自然资源监测平台

自然资源监测平台
自然资源监测平台，是在时空大数据架构下，通过全天候立体化监测网、建设资源监测大数据仓库及大数据计算中心，开发资源监测大数据服务平台，在云化环境下构建资源监测从“采集—存储—加工—服务”的全流程地理空间大数据技术体系。

1空天地海一体化数据获取
天地一体化网络(Space-Ground Integrated Network，SGIN)是综合利用新型信息网络技术，以使命为导向，以任务为驱动，以信息流为载体，充分发挥空、天、地信息技术的各自优势，通过空、天、地、海等多维信息的有效获取、协同、传输和汇聚，以及资源的统筹处理、任务的分发、动作的组织和管理，实现时空复杂网络的一体化综合处理和最大有效利用，为各类不同用户提供实时、可靠、按需服务的泛在、机动、高效、智能、协作的信息基础设施和决策支持系统。

无论是清查自然资源的类型、面积、空间分布、空间布局，还是查清其基本特性和质量状况，亦或是自然资源的保护和修复，在原始资料准备阶段需依托以下几种类型数据：航空航天遥感数据、基础地理信息数据、地理国情普查及监测数据、各类地面传感器数据、各类专题统计分析数据、多源地理空间数据等。

航空航天遥感数据，即通过航空、航天遥感获得的数据，是自然资源调查监测的主要数据源；按搭载在遥感平台的传感器可以分为可见光-近红外、热红外、微波、LiDAR等；按照空间分辨率或极化方向，通过传感器又可获得不同类型的遥感数据；可见光-近红外、热红外、微波数据可实现对自然资源的几何特征探测和机理特征反演，LiDAR数据是记录自然资源的几何特征的另一有效手段。

基础地理信息数据，以4D产品为代表，是应用范围最广泛、共享需求最大的地理空间数据；基础地理信息数据为自然资源调查与监测提供了有效的地理数据框架和本底数据。

地理国情普查及监测数据，依托第一次全国地理国情普查，形成了地理国情普查成果，是地理国情监测的本底数据，涵盖了自然和人文地理国情要素；基础性地理国情监测实现了地理国情普查成果的年度更新，专题性地理国情监测和地理国情监测分析获得了重点监测内容的持续性监测成果；地理国情普查及监测数
据依据“所见即所得”的生产原则，真实记录了自然资源变化的基本过程。

各类地面传感器数据，以地面传感器为数据采集的工具，可实现数据的常年获取，如基于CORS的大地测量数据、空气污染监测数据、水文数据等，该类型数据的获取频率高、数据结构简单且价值密度低、数据量大；各类地面传感器数据为自然资源调查监测提供了真实的点位监测数据。

各类专题统计分析与调查数据，根据特定目的或工作职责，由特定部门或机构，开展调查、统计与分析形成的数据资料，如经济普查、土壤污染调查、统计年鉴等资料；这些数据为自然资源调查监测提供了较为全面的专项监测结果。

众源地理空间数据，依托互联网或物联网而得到的地理空间数据，该类型数据在当前自然资源调查监测中应用较少，但极具潜力，依托该类型数据进行行为信息挖掘，可以发现短时期内剧烈变化的自然资源信息或其他规律性特征。

自然资源监测平台，即借助天地一体化网络获取航空航天遥感数据、基础地理信息数据、地理国情普查及监测数据、各类地面传感器数据、各类专题统计分析数据、多源地理空间数据等各种类型数据，为其提供数据基础。

2资源监测大数据服务平台研发
面向社会公众、政府部门、行业用户，按照不同的管理层级，通过统一认证和权限分配，提供门户网站服务、平台服务、应用服务。

门户网站服务是基于大数据可视化技术，为用户提供直观、便捷、高性能、可交互的自然资源信息服务。

平台服务是以服务接口的形式提供自然资源调查监测大数据计算中心所涵盖的技术能力，如数据处理服务、影像解译服务、数据分析服务、应用服务管理等。

应用服务是面向具体的应用（如生态保护与修复、国土空间开发监测）按照一定的业务逻辑而提供的解决方案级服务。

3空天地海一体化数据处理
自然资源调查监测的数据来源极其广泛，数据的类型和格式多种多样，容易受到噪声数据、数据值缺失与数据冲突等影响，开展数据清洗、数据归约、数据转换等数据处理工作，有利于提高自然资源监测数据源的质量。

对于从不同获取手段得到的数据源如航摄、倾斜、激光点云等数据，首先通过不同的数据处理软件加以处理，并利用时空信息数据库管理系统进行入库、管理。

针对高分辨率影像，通过研究遥感影像去噪、特征提取、自动分类算法实现
影像信息快速提取。

3.1遥感影像去噪、特征提取方法研究
受成像技术的影响，传感器在获得更高分辨率的数据时将更容易引入噪声，影像质量的劣化不利于后续解译；空间、光谱分辨率的不匹配导致“同物异谱”和“异物同谱”现象发生，单独的光谱信息无法满足精确解译的需求：分辨率的提高带来数据量和数据维度的增长，大数据、高维度对传统影像解译算法提出了更高的要求。

针对遥感数据在上述数据获取、特征提取和特征解译三个阶段存在的问题，拟结合(空间、光谱)分辨率遥感数据的自身特点，以多维度分析为主线，建立一个完整的张量遥感影像处理框架，分别实现张量影像降噪、张量特征提取、张量分类和变化检测，提升信息处理分析能力。

3.2遥感影像自动化分类算法研究
高空间分辨率的遥感影像伴随着丰富的光谱和纹理信息，同类地物内的光谱差异增大，类间的光谱差异减少，同物异谱及同谱异物的现象也变得更加严重，导致目前的分类方法正确率不高。

因此，基于高分辨率影像的分类具有一定的研究价值。

针对目前高分辨率影像分类中存在的问题，本项目拟研究一种结合主动学习和词袋模型的高分二号遥感影像分类方法。

首先以多尺度分割算法得到多尺度的影像分割对象作为基元;其次，考虑同一影像分割对象中视觉特征的相似性，基于词袋模型来组织影像对象中的局部特征，以生成具有一定表达能力的视觉单词，建立影像分割对象的高层次语义表达，以提高影像分割对象视觉特征的表达能力;最后，充分考虑位于分类边界的不确定性样本分布，迭代选择最优和最优价值的样本用于训练支持向量机，用于分类遥感影像。

3.3时空信息数据库管理系统
面向众源、异构、动态性资源监测数据源的共建共享与集成应用，基于互联网和大数据存储等技术开发时空信息数据库管理系统，实现资源监测数据源的分布式存储、一体化管理、统一的数据存取访问接口等，为资源监测在领导决策、部门管理和社会化应用方面提供数据资源保障。

时空信息数据库管理系统是针对平台现有数据基础和数据管理现状建设，依
据“汇聚-存储-处理”为建设思路辅助专业GIS或数据生产软件对时空信息数据库进行管理。

汇聚了电子地图、影像数据、空间三维模型、360全景等数据，以“时空”的形式存储、以“建模”的模式管理、以“透视”的方式展示。

时空信息数据库管理系统的建设满足于数据保密环境（局域网）、数据分享环境（政务信息网）、数据发布环境（互联网）三个不同数据保密要求下的数据管理需求，实现数据汇聚、处理、更新、分析、入库、发布、权限管理等功能与一体，对矢量数据、影像数据、智能感知数据、三维数据的有效管理和组织，为自然资源监测大数据服务平台建设提供稳定、灵活的大数据组织、管理支撑服务。

4自然资源监测应用
自然资源监测是机构改革后测绘地理信息领域供给侧结构性改革的关键突破口。

自然资源调查监测的开展推动测绘地理信息工作从静态测绘向自然资源动态分析、从被动提供向主动服务转变，推动测绘地理信息领域更加直接承担国家重大改革任务，深度参与国家重大战略实施。

服务范围更加广泛，更加有针对性和个性化。

因此，自然资源监测是以应用需求为出发点，围绕国家和地方社会经济发展的重点，在国家重大战略和重大工程、国土空间开发、生态文明制度体系建设、社会治理和民生保障方面发挥自然资源监测和统计分析的作用。

结合福建省、福州市实际，自然资源监测平台拟对违法用地识别、饮用水源地风险源识别、大气污染物、空间环境动态监测、河湖库一体化小流域综合监管、国家公园森林生态监测、城市内涝智能感知与预警等角度作具体应用研究。

4.1基于国产高分辨率遥感影像的违法用地识别
面向自然资源管理部门的违法用地监测需求，基于高分辨率遥感影像的违法用地识别具有周期短、成本低、范围广等优点，能够为管理部门提供精确测量的、具有指导性的帮助。

基于国产高分辨率遥感影像的违法用地识别的总体思路是：使用多时相的高分辨率遥感影像数据，通过对历史违法图斑数据进行机器学习并结合其他智能提取方法自动识别用地信息，将识别出的疑似违法用地图斑与规划、审批、历史用地数据进行对比获得违法用地识别结果；并开发两违综合监管大数据平台，汇集“两违”疑似图斑，利用多种技术手段对比分析历史与现状变化，识别“两违”疑似图斑形成统一的、共享的两违数据库，在此基础上结合数字城管网格化管理思路，以市为督导，乡镇（街道、开发区）为主导、村（居）
为基础的三级联动管理，通过移动执法巡查应用进行智慧治理，确保能同时在微信和广播电视进行宣传，加强舆论引导，提供公众监督举报途径，实现“政府主导、部门齐抓、社会参与”的综合治理机制，同时应用大数据挖掘技术对易违区域、易违时间点、易违人群实施重点监测、评估和防控。

“两违”综合监管大数据平台的建设体系为一个数据管理系统、两层管理监督应用、三级联动治理模式。

一个数据管理系统指“两违”综合数据库管理系统。

两层管理监督应用指面向政府管理监督应用和面向公众监督举报应用。

其中政府管理监督应用指移动执法巡查应用、大数据“两违”分析应用，公众监督举报应用包括公众监督举报微信、公众监督举报电话。

三级联合治理模式指市级督导、乡镇（街道、开发区）主导、村（居）为基础。

4.2基于深度学习的多尺度遥感影像饮用水源地风险源智能识别与环境监测
根据生态环境部的要求，2019年底前完成县级以上城市饮用水水源地整治，因此，有效进行饮用水水源地风险物识别与提取以及水源环境变化监测对饮用水水源管理和安全保障具有重要意义。

根据当前水源环境现状，通过研究饮用水水源风险源识别和饮用水源地环境风险监测技术，为省市生态环境部门提供及时可靠的饮水水源各类风险源的基本信息，监测水源地环境变化，并对水源进行风险预警。

为了实现该目标系统，首先建立饮用水源基本信息库，以Landsat影像为数据源，建立水源影像库。

该影像库由不同历史时期影像组成，并通过自动水体提取以及人工确认的方式得到不同时期饮用水源的位置、面积、范围、水质、周边土地利用等基本信息，在此基础上研究基于CNN的多源多尺度遥感影像水体提取以及水源风险源识别，并通过多时相观测技术，对水源地环境变化进行监测与预警。

根据引起饮用水水源风险的污染源类型，将重点研究低密度高层住宅小区、高密度底层住宅小区、村落、工业用地、采矿用地、种植大棚、耕地、林地、草地、裸地、水体，水产养殖、黑臭水体等风险源。

针对这些风险源类型，本研究将风险类型分为两大类，一类为陆域，另一类为水域。

对于陆域风险源，已有大量的历史标记数据，如地理国情普查成果，该成果
中记录和积累了大量详实准确的地物类别信息，其类型可以与陆域中的风险源相对应，可以用于深度学习所需要的大量训练样本，但由于光学遥感影像获取受天气限制较大，通常情况下，很难获取到同一时相、同一数据源的标记数据，这使得样本具有复杂多样性以及很难满足深度学习样本的需求量，从而不利于提高提取模型的精度。

同时，随着遥感的发展，现有的遥感影像众多，但带标记的影像较少，完全依赖于大量人工标记样本的方法耗时耗力，因此，研究考虑利用带标记数据进行知识迁移，辅助标签少乃至无标签影像的土地利用分类及水体提取将是减少人力物力、提高模型适应性与提高模型提取精度的有效途径。

对于水体、水体养殖、黑臭水体类地物，由于其光谱、位置和范围的特殊性，在已经获取水域范围的基础上，研究水体养殖区、黑臭水体光谱的特征，特别是针对城市黑臭水体，选择合适的波段与空间分辨率，将目前常规只适合于彩色图像的深度学习网络改进成适合于黑臭水体识别的多波段深度学习网络，同时，针对黑臭水体样本较少的问题进行样本增广，实现对水域进行黑臭水体检测与识别。

根据以上分析，此处具体研究内容主要包括针对海量多源遥感数据的陆域土地利用风险源提取、水域提取以及黑臭水体识别模型训练及应用，具体描述如下：（1）相同数据源的训练样本和待分类影像（且样本集中的影像分辨率单一）当训练样本和用于分类提取的影像成像时间、区域、传感器、分辨率等均相同时，训练样本和待分类影像的数据特性相同，可直接将用训练样本训练好的CNN模型用于遥感影像水源风险源识别及水体提取。

由于遥感影像中同类地物之间的尺度会存在差异性（如不同宽度的道路、不同大小的建筑物、不同面积的水域等），研究选用带有多尺度信息提取的Deeplab v3及其改进进行水源风险源及水体提取。

（2）训练样本和待分类影像中均存在多分辨率影像，但二者的数据来源相同
当训练样本中影像存在多个空间分辨率（如从0.1m~2m不等），分辨率差异较大时，同类地物表现出不同的形态特征，这增加了多源遥感数据同时进行分类和水体提取的难度。

对此，通过研究不同分辨率影像的分等级训练，以此来提高各个尺度下风险源分类和水体提取的精度。

（3）训练样本和待分类影像同分辨率，成像时间、区域、传感器等至少有
一个条件不同
通常源数据（训练样本）和目标数据（待分类影像）的成像时间、区域、传感器等有一个不相同时，两个数据的分布不同，直接使用CNN训练源数据影像得到的模型对目标数据进行预测，得到的预测效果不理想。

因此，本研究考虑通过将源数据风格迁移至目标数据，以提高目标数据的预测精度。

为进一步提高模型的预测精度，研究一种半监督学习和主动学习结合的方法。

（4）黑臭水体波段组合与样本增广下的模型优化
针对高分卫星数据波段设置，利用地面实测样点和卫星同步样点对城市黑臭水体光谱特征的分析，基于特征波段的单波段、黑臭水体差值指数（DAWI）、黑臭水体斜率指数（SBWI）和归一化黑臭水体指数（NDBWI）、多波段组合送入网络进行模型训练；针对现有黑臭水体样本数量少的问题，一方面从历史记录中查找数据进行标记，另一方面，根据现有黑臭水体样本和正常水体的关系，进行黑臭水体模拟，生成样本进行样本增广。

结合黑臭水体指数选择合适的波段组合输入网络进行训练与优化，得到适合于黑臭水体的识别模型。

4.3大气污染物浓度预报和联防联控
大气污染物浓度预报和联防联控，是研究大气污染物浓度建模的时空非均衡性视角入手，结合深度学习中的长短期记忆（Long Short-Term Memory，LSTM）网络模型预测各监测站点未来72小时的大气污染物浓度情况，利用广义相加模型（Generalized additive model，GAM）识别影响大气污染物浓度的主要影响因子，基于LSTM预测的结果和识别的影响因子构建大气污染物浓度智能预报系统。

对于污染物浓度较高的热点区域，并结合大数据分析技术识别热点区域的主要污染来源。

基于LSTM预报的结果与识别的热点区域污染源信息生成相应的防治预案，最终实施大气污染物的实时预警。

本研究的关键问题和技术包括：①各监测站点的LSTM模型的建立；②各监测站点的大气污染物的影响因素识别；
③热点区域的污染物来源识别；④大气污染物的实时预警与防治预案生成。

大气污染物浓度预报和联防联控具体研究内容包含：
（1）大气污染物浓度预报
大气污染物浓度预报的实质是提前获取区域内高精度、高空间分辨率模拟污染物浓度的空间分布。

结合长时间序列观测的监测站点数据、气象数据以及卫星
监测数据基于人工智能预报未来的大气污染物状况。

随着信息技术和人工智能的发展，一些机器学习以及深度学习算法模型提供了更精确地模拟大气污染物浓度空间分布的能力。

另一方面，遥感数据（主要是气溶胶光学厚度，aerosol optical depth，AOD）的丰富和发展为大气污染物浓度模拟提供了重要支撑。

基于深度学习中的长短期记忆（Long Short-Term Memory，LSTM）网络模型，结合长时间序列气象数据、实时卫星遥感数据（MODIS）和大气污染物浓度监测数据构建区域的LSTM网络模型，并利用构建的LSTM网络模型预测监测站点未来72小时的大气污染物浓度状况。

结合已有的实时监测数据和大气污染物的物化知识，基于智能算法中的广义相加模型（Generalized additive model，GAM）识别影响大气污染物浓度变化的主要影响因子，并构建大气污染物智能预报系统。

基于各监测站点大气污染物浓度的时空非均衡性分析建立各监测站点的LSTM模型，进一步优化各监测站点的预报结果。

最后结合空间化神经网络模型（Spatial Back Propagation Neural Network，S-BPNN）与空间插值技术精细化网格，并将预报结果采用可视化分析技术实时展示、生成图表。

（2）污染联防联控
对于大气污染防治来说，区域联防联控显得尤为重要。

面对严重的大气污染，任何一个人、任何一个地区都不可能独善其身，不同地区之间大气污染变化过程呈现明显的同步性，区域性污染特征十分显著。

本研究根据长时间序列的大气污染物浓度监测站点数据、气象数据和卫星遥感数据，基于S-BPNN（空间化神经网络）网络模型对区域大气污染浓度的空间分布进行建模分析，并提取区域内大气污染物浓度较高的热点格网或区域。

识别区域大气污染物浓度高的热点区域，对于大气污染物的精准追源与联防联控措施的实施提供重要的参考价值。

对于这些热点格网或区域，利用网络爬虫技术获取该格网或区域的POI、路网、手机定位等数据，基于大数据技术（核密度估计、空间自相关、邻域分析等）分析影响该格网或区域的大气污染物的主要来源，从而能够精细化地指导大气污染物的防治工作。

与此同时，建立大气污染预警语言知识库和大气污染物智能化预警平台，根据LSTM网络模型的预报结果对区域内的污染天气实现预警，对热点区域大气污染防治自动生成相应的预案，实现大气污染物防治的联动处理，并对预案的实施效果进行实施评估分析，不断优化重
点区域的大气污染物防治预案。

4.4空间环境动态监测机器人“小保”研发
空间环境动态监测机器人“小保”分为水上和岸上两大产品系列。

水上系列产品监测水质的温度、电导、溶解氧、PH/ORP、浊度、叶绿素、蓝绿藻、氨氮，大气的PM2.5值，可分别用于水库、水源地的水质监测，农村生活污水在线诊断，工业生产的污染源监测，水产养殖的水体动态监测等。

同时，“小保”顶部的传感器可监测大气的PM2.5、大气的温湿度变化。

岸上系列产品实现山地、高原的大气PM2.5值、温度、湿度变化监测，同时可携带摄像头等传感器作为辅助现场实景跟踪。

岸上的“小保”兼备无线自组网网关的功能，具备将水上和陆上“小保”连接成一张网，实现无线网络动态拓扑组网能力。

水上和岸上“小保”系列将大面积覆盖水陆自然环境，全面推动各智能“小保”GNSS定位，水上自主导航，动态环境监测信息互通共享，为后端的地理信息大数据处理提供强大的原数据，为实现大规模自然环境污染监测和自然灾害预警提供政府决策和数据支撑。

“小保”可全天候、连续、定点地观测水污染等内容，并实时将数据传输到岸边队友。

岸上“小保”组成多跳网络连接云端大数据平台。

“小保”将实现远程动态污染源预警，智能化调度监测点，实现城市污染智慧脑工程。

水上“小保”将具备边缘计算能力，岸边“小保”的无线通信链路稳健可靠、抗干扰能力强。

“小保”系列上可稳定与云端数据互通，下可感知自身的位置，并实现分布式组网互通。

设备主要由浮体、系泊执行装置、智能中央处理器、监测传感器、数据传输单元、供电单元(电池组和太阳能供电系统)组成，可远程实时监测水库、河流、生活污水、工业污染源等多种环境数据。

机器人具有探测周边环境和防碰撞及避障的能力。

同时，开发生态环境监测大数据平台，对已有各类数据进行叠加分析，环境监测数据指标比对分析和环境监测数据历史指标数据回溯分析，实现对平台数据的查询、整理、分类统计等功能，支持各类图表的综合显示；为每个智能监测机器人建立基本档案，展示每个监测点基本状况和历史数据变化情况以及故障报告情况；利用大数据支撑环境形势综合判研、环境政策措施制定、环境风险预测预警、提高生态环境综合治理科学化水平，提升应急指挥、处理决策等能力。