【方法】首先，针对点云的非结构性，构建局部加权图学习中心点和邻域点的位置关系，动态调整核权重，以获得更具代表性的局部特征。同时提出全局图注意力模块，考虑各点之间的全局空间分布，应对点云无序性的同时，可以有效捕获全局上下文特征，从而有效整合不同尺度信息。此外，设计自适应加权池化模块进一步实现局部和全局特征的自适应融合，最大程度提高网络的分类性能。【结果】应用开源 Toronto-3D 点云数据集和实测校园点云数据集验证本文方法有效性，实验结果表明，在Toronto-3D数据集本文方法的OA和MIoU分别为97.21%和85.46%，相较于Pointnet++、DGCNN、Rand‐LA-Net、BAAF-Net和 BAF-LAC 等网络模型，OA 提升了 1.99%~8.21%，MIoU 提升了 3.23%~35.86%，在校园数据集本文方法的OA和MIoU分别为97.38%和85.70%，OA提升了0.58%~10.53%，MIoU提升了2.01%~32.01%。【结论】本文方法实现了复杂场景下高精度、高效率的自动化地物精细分类。

关键词：深度学习；点云；地物分类；特征增强；多尺度融合；动态图卷积；注意力机制；自适应池化

顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法技术路线

9

基于分布式对比学习的遥感场景分类模型后门防御

陈玮彤，任 娜*，朱长青，杨弈航，张佳乐

引用格式：

陈玮彤,任娜,朱长青,等.基于分布式对比学习的遥感场景分类模型后门防御[J].地球信息科学学报,2025,27(2):411-423. [ Chen W T, Ren N, Zhu C Q, et al. Backdoor defense for remote sensing scene classification model via distributed contrastive learning[J]. Journal of Geo-information Science, 2025,27(2):411-423. ]

DOI:10.12082/dqxxkx.2025.240672;

CSTR:32074.14.dqxxkx.2025.240672

摘要：【目的】高性能遥感场景分类模型的训练需要搜集海量遥感数据样本，不同来源的数据安全性难以管控。为了应对数据集可能被投毒的安全挑战，同时顾及遥感数据集的大规模与大模型复杂计算对分布式训练的需求，本文提出了一种基于分布式对比学习的遥感场景分类模型后门防御方法。【方法】通过将遥感数据集划分至不同的工作节点执行分布式训练，各节点将训练的模型参数，包括特征提取器与预测器的权重，上传至服务器进行参数聚合，迭代这一过程直至模型收敛。在工作节点训练阶段，执行两阶段训练：第一阶段通过增强数据集进行对比学习，用于训练干净的特征提取器；第二阶段，在冻结特征提取器的基础上，使用本地数据与标签训练预测器。在服务器参数聚合阶段，通过计算工作节点上传的预测器权重与上一轮聚合权重的差异，判断该节点是否存在有毒数据，进而标记有毒数据并排除该节点的聚合器权重，从而实现安全聚合。【结果】在 EuroSAT、NaSC-TG2 和 PatternNet 遥感数据集，以及 ResNet-50、VGG16 和 GoogleNet 模型上的实验表明，本文提出的方法将平均后门攻击成功率从 99.77% 显著降低至 1.36%，有效抑制了 BadNets、Blended、SIG、Trojan和 WaNet五种后门攻击。【结论】为遥感场景分类模型训练过程中的后门防御提供有效的理论与方法支撑。

关键词：遥感场景分类模型；后门防御；数据投毒；分布式训练；对比学习；遥感数据集；安全聚合

来源：测绘学报