开发 AI 模型以释放卫星图像在土地覆盖测绘中的潜力

快速阅读: 据《阿伯丁大学》最新报道，阿伯丁大学领导的研究团队开发了AI模型SAGRNet，大幅提升土地覆盖制图精度与效率，支持全球生态环境和农业管理。该研究已发表于《ISPRS摄影测量与遥感杂志》，获国际机构奖资助。

安舒曼·巴尔德瓦杰博士（左）、桂宝玲同学（中）和莱迪亚·山姆博士

由阿伯丁大学领导的研究团队开发了一种开创性的AI模型，以提升土地覆盖制图的准确性和减少计算时间，尤其在植被方面取得了显著突破。

对土地覆盖、地形特征以及土地使用方式的深入理解是应对气候变化影响、粮食安全和可持续性问题的核心所在。

传统植被制图方法逐像素分析卫星图像，这种方法效率较低且容易出错，特别是在地形多样或复杂的区域表现尤为明显。

研究团队开发的新模型SAGRNet（基于采样和注意力机制的图卷积残差网络）运用先进的深度学习技术，以更快的速度和更高的精度对植被类型进行分类。该模型能够分析整个景观对象，例如田地和森林，从而更好地理解景观内的形态、背景和关系，进而实现更可靠和可扩展的制图。

这项研究发表在《ISPRS摄影测量与遥感杂志》上，这是国际摄影测量与遥感学会的官方期刊。

SAGRNet是在覆盖苏格兰东北部多样化景观的卫星图像基础上开发的，以充分验证结果的有效性。

研究聚焦于阿伯丁、邓迪及其周边高地地区，这些区域包含了林地、农田和草地，并与其他土地覆盖类别（如建成区和水域）相邻。

为了进一步评估所提出的SAGRNet模型的泛化能力，研究团队还在五个全球分布的城市边缘地区进行了额外实验：中国广州、南非德班、澳大利亚悉尼、美国纽约市和巴西阿雷格里港。这些地区经过精心选择，涵盖多样的生态系统背景、植被结构、城市化程度及土地覆盖复杂性，为评估模型的可转移性提供了坚实基础。

SAGRNet已开源，可以帮助决策者快速可视化并了解洪水、森林火灾、干旱或强降雨等重大事件对大面积土地及其作物的影响。

项目负责人、阿伯丁大学地球科学讲师莱迪亚·山姆博士表示：“关于耕地的精确尺寸和地形信息是进一步发展可持续土地管理策略的基础。如今我们有大量高分辨率的地球观测卫星在轨道上提供我们星球的图像。像SAGRNet这样的模型提供了一个全面的植被制图和表征框架，使用户能够充分利用其影像数据的潜力。”

“我们的深度学习算法系统可以快速且精准地识别一个地区的不同土地覆盖类型、植被或作物。”

“这种方法通过提高准确性和减少计算时间解决了现有系统的低效问题，在应对气候变化、森林砍伐和粮食短缺等全球挑战中至关重要。”

该项目联合负责人、大学地球科学高级讲师安舒曼·巴尔德瓦杰博士补充道：“我们的模型具有很强的可转移性，甚至可以快速且准确地回答关于景观如何变化的问题。”

“这对于进一步理解从沿海侵蚀到滑坡，再到植物或作物分布变化的气候变化影响至关重要。”

“它还可以用于监测作物生长以促进更准确的收获预测，或者观察特定区域内作物随时间的变化，从而制定更加科学的土地可持续利用决策。”

“我们的研究为土地监测、农业和环境管理的实际应用奠定了坚实基础。”

该项目博士生兼研究助理桂宝玲同学补充道：“SAGRNet适用于整合到大规模应用中，如土地资源调查、生态监测平台、国家土地覆盖制图计划和环境变化分析框架。”

该项目获得英国生物技术与生物科学研究委员会（BBSRC）国际机构奖资助，阿伯丁团队与包括西班牙布尔戈斯大学的迭戈·索托·戈麦斯博士、西班牙Evenor-Tech公司的费利克斯·冈萨雷斯·佩尼亚洛萨博士和德国德累斯顿工业大学的马努埃尔·F·布赫罗伊特纳教授在内的国际合作伙伴合作。阿伯丁大学地球科学读者大卫·R·格林博士也参与了发表的研究文章的开发。

该项目由BBSRC国际机构奖（BB/Y514172/1）资助。

分享本文
RSS
分享到Twitter
分享到Facebook
媒体通稿
由阿伯丁大学外部关系学院通讯团队发布

联系人：乔安妮·米尔恩
发布时间：2025年6月20日

(以上内容均由Ai生成)