1 引言

深度学习作为自然资源常态化调查监测的主流技术手段，能够对遥感影像中直观呈现的变化实现较为有效的预警。一般来说，深度学习通常侧重于挖掘遥感影像的低层次语义信息，在判断地物是否发生变化时具有"所见即所得"的特点，导致变化检测结果中往往存在大量虚警图斑。例如，农作物轮作、水位自然变化、森林自然退化等现象会导致土地在遥感影像中呈现出明显的视觉特征变化，但这类变化通常不涉及土地利用类型的变化，不属于自然资源变化监测的对象。在大范围自然资源变化监测任务中，大量虚警变化图斑的存在严重增加了人工作业的工作量，严重降低了自然资源监测效率。

为了应对自然资源要素变化图斑虚警率高的问题，研究人员提出了多种方法。具体而言，周治武等针对时序地表覆盖数据间空间匹配误差引起的伪变化图斑问题，提出了一种基于形状指数的时序地表覆盖数据伪变化图斑过滤方法。高锡章等从土地利用/覆被原始图斑与相邻变化图斑的空间关系入手，提出了基于面积对称理论的自动检测模型，以缓解空间配准误差导致的土地利用/覆被伪变化图斑问题。宁晓刚等设计了一个遥感影像高可信智能地类不变检测技术框架，提出了先验信息引导的全局-局部不变检测方法，以消除整体性和局部性伪变化。然而，现有方法普遍存在人工特征泛化性弱、时空上下文利用不充分等问题，难以满足大范围自然资源要素变化监测任务需求。因此，亟需研究对自然资源要素变化图斑进行快速精准净化方法。

时空知识图谱作为一种高效的时空知识组织与表示方式，有望克服深度学习这一数据驱动方法的局限性，为自然资源要素变化图斑智能净化提供额外支撑。

时空知识图谱是指具有地理时空分布或位置隐喻的知识构成的有向图。目前，已有研究者对时空知识图谱进行了探索。陆锋等聚焦地理学领域，系统研究了地理知识图谱。蒋秉川等面向多源异构地理空间数据，提出了构建地理时空知识图谱的路径。针对遥感大数据的特点，周成虎等研究了时空知识图谱的构建方法。此外，一些研究者将地学领域知识图谱应用于遥感图像语义分割和场景分类等任务。

地理时空知识图谱是基于地理信息科学和知识图谱技术构建的知识体系，通常以结构化的地理信息数据为基础，结合领域知识和时空演化规律，旨在表达地理实体及其空间关系、时空动态特性等内容。与之相比，本文提出的遥感时空知识图谱不仅关注地表实体的地理特征，还利用多模态多时序遥感数据、地理先验矢量数据、领域非结构化/半结构化文本等数据抽取、汇聚、更新知识，形成包含时间、空间、语义、事件等复合关系的多粒度时空知识结构，旨在精准表达多粒度地表实体之间的复杂语义关系和时空演变规律，可以支撑地表实体的实时监测、智能理解和态势推演。

基于上述分析，本文针对当前深度学习变化检测模型虚警率高的问题，提出了基于遥感时空知识图谱的自然资源要素变化图斑净化方法。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3个关键技术：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；基于SeqGPT大语言模型的图斑净化知识抽取技术。这些技术进一步支撑了基于遥感时空知识图谱的自然资源要素变化图斑智能净化方法。

2 遥感时空知识图谱驱动的自然资源要素变化图斑净化方法

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斑净化方法的总体框架（图1），主要包括遥感时空知识图谱自动建模和自然资源要素变化图斑智能净化2大功能。为了实现遥感时空知识图谱自动构建，首先设计了遥感时空知识图谱本体模式，然后提出了基于大模型的矢量、影像、文本等多源知识三元组抽取技术，最后在时空约束下实现多来源知识三元组高效汇聚。在变化图斑净化业务的人工作业过程启发下，本文通过遥感时空知识图谱的一阶逻辑推理来模拟人工作业过程，实现遥感时空知识图谱引导的自然资源要素变化图斑自动净化。

2.1 遥感时空知识图谱智能构建

2.1.1 遥感时空知识图谱本体模式设计

遥感时空知识图谱本体模式是指遥感时空知识图谱中的概念、属性及其相互关系的本体模式。本文结合自然资源要素变化图斑净化的应用需求，设计了顾及时空特性的遥感时空知识图谱本体模式。

自然资源要素变化图斑净化的对象是带有时序信息的地理矢量，具有鲜明的时空演化特征。如图2所示，本文设计的遥感时空本体结构由内向外共分为6层，依次为遥感本体层、时间序列层、时序影像层、语义关联层、事件演进层和常识规律层。遥感本体的载体是地理矢量图形，同一遥感本体在多个时刻的表现可形成时间序列，多时序影像反映了遥感本体在各个时刻的特征。时间序列层反映了同一遥感本体在多个时刻的动态变化，而时序影像层侧重于多时相影像的具体特征表现，二者在空间维度上互为补充，形成了从动态变化到特征刻画的递进关系。对时序影像进行解译可形成遥感本体的语义描述，对多个遥感时空本体的多时相语义描述进行组织，构建起反映个人和集体行为、自然和社会事件的事件演进层，最终支撑起由物候规律、专家智慧、抽象常识等高级知识组成的常识规律层。上述本体结构灵活融合了空间单元、演化特征、领域常识、先验事件等时空先验知识，能够充分满足自然资源要素变化图斑净化任务对时空智能推理的需求。

2.1.2 基于GraphGIS图数据库原生空间分析的矢量知识抽取技术

随着地理信息系统（GIS）技术的发展，海量的矢量数据被广泛应用于自然资源管理监测中。这些数据通过点、线、面等几何要素对地理空间进行精确描述，蕴含了丰富的地理先验知识。对这些数据的深度挖掘能够揭示潜在的空间关系，为构建遥感时空知识图谱提供重要支撑。矢量知识抽取是通过空间分析技术从海量矢量数据中提取先验知识的关键步骤。然而，现有的空间分析方法在知识图谱构建中存在局限。存储与计算分离的特点严重限制了知识抽取效率。特别是在处理复杂时空关系和大规模数据时，传统方法往往面临运算速度下降和数据流通不畅等问题，计算性能难以满足需求。

本文提出的GraphGIS针对上述问题进行了创新性优化。基于GraphGIS图数据库原生空间分析方法的矢量知识抽取技术流程如图3所示。GraphGIS实现了矢量数据存储和空间分析运算的一体化。它在图数据库内部集成了多种空间分析函数，如相交、联合、擦除、融合、重投影、面积计算、距离计算、邻接计算等。这些原生空间分析算子能够在图数据库环境中直接调用。上述设计使GraphGIS能够更有效地处理时空拓扑关系和重叠度计算等复杂空间分析，增强了矢量知识抽取的灵活性。通过将存储和运算紧密结合，GraphGIS消除了数据读写冗余，简化了矢量数据空间分析任务的流程并优化了性能。与存储与计算分离的传统空间分析方法相比，GraphGIS显著提升了矢量知识抽取的效率。

2.1.3 基于SkySense视觉大模型高效微调的遥感影像知识抽取技术

随着对地观测技术的发展，遥感数据的空间分辨率和时间分辨率显著提升，卫星平台和传感器日益多元化，遥感影像数据量呈指数级增长。遥感影像记录了丰富的地表信息，蕴含了大量先验知识。因此，开展遥感影像知识抽取是构建遥感时空知识图谱的重要基础。为实现多源遥感影像数据的高效准确知识抽取，本文以20亿参数多模态遥感基础大模型SkySense作为预训练模型。依托自建的不同传感器、不同分辨率的多源光学遥感影像语义分割数据集，通过高效微调遥感基础大模型SkySense来构建遥感影像知识挖掘模型。

本文基于AdaptFormer高效微调方法，利用构建的语义分割数据集对模型进行微调。微调过程一方面，保留了SkySense通过预训练获得的遥感影像特征表达能力；另一方面，使模型能够更好地适应多源遥感影像的特征，从而提升其在实际应用场景中的知识抽取效果。

2.1.4 基于SeqGPT大语言模型的图斑净化知识抽取技术

在对自然资源要素变化图斑进行净化时，必须以自然资源监测相关政策法规、业务需求为指导，并根据一定的技术规范和作业标准执行。上述政策法规、业务需求等内容是变化图斑净化任务中重要的先验知识。因此，本文从自然资源监测相关政策法规、业务需求及作业规范等多类非结构化文本中提取先验知识，并将其整合到遥感时空知识图谱中。

具体而言，本文基于SeqGPT大语言模型对与变化图斑净化相关的非结构化文本进行挖掘，从中抽取出知识三元组，其技术流程如图5所示。考虑到矢量、影像知识可能存在错误，本文对输入的文本进行了拼写检查和语义一致性分析等规范化预处理，并针对地类混淆等潜在冲突场景设计相应的文本，增强了文本数据的容错性。然后，利用检索增强生成（RAG）技术对非结构化文本数据进行预处理，提取相关政策、规范和需求的关键内容，从而形成语义丰富的文本表示。

2.2 遥感时空知识图谱一阶逻辑推理驱动的自然资源要素变化图斑智能净化

首先，本文完成了遥感时空知识图谱在图数据库中的构建。随后，基于知识图谱中包含的变化图斑净化规则，通过执行高效的一阶逻辑推理完成对自然资源要素变化图斑的净化。一阶逻辑（FOL）推理是一种经典的逻辑推理形式，能够通过量词和逻辑连接词在命题之间建立关系，从而表达复杂的规则和推理模式。在变化图斑净化任务中，变化图斑的判定涉及多种因素，例如时空邻接性、变化幅度、形态特征等。这些因素之间的逻辑关系复杂，且存在大量时空数据需要处理。一阶逻辑推理可以精确表达这些条件，建立形式化的推理规则，进而通过自动化推理快速识别和处理变化图斑。

本文将图数据库的高效查询能力与一阶逻辑推理结合，在大规模数据上实现了快速、准确的变化图斑净化，从而有效提升自然资源要素变化监测的准确性和效率。本文首先通过文本知识抽取技术自动生成了一系列用于变化图斑净化的推理规则，经过人工修订后，将其用于变化图斑净化。表1对变化图斑净化相关推理规则中的要素进行了定义。

3 遥感时空知识图谱管理服务系统

为提升遥感时空知识图谱的并发处理与人机交互入库能力，本文研发了一套遥感时空知识图谱管理服务系统。用户可通过该系统对遥感时空知识图谱进行构建和维护、执行自然资源要素变化图斑净化任务。

该系统包括基础设施层、资源管理层、知识服务层，并由前端和后端2部分组成。前端采用Vue框架，利用NeoVis.js模块实现遥感时空知识图谱显示。后端开发框架采用Django，并为前端提供用户验证、数据查询、页面跳转、数据分析等调用接口。系统利用Docker容器化封装技术，提高了遥感时空知识图谱的并发处理效率。为了更直观地展示遥感影像、矢量等数据，系统引入了Cesium模块，并利用Geoserver发布栅格影像，便于与知识图谱节点通过地理坐标形成联动。系统使用Mysql数据库存储用户信息、操作记录等内容，用户验证成功即可登录使用。

遥感时空知识图谱管理服务系统的变化图斑净化界面如图7所示。用户进入变化图斑净化界面后，点击左上角的操作按钮，在弹出框中选择要进行净化操作的变化图斑后，点击开始按钮即可执行变化图斑净化任务。用户可通过观察页面左上角的总体进度面板直观把握当前任务的执行情况。页面右上角的状态总览面板显示了任务总进度、资源占用率等信息。页面下方的分市监测面板展示了图斑净化在各个子区域的执行进度和资源占用，由于本系统主要应用范围为广东省，图中的子区域为广东省的21个地级市。每个子区域均在单独的Docker容器内执行运算，提高了并发处理效率。

变化图斑净化完成后，页面中弹出是否进行人机交互入库的选择框，如选择"是"则跳转至智能推理可视化页面，如图8所示。用户可在本页面通过人机交互的方式，对变化图斑净化结果进行检核并入库。页面左侧为本次净化的变化图斑的属性列表。点击某条记录，页面中的地图即缩放至该记录对应图斑所在的范围。通过左右拖动页面中央的卷帘，可以对比查看图斑的前后时相影像。页面右侧可视化展示了所选图斑在遥感时空知识图谱推理决策层和语义事实层中的知识关联，辅助用户对变化图斑净化结果进行检核。

4 实验与结果分析

4.1 遥感时空知识图谱构建技术的结果分析

为验证本文提出的遥感时空知识图谱构建技术的有效性，分别对矢量知识抽取技术、影像知识抽取技术、文本知识抽取技术进行了实验验证，并描述了遥感时空知识图谱的构建结果。本文实验的硬件计算资源为12th Gen Intel(R) Core(TM) i7-12700处理器、64 GB内存和NVIDIA RTX A6000显卡，操作系统为Windows 11，深度学习框架为PyTorch。

4.1.1 矢量知识抽取技术的结果分析

矢量知识抽取部分构建了包含281 484个先验语义图斑、28 004个变化图斑的矢量数据集，用于对比不同方法执行矢量知识抽取的效率。为验证本文提出的GraphGIS图数据库原生空间分析方法对矢量知识抽取效率的提升效果，分别使用传统空间分析库Geopandas、关系型空间数据库PostGIS和本文提出的GraphGIS执行矢量知识抽取。

表2给出了3种方法分别进行面积计算、叠置分析的用时及Geopandas和PostGIS相对于本文方法的时间消耗比。可以看出，本文提出的基于GraphGIS图数据库原生空间分析方法的矢量知识抽取技术在面积计算、叠置分析2类知识抽取场景中，相比传统空间分析库Geopandas的时间消耗比分别达到了8.48、1.59，相比关系型空间数据库PostGIS的时间消耗比分别达到了5.30、1.26。

4.1.2 影像知识抽取技术的结果分析

遥感影像知识抽取部分构建了一个遥感语义分割数据集，用于训练影像知识抽取模型。数据集包含12个地物类别，分别是耕地、园地、林地、草地、建筑物、道路、构筑物、推填土、工地、光伏板、水域、迹地，共包含164 426张遥感影像，每张尺寸为512像素×512像素，地面分辨率包括0.5、1.0、2.0 m，分布于广东省范围内。将数据集按8:2的比例随机划分为训练集和测试集，分别包含131 540和32 886张图像。

各方法在变化图斑语义分割测试集上的分割精度如表3所示。本文采用的SkySense高效微调的影像知识抽取模型相比在U-Net、DeepLab V3+、Segformer和Swin Transformer上训练的模型，语义分割平均精度mIoU分别提升了29.45%、21.79%、28.41%和4.06%。

4.1.3 文本知识抽取技术的结果分析

本文根据各级政府及自然资源管理部门发布的自然资源监测相关法律规范、技术规程等文本数据，构建了一个包含216条变化图斑净化规则的数据集，由859个实体、446条关系组成，将规则数据集按8:2的比例划分为训练集和测试集。

表4给出了各个模型在文本知识三元组抽取任务上的结果对比。可以看出，本文提出的基于SeqGPT大语言模型的图斑净化知识三元组抽取方法的精度和推理速度相比于ChatGPT模型和BLOOMZ模型均有提升。

4.1.4 遥感时空知识图谱构建的结果分析

基于前述遥感时空知识图谱本体设计，利用矢量、影像、文本知识抽取技术，构建了包含实体15 765 732个、三元组事实16 151 961条的遥感时空知识图谱，如图9所示。实体类型主要包括变更调查矢量、模型预测变化图斑、常态化成果图斑、自然资源类别、变化图斑类别、影像解译类别、变更调查影像、月度影像、伪变化图斑等，其中矢量类实体15 764 695个、影像类实体632个、文本类实体405个。

4.2 自然资源要素变化图斑智能净化的结果分析

4.2.1 实验数据及评估指标

本文以广东省2024年3—6月遥感影像与2023年遥感影像的变化检测结果为实验输入数据，共包含58 610个图斑。本文方法旨在解决自然资源要素变化监测中的图斑净化任务，该任务属于内业作业的一个中间环节。最终的变化图斑成果将在自然资源管理部门下发后，通过外业检核进一步验证。因此，使用人工判读结果来评估本文方法的精度。所有图斑人工判读结果均由经过专业培训的人员完成，具有较高的准确性和可靠性。

本文采用2个指标来评价变化图斑净化结果的精度：存真率和去伪率。为有效提升自然资源监测作业效率，变化图斑净化算法必须在充分保留真实变化图斑的前提下，尽可能多地剔除虚警变化图斑。在评估指标上，表现为优先保证高存真率，尽可能提高去伪率。

存真率用来反映变化图斑净化算法对真变化图斑的保留能力，为正确保留的真变化图斑个数占真变化图斑总数的百分比，该值越大表明算法保留真变化图斑的能力越强。

去伪率用来反映变化图斑净化算法对伪变化图斑的去除能力，为正确去除的伪变化图斑个数占伪变化图斑总数的百分比，该值越大表明算法去除伪变化图斑的能力越强。

4.2.2 实验结果分析

基于极高存真率和高存真率两种策略，本文提出的智能净化算法对广东省2024年3—6月深度学习变化检测模型生成的58 610个变化图斑执行了净化处理。使用双相关注意引导检测器DCA-Det作为深度学习变化检测模型，该模型对变化对象实例的整体特征和上下文关联进行了学习，并融合了不同尺度的特征，生成的变化图斑总体可靠，但虚警率仍然较高。

变化图斑智能净化方法在极高存真率策略、高存真率策略下的定量评价结果分别如表5、表6所示，其中N表示变化图斑总数。在极高存真率策略下，本文提出的变化图斑智能净化算法的存真率和去伪率分别达到了95.37%和21.82%，表明本方法能够在充分保留真变化图斑的前提下，能够有效提升高查全率要求下的自然资源监测任务效率。在高存真率策略下，本文提出的变化图斑智能净化方法的去伪率达到52.77%，且存真率仍然保持在88.89%的较高水平，显示本方法在查全率要求适中的自然资源监测任务中，提升监测效率的潜力更为显著。

表7展示了不同类型变化图斑净化的定量评价结果，其中农业地表指后时相类型属于耕地或园地，生态地表指后时相类型属于林地、草地、水域，人类活动地表指后时相类型属于建筑物、道路、构筑物、推填土、工地、光伏板、迹地。可以发现，农业用地的存真率、去伪率均高于总体水平，表明本方法能够较好地判别农业用地图斑的真伪性；生态地表受人类活动影响小，总体上属于伪变化的概率较高，存真率较总体水平略低，去伪率较高；人类活动地表受人类活动影响大，总体上属于真变化的概率较高，存真率高于总体水平、去伪率低于总体水平。

图10展示了某一个实验区域的前后时相遥感影像及变化图斑净化结果，区域内共包含351个变化图斑，其中耕地图斑数量最多。图10中央的蓝色图斑多为新建温室大棚、挖掘坑塘的耕地图斑，被判断为真变化图斑并保留。图10四周的黄色图斑多为农作物生长导致颜色发生改变的耕地图斑，被判断为伪变化图斑并去除。图10内的粉色图斑为不能明确判断为伪变化而被保留的图斑。

5 结论与讨论

5.1 结论

针对当前深度学习变化检测模型虚警率高的问题，提出了遥感时空知识图谱驱动的自然资源要素变化图斑净化算法，以降低变化图斑虚警率、提高自然资源监测效率。设计了顾及时空特性的遥感时空知识图谱本体模式。基于设计的多种知识抽取技术，从矢量、影像、文本等多源数据中抽取知识三元组，完成了遥感时空知识图谱构建。在人工作业方式的启发下，采用遥感时空知识图谱的一阶逻辑推理，实现对深度学习模型检测生成的变化图斑的自动净化。本文研发了遥感时空知识图谱管理服务系统，用户可通过该系统构建并维护遥感时空知识图谱，执行自然资源要素变化图斑净化任务。利用本方法对广东省2024年3—6月变化图斑进行净化，存真率达到95.37%、去伪率达到21.82%。结果表明，本文提出的自然资源要素变化图斑净化算法能够在充分保留真实变化图斑的条件下，较好地剔除虚警变化图斑，有助于提升自然资源监测作业效率。

5.2 讨论

本文提出的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方法已在实际应用中发挥了一定的作用，但仍面临影像知识类型单一和推理方式传统等问题。具体来说，现有方法主要依赖单一影像语义知识和传统推理机制，导致其在深层次变化模式的捕捉和解释方面存在一定的局限性。在未来的研究中，将考虑从多时序遥感影像中抽取遥感目标间时空语义关系等先验知识，提升遥感时空知识图谱对地表变化刻画的完备性。还将进一步优化数据支撑条件，挖掘本体模式中事件演进和常识规律等特性的潜力。此外，探索基于思维链的遥感时空知识图谱推理技术，进一步提升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效果。