RS DL
论文介绍
题目：The Construction of a Mountain Vegetation Knowledge Graph Incorporating With Geographical Principles, Maps, and Remote Sensing Images
期刊：IEEE Transactions on Geoscience and Remote Sensing
论文：https://ieeexplore.ieee.org/document/10746463
单位：中科院地理所
创新点
构建了第一个专注于山地植被的知识图谱（MVKG） 通过地理学原理、植被图谱和遥感影像整合构建图谱，解决了传统植被知识难以被计算机自动识别和分析的问题。 创建了统一的语义框架，首次将多源数据（包括文本、图表、影像）转化为结构化知识。 遥感特征嵌入：使用深度学习（改进的FCN-ResNet模型）提取遥感影像特征并嵌入到知识图谱中，提升了图谱在监测植被动态变化中的应用潜力。 拓展了时空知识图谱的构建：结合GIS技术和Neo4j工具，将植物的分布和垂直带谱特征纳入到时空知识图谱中，提供了高效的数据组织与分析能力。 文中一些缩写说明
数据
植被类型数据：包括1:100万的中国植被地图和秦岭-大巴山地区1:25万的植被类型图。
遥感数据：高分一号（GF-1）、高分二号（GF-2）、资源三号（ZY-3）影像。提供16米和2米分辨率的多时相影像。
其他数据：ASTER GDEM（30米分辨率）、温度与降水（500米分辨率）、土壤和地貌数据。
覆盖范围：涉及239个中国山地植被垂直带，描述了不同山地植被的分布和动态特性。
MVAB：Mountain Vegetation Altitudinal Belts，MVAB 是山地生态系统的一种垂直分异模式。本文MVAB 的数据来源包括上述的植被类型图、地形数据、气候数据、文献资料。本文将MVAB 被转化为本体的一部分，成为知识图谱中的结构化节点。
方法
总体流程
1. 构建分类系统：
第0级：自然或人工植被。
第1级：植被类型群组（如针叶林、草原等）。
第2级：具体植被类型或亚类型。
第3级：群落群、群落及亚群落。
研究整合了多种数据来源，包括植被类型地图（如1:100万中国植被地图）、遥感影像（高分一号、高分二号、资源三号卫星影像）以及地理数据（如ASTER GDEM的高程数据、气象数据）。所有数据在ArcGIS中进行统一投影和对齐，确保时空一致性。植被图数据用于构建实体标注语料库，遥感数据提取光谱、纹理和结构特征。
3.遥感影像特征提取
多通道输入：模型支持不同分辨率的影像输入，如16米的GF-1影像和2米的ZY-3影像。 特征对齐：为保证分辨率差异影像的特征融合，进行重采样或插值对齐。 特征提取与嵌入：通过深度学习提取影像中的光谱、纹理和结构特征，使用低维向量表示这些特征并将其嵌入到MVKG实体的属性中。
该方法充分利用遥感影像的空间分辨率和时间序列信息，为山地植被知识提供了丰富的特性描述。
实体标注
依据植被类型图构建实体标注语料库。
确定时空场景大小为30 × 30米，提取对应的地理属性（例如NDVI、高程等）。
实体与本体关联
通过匹配实体名称与本体节点名称，将实体嵌入到图谱中。
Neo4j用于存储和可视化，包括节点及其关系。
关系定义
同一级别节点之间的关系定义为“上邻”或“下邻”。
不同级别节点之间的关系定义为“包含”或“属于”。
采用人工校正的方法排除边界异常数据，并为实体数量较少的类别补充标注。抽样验证显示，知识图谱的总体准确率达96.3%，保证了图谱的科学性和一致性。
知识图谱被存储在Neo4j数据库中，总计包含4000多个节点和超过10,000个关系。MVKG支持复杂的逻辑推理和查询，可用于植被分布的智能分析、遥感分类模型的优化以及生态系统模拟。
更多图表分析可见原文
公众号欢迎优秀作者投稿！可加入优秀论文作者群：欢迎加入AI遥感优秀论文作者群！
问题及讨论可直接在文章下方留言
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
