土地资源多尺度遥感智能解译分类体系研究

0  引  言

全球资源环境变化研究需要精确的和最新的从区域到全球尺度的土地利用/土地覆盖（Land use/land cover，LUC）数据集以支撑各种科学和政策的应用。LUC分类是土地利用 / 土地覆盖变化（Land use/land cover change，LUCC）研究的重要前提，目前已有丰富的区域及全球尺度、不同空间分辨率以及不同分类系统的LUC产品可供不同研究目的使用，然而，LUC分类系统不统一造成的LUC数据差异影响了全球LUC数据集的比较和集成应用。受益于遥感对地观测技术的快速发展，近些年遥感影像数据以几何级数的速度增长，高空间分辨率遥感数据较以往更加容易获取。如果构建一个适于多尺度遥感影像解译的LUC分类体系，使不同行业部门的遥感分类产品在分类系统的某一层级上具有可比性，一定程度上能够解决LUC分类数据集集成与对比的难题。

研究人员以中国科学院1∶10万比例尺土地利用矢量数据的图斑界线作为土地覆盖遥感自动分类的框架控制，实现全国土地覆盖类型的空间分布制图。有学者在西北农牧交错带，建立中国科学院土地利用分类系统和国际地圈生物圈计划（the International Geosphere-Biosphere Programme，IGBP）土地覆盖分类系统之间的转换规则。近期，武汉大学龚建雅院士团队针对大规模遥感智能解译需求，提出任务驱动的遥感解译样本库设计方案，对已有的73个开源样本数据集进行了归一化处理和映射转换，满足多种遥感智能解译任务。这些研究为LUC分类数据或样本数据集成提供了有效示范，证明在统一的分类体系框架下实现分类数据的集成和有效对比有必要且具有很强的可行性。

以深度学习为代表的人工智能技术为制图综合智能化水平提升创造了有力条件，但智能学习模型的有效应用依赖高质量的样本数据。现有样本库主要考虑地物选择的典型性和细节丰富程度，涵盖遥感影像的地物类型全面性不足，以致处理样本库覆盖范围外的数据时会出现分类偏差。遥感影像解译是一个不断发展的研究方向，为实现满足更多应用需求的地表资源环境要素遥感分类，在遥感智能解译能力不断提升的背景条件下，非常有必要对遥感智能解译样本的分类体系有统一认识，从而科学指导遥感智能解译样本数据库建设。

目前，中国的遥感卫星技术正处于快速发展阶段，基本形成全覆盖、全天候、全要素、多尺度海量遥感信息观测和获取能力。为践行山水林田湖草是生命共同体的生态文明理念和保障自然资源统一调查监测，亟需充分利用日益丰富的遥感数据资源和增强区域 / 全球大范围地理空间信息获取能力。本文在中国科学院土地利用分类系统框架基础上，参考中国科学院土地覆盖分类系统、国家土地调查相关技术规范，借鉴全球主要LUC分类系统包含的地物类型及其分类系统设计特点，构建土地资源多尺度遥感智能解译分类体系，尽可能全面涵盖遥感影像地物类型，满足不同行业的LUC分类数据需求。

1  国内外主要LUC分类系统概况

1.1  国外主要LUC分类系统

国外LUC分类研究起步较早，且大多基于野外调查和航片制图，为后期LUC分类系统发展起到了奠基作用。受遥感技术发展和全球变化研究计划的极大推动，20世纪80年代欧洲委员会发布COREINE土地覆盖分类系统，20世纪90年代美国国家地质调查局（USGS）构建IGBP土地覆盖分类系统，马里兰大学发布UMD全球土地覆盖分类系统，联合国粮农组织（FAO）和联合国环境规划署（UNEP）联合发布LCCS土地覆盖分类系统等。这些有重要国际影响力的分类系统均以自然地表覆盖特征为核心，不能满足科研人员对建设用地变化研究的数据使用需求。

1.2  中国主要 LUC 分类系统

土地利用分类是进行土地利用现状调查统计及对土地实施有效管理的基础和前提。中国自20世纪80年代初起，先后制定了全国农业区划委员会土地利用现状分类系统（1984年）、《土地利用总体规划用地分类》（1998年）、《全国土地分类（试行）》（2001年）、国家标准《土地利用现状分类》（GB/T 21010—2007）、国家标准《土地利用现状分类》（GB/T 21010—2017）、《第三次全国土地调查技术规程》（2018年）、《国土空间调查、规划、用途管制用地用海分类指南（试行）》（2020年）等土地利用现状分类国家标准。此外，自然资源部2019年形成了一套基础性地理国情监测分类标准（CH/T 9029—2019），主要用于调查地表自然和人文要素的覆盖情况，但与第三次全国国土调查工作分类数据的衔接难度较大。土地利用现状分类国家标准服务于国土空间治理，对于土地资源调查和规划工作具有重要指导性，并在实施过程中根据工作需要和理论、技术发展得到不断调整和完善，由过去的关注建设用地与农用地转变为现在的强调生态优先和绿色发展。因此，遥感智能解译分类体系的土地资源类型划分应更多地与土地利用现状分类体系的国家最新标准挂钩。

20世纪90年代，中国科学院相关研究机构基于地物类型在30m空间分辨率Landsat遥感影像上的可分性，对全国农业区划委员会土地利用现状分类系统的一级类型进行了调整，最终形成了一个包含6个一级类型和25个二级类型并且依赖人机交互判读遥感调查技术的土地利用遥感分类系统。中国科学院土地利用分类系统对于中等空间分辨率遥感制图具有较好的适应性，在构建遥感智能解译分类体系时，可以考虑参照中国科学院土地利用遥感分类系统框架，结合高空间分辨率遥感影像的地物特征，增补、拆分或细化相关LUC类型。

1.3  深度学习样本库分类系统

深度学习技术支持场景理解、地物目标检测与土地覆盖分类等任务，目前已有众多的深度学习样本库在网络上共享。如果面向土地资源遥感智能解译任务的话，场景和目标识别样本库没有可以遵循的分类体系，且人工类场景、目标类型普遍较多，自然类型普遍较少，尤其是目标识别样本偏微观、分散，不适于区域或大尺度LUC遥感分类。尽管如此，场景和目标样本一定程度上反映了LUC分类的细化程度，在构建基于高空间分辨率遥感数据的土地资源遥感智能解译分类体系时能为地物类型细分提供直接依据。

2  遥感智能解译分类体系构建原则

首先，土地利用分类系统和土地覆盖分类系统之间有共通性，多数遥感智能解译样本库更是既包含土地利用类型，也包含土地覆盖类型。在设计面向遥感智能解译的土地资源分类体系时，地物类型除应满足系统性、全面性和类型间减少交叉等基本要求外，应兼容土地利用和土地覆盖，体现分类体系的科学性。

其次，土地资源遥感监测服务于国土空间治理和国家生态文明建设的LUC数据需求。如何整合可持续科学理论框架和新兴技术，深入贯彻落实国土空间规划，已成为LUCC研究面临的新挑战。土地资源遥感智能解译分类体系构建也应与国家土地规划理论发展相适宜，兼顾国土、农业、林业、建设、水利、交通等行业部门的用地管理需求。

再次，土地资源遥感智能解译分类体系应以土地利用分类系统为基础，采用开放框架并具有可扩展性。对于未来可能出现的新的用地类型，或者随着遥感智能解译能力的提升，对于某个地物类型的进一步拆分和细化，都能容纳到相应的分类体系中，从而满足应用的灵活性。

最后，土地资源遥感智能解译分类体系构建依赖于遥感技术支撑，以服务多尺度遥感解译为核心。遥感影像上除了存在同物异谱、异物同谱现象，很多人工地表往往形状相似、用途不同，在制定遥感智能解译分类体系时，应注意地物类型的遥感可分性，因此，土地资源遥感智能解译分类体系要立足于遥感科学的技术实现能力，且有一定的精度保障。

3  自上而下构建遥感智能解译分类体系

3.1  土地资源分类体系的一级类型选取

在土地利用分类体系中，等级最高的土地利用类型对整个分类体系的设计起到提纲挈领的作用。比较前后几个版本的土地利用现状分类国家标准，发现耕地、园地、林地、草地、交通运输用地等5个一级类型相对固定。

现行土地利用现状分类国家标准最大变化是将早期的居民点与工矿用地类型划分为商服用地、工矿仓储用地、住宅用地、公共管理与公用服务用地、特殊用地等不同类型，但在遥感解译时，由于存在形状相似、用途不同等原因，应将这些人工地物又重新归类到居民点与工矿用地（统称为城乡工矿居民用地）。第三次全国国土调查工作分类和用地用海分类指南更加强调生态文明理念，在一级类型中增加了湿地。水域类型也有变化，全国农业区划委员会土地利用现状分类系统（1984 年）直接使用水域这个名称，但其二级类型中包含水工建筑物；现行土地利用现状分类国家标准和第三次全国国土调查工作分类使用水域及水利设施用地这个名称；用地用海指南将水域及水利设施用地拆分为水域及水工设施用地两个类型，且将水工设施用地调整为公用设施用地的二级类型，类型划分更加科学。此外，早期使用的未利用土地也更名为其他土地，名称使用上更加科学。

综上，与土地利用现状分类体系的国家最新标准和发展趋势挂钩，构建的土地资源遥感智能解译分类体系包含耕地、园地、林地、草地、水域、湿地、城乡工矿居民用地、交通用地和其他土地等9个一级类型。

3.2  面向遥感智能解译的土地资源类型划分

自上而下构建土地资源多尺度遥感智能解译分类体系，包含9个一级类型，41个二级类型和43个三级类型。如果将分类系统中最低层级的类型平铺展开，总计有74个不同的LUC细分类型（表1）。

表 1 土地资源多尺度遥感智能解译分类体系

Tab.1 Land resource classification system for multi-scale remote sensing intelligent interpretation

1）耕地类型划分及依据。耕地包含3个二级类型，3个三级类型。土地利用现状分类国家标准中，耕地被分为水田、水浇地和旱地等3个二级类型。种植大棚和指针式喷灌在遥感影像上的色调和纹理跟周围耕地差别明显，因此，将水浇地划分为种植大棚、喷灌和其他水浇地3个三级类型。参照土地利用现状分类国家标准，本文同样没有对水田和旱地进行细分，未来依托遥感解译技术的发展，依据作物种植结构对耕地进行分类可能会更好地服务农业部门。

2）园地类型划分及依据。园地包含4个二级类型，无三级类型。土地利用现状分类国家标准中，园地通常分为果园、茶园、橡胶园和其他园地。茶园、橡胶园等园地类型的空间分布须满足一定的气候地理条件，在选取解译样本时，需要较强的实地调查经验。近些年随着深度学习技术的发展，已有基于多时相和高空间分辨率遥感数据的园地提取研究，因此，尽管园地遥感解译是一项非常复杂的工作，本文仍保留了园地及其4个二级类型。

3）林地类型划分及依据。林地包含5个二级类型，10个三级类型。将林地划分为有林地、灌木林地、疏林地、迹地和其他林地等5个二级类型。有林地指郁闭度≥20%的天然林和人工林，目前利用遥感技术提取竹林还存在困难，所以本文的有林地仅指乔木林地，包括常绿针叶林、落叶针叶林、常绿阔叶林、落叶阔叶林和针阔混交林5个类型。迹地包括砍伐迹地和火烧迹地两个类型。其他林地包含未成林造林地、苗圃和速生林3个类型。IGBP和GLC-FCS30对灌木林地和疏林地依据覆盖度或常绿、落叶等植被类型进行细分，但受限于遥感影像的季节及制图人员的地理认识，建立的遥感解译样本具有很大的不确定性。因此，不建议对灌木林地和疏林地细分。

4）草地类型划分及依据。草地包含两个二级类型，6个三级类型。土地利用现状分类国家标准将草地分为天然牧草地、人工牧草地和其他草地。其他草地指树木郁闭度<10%，表层为土质，不用于放牧的草地。草地的禁牧范围由当地管理部门界定，与是否利用遥感技术本质上没有关系。因此，仅将草地分为天然草地和人工草地两个二级类型。

草地面积及其质量变化对于典型生态脆弱区的环境保护至关重要。参照中国科学院土地覆盖分类系统将天然草地分为草甸草地、典型草地、荒漠草地、高寒草甸、高寒草原、灌丛草地等6个类型。

5）水域类型划分及依据。水域包含6个二级类型，无三级类型。水域类型的划分相对约定俗成，河流水面、湖泊水面、水库水面、坑塘水面、沟渠、冰川与永久积雪是6个比较固定的水域二级类型。与自然资源部2020年用地用海分类指南保持一致，水域类型中减少了沿海滩涂、内陆滩涂和水工设施用地 3 个二级类型，并将其归并到其他相应的一级类型或二级类型中。

6）湿地类型划分及依据。湿地包含6个二级类型，无三级类型。第三次全国国土调查工作分类将湿地划分为红树林地、森林沼泽、灌丛沼泽、沼泽草地、盐田、沿海滩涂、内陆滩涂和沼泽地等8个类型。为减少遥感智能解译样本本身的不确定性，将森林沼泽、灌丛沼泽、沼泽草地和沼泽地统一归并为沼泽地。此外，养殖坑塘具有较高的经济价值，且是典型的人工湿地类型。湿地包含红树林地、沼泽地、滩地、海涂、水产养殖和盐田等6个二级类型。

7）城乡工矿居民用地类型划分及依据。城乡工矿居民用地包含3个二级类型，20个三级类型。参照中国科学院土地利用分类系统将城乡工矿居民用地分为城镇用地、农村居民点用地和独立建设用地3个二级类型。不同城乡工矿居民用地内部，结合深度学习样本库分类系统的场景和目标分类做了进一步细化。

城镇用地内部像楼房、街道、绿地、水体、建筑工地等都是比较明显地理场景或目标，楼房建筑虽然形态各异，用途多样，但都可以归并为城镇建筑区。因此，将城镇用地具体分为城镇建筑区、城镇街道、城镇绿地、城镇水体、城镇广场、城镇建筑工地、城镇其他土地等7个用地类型。

农村居民点内部基本以房屋住宅为主体，结合农村的生产、生活用地特点，将农村居民点用地具体分为农村房屋、农村街道、农村场院、农村建筑工地和农村其他土地等5个用地类型。

独立建设用地指位于城镇和农村居民点之外的工矿用地等。遥感智能解译样本建设需要聚焦行业重点、有代表性和占地面积大的场景目标类型。另外，参照自然资源部2020年用地用海分类指南将水工设施用地移到公用设施用地类型，在独立建设用地类型中增加了水工设施用地这一类型。独立建设用地设置了厂房、光伏用地、水工设施用地、油田、砖厂、露天采矿场地、高尔夫球场和其他工矿用地等8个用地类型。

8）交通用地类型划分及依据。交通用地包含6个二级类型，4个三级类型。铁路、公路、港口码头、机场等是常见的交通用地类型和遥感识别目标。中国高速公路发展较快，在高空间分辨率遥感影像上的特征也比较清晰，因此将公路分为高速公路和一般公路。将管道运输用地的地上部分等设为其他交通用地。将城镇用地和农村居民点用地以外的交通用地分为铁路用地、高速公路用地、一般公路用地、港口码头用地、机场用地和其他交通用地6个二级类型。为了区分交通线路用地和场站用地等，将铁路用地再次分为铁道线路用地和铁道场站用地两个类型，将高速公路用地分为高速公路车道和高速公路服务区。

9）其他土地类型划分及依据。其他土地包含7个二级类型，无三级类型。直接以中国科学院土地利用分类系统的沙地、戈壁、盐碱地、沼泽地、裸土地、裸岩石砾地和其他未利用土地等7个类型作为其他土地类型的二级类型。

4  分类体系多尺度遥感应用与发展建议

4.1  分类体系对应的遥感影像空间分辨率

遥感影像的空间分辨率大小和清晰程度直接影响遥感解译时可区分地物类型的数量，需要根据科研任务和要解译的土地资源类型的层级，科学选择遥感影像的空间分辨率。中国科学院土地利用分类数据基于30m空间分辨率的Landsat遥感影像和人机交互判读方法完成，但分类系统里没有园地和交通用地这两个一级类型，因为园地仅凭经验遥感解译人员大多是不可能区分的，而交通用地则大多是线性地物，达不到上图标准，说明基于30m空间分辨率遥感影像，对园地和交通用地等类型的提取存在部分限制。

目前，可利用的高空间分辨率卫星数据资源已非常丰富，根据以往遥感判读经验及现有深度学习样本库分类系统的地类细化程度，建议亚米级、1～2m空间分辨率遥感影像支持本文构建的分类体系的所有层级类型的遥感解译样本制作，实现1∶5000～1∶10000比例尺遥感制图。2～10m空间分辨率遥感影像主要支持一级类型和二级类型，以及部分三级类型的遥感解译样本制作，实现1∶50000比例尺遥感制图；10～30m空间分辨率遥感影像支持多数一级类型和二级类型，以及个别三级类型的遥感解译样本制作，实现1∶100000比例尺遥感制图。

4.2  分类体系的行业应用与改进建议

构建的分类体系具有层次性，土地资源类型丰富全面，满足多尺度遥感应用需求。使用该分类体系时，应根据科研任务和要解译的土地资源类型的层级，比如不关心园地和草地细分类型的遥感应用，仅实现园地和草地的一级类型分类即可，这符合本分类体系设计的初衷，即将土地资源遥感解译纳入到统一的分类体系中来，实现不同行业部门的遥感分类产品在分类系统的某一层级上具有可比性。

辅助信息的使用有利于保障遥感解译样本的质量和提高遥感解译的精度。自然地物特别是林地、草地和湿地的细分类型，以及半自然地物如园地等，需要一定的实地调查经验和地理认识。因此，在基于该分类体系和中高空间分辨率遥感影像进行遥感智能解译样本库建设和分类时，建议尽可能获取充分多的与人文和自然地理有关的辅助信息。

目前，大尺度遥感解译仍以光学数据为主，随着多源和高空间分辨率卫星遥感数据数量不断增多和遥感分类技术的不断提升，识别和提取地物的能力也在不断增强。因此，面向多尺度遥感智能解译，将来需要根据土地利用新特点和遥感技术进步对本文构建的分类体系的三级类型进行扩充和完善。

5  结  论

本文介绍了自上而下构建中国土地资源多尺度遥感智能解译分类体系的方法。分类体系包含9个一级类型，41个二级类型和43个三级类型，总计74个不同的LUC细分类型，较当前深度学习样本库的地物类型更加系统和全面。

本文提出的土地资源多尺度遥感智能解译分类体系采用开放框架和分层设计，支持类型扩展。建议在遥感解译过程中根据遥感技术发展和土地利用新特点，以及国家空间规划和治理的LUC分类数据需求，对分类系统进一步做出调整和补充，日臻完善。

作者简介：徐进勇（1982―），男，甘肃庆阳人，副研究员，博士，主要从事土地利用变化遥感研究工作

E-mail：xujy@aircas.ac.cn

本期回顾