2024年4月，福州大学数字中国研究院（福建）李蒙蒙课题组在遥感领域顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》（SCI一区Top，IF：12.7）和《International Journal of Applied Earth Observation and Geoinformation》（SCI一区Top，IF：7.5）分别发表研究成果。研究工作获得国家自然科学基金、福建省科技计划项目和福建省水利科技项目资助。
l “基于多层级语义图交互模型的高分辨遥感影像语义变化检测”（Semantic change detection using a hierarchical semantic graph interaction network from high-resolution remote sensing images），成果贡献作者包括我院科研助理龙江（2020级硕士生）、李蒙蒙副研究员、汪小钦研究员和荷兰特文特大学ITC学院Alfred Stein教授。
遥感影像语义变化检测是指基于同一地点不同时段的遥感图像，通过图像处理和数理模型，同时识别变化区域和变化类别的技术。当前，高分辨遥感影像语义变化检测方法面临三大挑战：一是时空联系建模不足，导致复杂变化场景的检测精度较低；二是双时相语义特征缺乏交互，影响未变化区域的检测性能；三是复杂对象的识别效果不佳。针对上述挑战，本研究基于多任务学习框架，耦合了语义分割任务和变化检测任务，设计了一个新颖的多层级语义图交互网络模型HGINet，同时提升变化区域和变化类别的检测效果。通过双时相语义特征的交互学习，有效增强了未变化区域间的特征相似性，同时凸显了变化区域间的特征异质性，实现高精度的语义变化检测。本研究方法在多种不同场景及传感器数据中进行了广泛且深入的实验验证，并与9种主流方法进行了详尽的对比试验。研究结果表明：本方法所得检测结果与真实标签间的一致性达到了最高水平，展现出出色的检测性能。此外，本研究方法已成功应用于福州和厦门地区的耕地非农化语义变化检测（图1），显著降低了由光谱和季相差异引发的伪变化现象，并展现出了良好的泛化能力和迁移性能。
图1 基于HGINet模型的福州地区“非农化”高分辨遥感影像变化检测结果
论文引用：Long, J., Li, M.*, Wang, X., Stein, A. (2024). Semantic change detection using a hierarchical semantic graph interaction network from high-resolution remote sensing images. ISPRS Journal of Photogrammetry and Remote Sensing, 211, 318-335, https://doi.org/10.1016/j.isprsjprs.2024.04.012.
l “基于时序Sentinel-1 SAR影像小农耕作区烟草空间分布制图”（Mapping tobacco planting areas in smallholder farmlands using Phenological-Spatial-Temporal LSTM from time-series Sentinel-1 SAR images），成果贡献作者包括我院李蒙蒙副研究员、2021级硕士生冯晓敏和荷兰特文特大学ITC学院Mariana Belgiu副教授。
作物生长的物候信息对于从遥感图像中识别作物类型具有重要作用，然而其在深度学习模型中的自动集成尚未得到充分研究。本研究提出了一种全新的深度模型—物候-时间-空间长短期记忆网络（Phenological-Temporal-Spatial LSTM，PST-LSTM），该模型基于多模态学习框架构建，能够自动融合物候信息与深度时空特征，联合学习更有效的作物图像特征。基于时间序列SAR影像，该模型成功应用在识别福建省宁化、浦城、上杭县以及云南省罗平县等地的烟草种植区。为验证其性能，将PST-LSTM与基于物候规则和动态时间规整（DTW）方法的现有方法进行了对比，并对其在特征融合方面的优势进行了深入分析。研究结果表明，在宁化地区，所提PST-LSTM模型表现优于其他方法，总体准确率（OA）高达93.16%，而基于物候规则和DTW方法的总体准确率分别为86.69%和85.93%。这一优异表现得益于PST-LSTM模型在特征层面实现了时间序列数据与不同策略中获得的物候信息的有效融合，其性能明显优于现有基于模糊集的特征融合方法在决策层面的效果。当应用于不同的研究区域时，PST-LSTM也展现出出色的空间可迁移性。使用宁化的训练样本，在浦城、上杭和罗平地区同样取得了令人满意的识别效果，总体准确率分别达到了90.95%、91.41%和80.75%。结果进一步证明了PST-LSTM模型在不同地区间的泛化能力，以及识别其他作物类型的潜力。
论文引用：Li, M.*, Feng, X., Belgiu, M. (2024). Mapping tobacco planting areas in smallholder farmlands using Phenological-Spatial-Temporal LSTM from time-series Sentinel-1 SAR images. International Journal of Applied Earth Observation and Geoinformation, 129, 103826, https://doi.org/10.1016/j.jag.2024.103826.
