衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程

編制說明

一、概況

1.1任務來源

2023年7月24日自然資源部下達《自然資源部辦公廳關于印發(fā)2023年度自

然資源標準制修訂工作計劃的通知》（自然資辦發(fā)〔2023〕30號），本標準是

自然資源部發(fā)布的2023年自然資源衛(wèi)星應用行業(yè)標準計劃項目之一，項目編號：

202333003，標準計劃名稱《衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程》。本標準由

全國地理信息標準化技術委員會衛(wèi)星應用分技術委員會歸口，由自然資源部國

土衛(wèi)星遙感應用中心牽頭起草。計劃周期：24個月。

1.2目的意義

隨著資源、高分等系列衛(wèi)星陸續(xù)發(fā)射并投入使用，我國進入遙感大數(shù)據(jù)時代。

遙感影像在空間分辨率、光譜分辨率、時間分辨率及數(shù)據(jù)類型等方面得到極大

提升，可提供空間全覆蓋、持續(xù)快速更新、穩(wěn)定可靠運行的各類遙感影像數(shù)據(jù)

資源。但隨之而來的是信息提取自動化、智能化水平與數(shù)據(jù)獲取能力的巨大差

異，嚴重依賴人工對遙感影像目視判讀的傳統(tǒng)工作方式不能實現(xiàn)相關信息的快

速、準確提取，難以滿足自動化、精細化、智能化的監(jiān)測業(yè)務需求，嚴重制約

了遙感解譯及應用工作的快速開展。

隨著計算力的突破、遙感影像數(shù)據(jù)獲取能力的暴發(fā)和算法的不斷創(chuàng)新，在具

有鮮明“大數(shù)據(jù)”特征的遙感智能解譯方向，以深度學習為代表的人工智能顯

現(xiàn)出了勃勃生機。基于深度學習技術開展衛(wèi)星遙感解譯工作，其本質是從衛(wèi)星

遙感大數(shù)據(jù)中利用帶有標記的解譯樣本數(shù)據(jù)，自動抽取特征、學習規(guī)律、進行

1

推理，然后對結果進行優(yōu)化提升的過程，類型豐富、種類齊全的遙感影像解譯

樣本數(shù)據(jù)可有效提升深度學習算法模型構建的準確性與自適應性。有研究表明，

要想在地類細分領域取得更好的模型效果，精準優(yōu)質的樣本數(shù)據(jù)十分重要，它

在極大程度上決定了人工智能算法模型的性能，能夠滿足實際應用需求的人工

智能算法模型有80%依賴于優(yōu)質的樣本數(shù)據(jù)，20%依賴于算法網(wǎng)絡結構的設計。

但受限于沒有統(tǒng)一的解譯樣本采集與生產(chǎn)相關的技術規(guī)程，解譯樣本數(shù)據(jù)多是

基于任務型采集的，在類別、尺寸、采集方法、質量、共享等多方面無法進行

有聚合，形成合力，較難形成大規(guī)模、高質量、多形態(tài)的衛(wèi)星遙感影像解譯樣

本數(shù)據(jù)庫，本項目通過開展衛(wèi)星遙感影像解譯樣本（以下簡稱樣本）采集技術

規(guī)程研究，約束和規(guī)范樣本數(shù)據(jù)的數(shù)據(jù)源、采集方式、樣本生產(chǎn)等內容，形成

一體化的采集與制作標準，指導樣本數(shù)據(jù)的采集與生產(chǎn)，支撐遙感影像智能算

法模型的訓練與應用。此項工作的開展具有重要的現(xiàn)實意義及廣闊的應用前景。

1.3主要起草人及工作分工

編制任務下達后，自然資源部國土衛(wèi)星遙感應用中心為牽頭單位，武漢大學、

中國科學院空天信息創(chuàng)新研究院、湖南省第二測繪院、重慶市地理信息和遙感

應用中心、廣東省國土資源技術中心、遼寧省自然資源事務服務中心、內蒙古

自治區(qū)測繪地理信息中心、湖北省航測遙感院等共同成立了編制組。編制組成

員包括總體負責人和長期從事衛(wèi)星應用地理信息和遙感專業(yè)領域的專業(yè)技術人

員和專家分工合作開展標準各章節(jié)的編寫，編制組主要人員組成及分工見表1。

表1編制組人員分工

序號姓名單位任務分工備注

自然資源部國土衛(wèi)星遙感應

1王光輝項目負責人，負責組織實施

用中心

自然資源部國土衛(wèi)星遙感應

2劉宇技術負責人，負責標準撰寫

用中心

2

3樂鵬武漢大學負責標準編制的技術指導

中國科學院空天信息創(chuàng)新研

4陳正超負責標準編制的技術指導

究院

自然資源部國土衛(wèi)星遙感應

5張濤標準編制組織協(xié)調

用中心

自然資源部國土衛(wèi)星遙感應

6張偉負責標準技術驗證及標準撰寫

用中心

自然資源部國土衛(wèi)星遙感應

7陸塵負責標準技術驗證及標準撰寫

用中心

自然資源部國土衛(wèi)星遙感應

8王詠昕負責標準技術驗證及標準撰寫

用中心

負責標準技術驗證，通讀全稿并給出修

9曹里湖南省第二測繪院

改意見

重慶市地理信息和遙感應用負責標準技術驗證，通讀全稿并給出修

10何宗

中心改意見

負責標準技術驗證，通讀全稿并給出修

11雷麗珍廣東省國土資源技術中心

改意見

遼寧省自然資源事務服務中負責標準技術驗證，通讀全稿并給出修

12吳偉

心改意見

內蒙古自治區(qū)測繪地理信息負責標準技術驗證，通讀全稿并給出修

13譚美淋

中心改意見

負責標準技術驗證，通讀全稿并給出修

14黃國清湖北省航測遙感院

改意見

1.4主要工作過程

1.4.1征求意見稿階段

2023年1月-2023年8月，編制組開展了大量的調研工作，包括國內外有

關現(xiàn)有標準，以及衛(wèi)星遙感影像解譯樣本采集及應用的實際實施情況，編制組

開始起草標準草案。

2023年9月-2024年11月，以標準草案為基礎，編制組又以電話、社交軟

件、電子郵件和視頻會議的形式與自然資源遙感智能解譯領域生產(chǎn)作業(yè)單位、

大學、科研院所的多位技術專家和生產(chǎn)專家進行多次交流探討，并根據(jù)專家意

見對標準草案進行修改完善，于2024年11月完成了標準征求意見稿和編制說

3

明。

1.4.2送審稿階段

暫無。

1.4.3報批稿階段

暫無。

二、標準編制原則和確定標準主要內容的依據(jù)

2.1標準編制原則

（1）全面性

《衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程》在編制過程中針對地表覆蓋、目

標識別、變化檢測、場景理解等多種類型衛(wèi)星遙感影像解譯樣本數(shù)據(jù)進行了綜

合考量，從數(shù)據(jù)源的質量、規(guī)范化的采集流程、標準化的采集要求等多方面對

樣本數(shù)據(jù)的生產(chǎn)進行全面約束，保證本標準的全面性。

（2）適用性

《衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程》在編制過程中考慮到了不同應用

場景下不同用戶的廣泛需求及多源遙感影像數(shù)據(jù)特點，提供靈活且通用的標準

和流程，確保在各種條件下能夠采集到高質量和具有代表性的樣本數(shù)據(jù)，滿足

各類應用需求。

（3）可操作性

《衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程》編制面向行業(yè)應用需求，進行了

充分的調研和實踐，通過多個試點省份多輪次的驗證與迭代優(yōu)化，明確了樣本

數(shù)據(jù)生產(chǎn)的總體要求、樣本采集數(shù)據(jù)源、樣本生產(chǎn)工作流程、樣本數(shù)據(jù)采集、

樣本集生產(chǎn)等內容與要求，具有較強可操作性。

4

（4）先進性

《衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程》編制綜合分析了深度學習等人工

智能解譯技術發(fā)展現(xiàn)狀與趨勢及其對樣本數(shù)據(jù)的要求，針對地表覆蓋、目標識

別、變化檢測、場景理解等不同的采集任務，對比了不同樣本采集軟件的采集

方式與流程，吸收、歸納總結了共性方法，保證其先進性。

2.2國內外調研情況

隨著深度學習等人工智能技術方法在遙感解譯領域的快速發(fā)展，大規(guī)模、

高質量、多形態(tài)的樣本數(shù)據(jù)已成為衛(wèi)星遙感影像解譯的主要瓶頸之一。武漢大

學、中科院、DigitalGlobe等眾多國內外高校、科研院所、企事業(yè)單位相繼建

立各類樣本數(shù)據(jù)集，但國內外尚未形成統(tǒng)一的樣本采集技術規(guī)范或指導性文件。

自然資源部直屬單位及相關省市單位，圍繞業(yè)務需求，已逐步開展了相關基于

人工智能的遙感信息提取技術研究，初步探索開展了樣本采集等相關工作。綜

合相比，本次計劃編制的《衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程》聚焦于基于

衛(wèi)星遙感影像數(shù)據(jù)的解譯樣本數(shù)據(jù)生產(chǎn)工作，結合自然資源監(jiān)測監(jiān)管、國土空

間規(guī)劃、自然資源督察執(zhí)法等不同方向的業(yè)務需求，充分發(fā)揮光學、SAR、高光

譜等多源遙感影像數(shù)據(jù)優(yōu)勢，形成一體化的樣本數(shù)據(jù)采集與制作作業(yè)標準，支

撐深度學習等人工智能算法模型訓練、優(yōu)化及迭代，為衛(wèi)星遙感智能解譯技術

的快速發(fā)展提供標準保障。

2.3主要技術內容的說明

《衛(wèi)星遙感影像解譯樣本生產(chǎn)技術規(guī)程》確立了衛(wèi)星遙感影像解譯樣本生

產(chǎn)的基本要求和工作流程，規(guī)定了樣本采集數(shù)據(jù)源準備、樣本要素采集、影像

樣本集生產(chǎn)、生產(chǎn)記錄等階段的操作指示，描述了過程記錄等追溯方法。主要

技術內容的說明如下：

5

2.3.1基本要求

基本要求對樣本數(shù)據(jù)的空間參考、時間系統(tǒng)、安全要求等方面做出規(guī)定，

確保樣本數(shù)據(jù)的一致性和可用性。按照《國土資源部國家測繪地理信息局關于

加快使用2000國家大地坐標系的通知》（國土資發(fā)〔2017〕30號）要求，原國

土資源部（現(xiàn)自然資源部）確定，2018年7月1日后自然資源系統(tǒng)將全面使用

2000國家大地坐標系。因此，樣本數(shù)據(jù)坐標系統(tǒng)采用2000國家大地坐標系。《國

務院關于啟用“1985國家高程基準”的批復》（國函〔1987〕78號）要求，1985

國家高程基準作為全國新的統(tǒng)一的高程控制系統(tǒng)。因此，樣本數(shù)據(jù)高程基準采

用1985國家高程基準。北京時間是中華人民共和國全境采用的國家標準時間，

基于東八時區(qū)（UTC+8），即東經(jīng)120°經(jīng)線的時間。衛(wèi)星遙感影像解譯樣本的

采集與生產(chǎn)。因此，樣本數(shù)據(jù)時間系統(tǒng)采用公歷紀年，北京時間。同時，樣本

數(shù)據(jù)采集過程中可能會涉及三調、地理國情監(jiān)測等成果數(shù)據(jù)。因此，樣本數(shù)據(jù)

采集、制作過程中需滿足一定的安全要求，數(shù)據(jù)安全參照《GB/T39477信息安

全技術政務信息共享數(shù)據(jù)安全技術要求》。

2.3.2樣本生產(chǎn)程序

樣本生產(chǎn)包括樣本采集數(shù)據(jù)源準備、樣本要素采集、影像樣本集生產(chǎn)3個

階段,樣本生產(chǎn)程序流程見圖1。根據(jù)樣本生產(chǎn)任務，選擇樣本采集區(qū)域并準備

相關數(shù)據(jù)。通過影像數(shù)據(jù)采集、已有成果數(shù)據(jù)采集等方式開展樣本矢量采集工

作，并完成樣本屬性數(shù)據(jù)的錄入與樣本的質量檢查，采集完成的樣本要素數(shù)據(jù)，

按照樣本采集區(qū)層級進行文件目錄組織，通過樣本裁切批量生產(chǎn)樣本小片數(shù)據(jù)，

進而生成影像樣本集數(shù)據(jù)，并完成影像樣本集元數(shù)據(jù)錄入、質量檢查等工作，

并以文件夾的形式，按照一定規(guī)則進行存放。

6

圖1樣本數(shù)據(jù)生產(chǎn)程序流程圖

2.3.3樣本數(shù)據(jù)源準備

通過項目實踐結合現(xiàn)有國內外樣本數(shù)據(jù)采集方法，明確了遙感影像數(shù)據(jù)采

集、已有成果數(shù)據(jù)采集兩種采集方式，并以此為依據(jù)，開展樣本數(shù)據(jù)源準備工

作。基于遙感智能解譯應用需求及工作任務，有針對性的選擇工作區(qū)，并準備

配套的的采集數(shù)據(jù)。遙感影像數(shù)據(jù)為單景或多景鑲嵌裁切的衛(wèi)星遙感影像數(shù)據(jù)，

7

包括光學影像、高光譜影像及SAR影像，并對數(shù)據(jù)源及其處理結果的質量要求

做出進一步明確。

同時，以最大化利舊為原則，在樣本數(shù)據(jù)采集過程中，可引入開源樣本數(shù)

據(jù)集及三調、地理國情監(jiān)測等已有成果。已有成果數(shù)據(jù)應完整覆蓋樣本采集區(qū)

范圍，包括矢量成果數(shù)據(jù)和對應影像數(shù)據(jù)。如果已有成果只包括矢量數(shù)據(jù)，應

按照已有成果采集時采用的影像信息，匹配相應時相和分辨率的影像數(shù)據(jù)，已

有成果應明確成果分類內容、成果類別定義、采集時間等成果屬性信息以及分

辨率、時相、波段數(shù)、像素位深、衛(wèi)星名稱、傳感器類型等影像屬性信息。

2.3.4樣本要素采集

（1）樣本要素采集主要包括樣本矢量圖斑采集、樣本圖斑屬性賦值、樣本

矢量與影像生成三部分。作業(yè)人員根據(jù)任務區(qū)特點及數(shù)據(jù)情況，通過遙感影像

樣本采集、已有成果采集等方式，利用自動、半自動、人機交互等多種形式，

完成樣本數(shù)據(jù)的采集與標準格式影像樣本集制作。

遙感影像樣本采集是利用人機交互方式，根據(jù)樣本采集任務需要，采集單

類或多類地物樣本圖斑。每一個樣本應能夠代表所屬的覆蓋類型，能綜合反映

該類型的總體特征，或者突出反映該類型某一方面的特征；在地物分布和覆蓋

類型相對比較一致的區(qū)域內，樣本總體在數(shù)量上應能代表該區(qū)域的整體特征，

在分布上應貼近地表覆蓋類型分布的趨勢。具體步驟如下：

a）基于待采集類別地物的影像特征，在遙感影像數(shù)據(jù)上采用人機交互方式

勾繪采集樣本圖斑矢量邊界，或基于影像分割算法對影像進行分割，提取符合

待采集類別地物特征的分割矢量圖斑，生成樣本圖斑；

b）樣本采集時應采集樣本區(qū)內所有該類別樣本圖斑，確保無遺漏；；

c）采集的樣本圖斑拓撲關系應正確，無不合理懸掛點、偽節(jié)點，不同矢量

8

間共點、共線、共面時共部分應重合，相鄰面間不應重疊，要素不應存在不合

理極小面、折刺、自相交等幾何圖形；

d）采集的地物樣本位置與影像上的地物位置邊緣吻合，邊界應避免鋸齒狀

和明顯扭曲；

e）e)影像上分界明顯的地物界線，邊界精度應在2～3個像素以內；特殊

情況，如高層建筑物遮擋、陰影等，采集精度應在5個像素以內；

f)通過分割生成的樣本圖斑，應對未滿足b）～e）要求的矢量圖斑通過人

機交互方式修改至滿足要求。

已有成果采集主要是基于開源樣本數(shù)據(jù)集或已有樣本數(shù)據(jù)集，從中篩選符

合分類體系及任務要求的樣本。篩選時明確樣本數(shù)據(jù)的內容，采集屬性信息、

樣本影像、樣本標注或樣本矢量，保證樣本數(shù)據(jù)的完整性。基于第三次全國國

土調查、地理國情監(jiān)測、土地變更調查等的歷史影像和矢量數(shù)據(jù)成果，根據(jù)分

類體系進行類別信息映射，整理加工后進行矢量數(shù)據(jù)綜合、屬性補充等，利用

程序實現(xiàn)樣本數(shù)據(jù)的自動采集，具體步驟如下：

a）確定待采集地物類別與已有成果分類體系的類別映射關系，通過類別選

取或類別合并方法提取符合待采集類別要求的地物圖斑，自動生成地物樣本矢

量；

b）按照類別篩選兩期同類型已有成果數(shù)據(jù)，提取特定類別圖斑，可基于兩

期成果數(shù)據(jù)自動提取生成變更類型樣本矢量；

c）自動提取的樣本矢量圖斑精度如不符合遙感影像樣本數(shù)據(jù)采集的要求，

應按照人機交互方式進行編輯修改直到滿足要求。

（2）樣本元數(shù)據(jù)信息主要記錄了樣本信息、影像信息、樣本區(qū)信息、采集

信息等一些列內容，可確保數(shù)據(jù)的可追溯性與準確性。通過元數(shù)據(jù)，用戶可快

9

速了解樣本數(shù)據(jù)樣本的來源、特性和適用場景，從而提高數(shù)據(jù)的利用效率。同

時樣本數(shù)據(jù)也是數(shù)據(jù)管理的最小單元，完整、詳實的信息便于后續(xù)樣本數(shù)據(jù)的

入庫管理、空間定位、檢索查詢及應用。樣本元數(shù)據(jù)根據(jù)采集任務、數(shù)據(jù)源信

息、行政區(qū)劃、采集信息等多項內容綜合確定，元數(shù)據(jù)填寫基本要求參考《參

考GBT39608-2020基礎地理信息數(shù)字成果元數(shù)據(jù)》第4章節(jié)。

（3）通過開展樣本數(shù)據(jù)質量檢查，識別樣本采集過程中的錯誤信息，進而

對樣本數(shù)據(jù)錯誤信息進行修改，有效保證樣本數(shù)據(jù)的正確性、準確性與可用性。

樣本數(shù)據(jù)質量檢查各項質量元素詳細內容及要求按照GB/T17941第5章對應質

量元素的規(guī)定內容執(zhí)行。

（4）樣本數(shù)據(jù)按照樣本采集區(qū)進行多層級文件目錄組織，以一定數(shù)量或一

定區(qū)域的數(shù)據(jù)集為單位進行存放，采用統(tǒng)一的文件命名規(guī)則，便于識別與管理，

其數(shù)據(jù)組織方式參考《CH/T9012-2011基礎地理信息數(shù)字成果數(shù)據(jù)組織及文

件命名規(guī)則》。

圖2樣本要素成果組織目錄結構

2.3.5影像樣本集生產(chǎn)

（1）樣本數(shù)據(jù)采集與生產(chǎn)相關裁切條件設置主要綜合考慮了目前主流深

度學習算法模型對樣本數(shù)據(jù)的要求及現(xiàn)階段計算資源的存儲與計算能力，避免

10

過大數(shù)據(jù)導致數(shù)據(jù)處理效率低下。樣本小片數(shù)據(jù)宜采用規(guī)則正方形，邊長可取

512或1024等像素大小，樣本小片裁切步長：應設定為樣本小片尺寸的一半。

在樣本裁切過程中為了便于組織，按照影像小片、標簽小片和小片元數(shù)據(jù)分別

按照下列不同數(shù)據(jù)的分文件夾存放：

a)影像小片文件夾以“影像樣本集名稱+_image”命名;

b)標簽小片文件夾以“影像樣本集名稱+_label”命名;

c)小片元數(shù)據(jù)文件夾以“影像樣本集名稱+_meta”命名;

樣本小片命名：樣本小片名稱應由“影像樣本集名稱+樣本小片編號”組

成，樣本小片編號從1開始，位數(shù)不夠時前面補0，樣本影像小片、標簽小片、

小片元數(shù)據(jù)采用同名稱命名。

（2）樣本小片格式采用主流、常用且兼容性較好數(shù)據(jù)格式，在實際使用過

程中，可根基不同深度學習算法模型對樣本數(shù)據(jù)的格式要求，通過程序進行快

速轉換。

a)影像小片宜采用.tif或.jpg格式，jpg格式應附帶同名aux.xml文件記

錄小片空間范圍信息；

b)標簽小片可根據(jù)需要采用下列不同的數(shù)據(jù)形式：

1)柵格類型宜采用.png或.tif數(shù)據(jù)格式，png數(shù)據(jù)格式應附帶同名.aux.xml

文件記錄標簽小片空間范圍信息，柵格標簽小片中0值為背景區(qū)域；

2)矢量類型應采用.shp數(shù)據(jù)格式，矢量屬性表中應有字段記錄圖斑類別信

息；

3)文本類型應采用.json數(shù)據(jù)格式，文件中應有字段記錄圖斑類別信息。

（3）通過軟件或者程序代碼對采集完成的影像樣本影像和矢量數(shù)據(jù)進行

自動批量裁切，生成樣本小片數(shù)據(jù)，具體步驟如下：

11

a)根據(jù)影像樣本中影像數(shù)據(jù)行列數(shù)，在行、列方向上按照樣本步長計算可

以裁切的小片個數(shù)；

b)從影像左上角行列號開始，分別在行、列方向上依次按照樣本步長計算

每張樣本小片左上角在影像數(shù)據(jù)中的行列號；

c)基于樣本小片的左上角行列號和樣本尺寸，計算得到樣本小片四至范圍

在影像上的行列號，并將行列號轉換為該樣本小片地理參考坐標，影像行列號

坐標轉換為地理參考坐標；

d)根據(jù)樣本小片空間范圍，判斷是否存在樣本矢量，如果樣本矢量為空，

則跳過該樣本小片范圍，

重新按照步驟b)計算下一張樣本小片的左上角行列號，如果存在樣本矢量

則執(zhí)行下列步驟；

e)根據(jù)該樣本小片空間范圍，裁切樣本矢量數(shù)據(jù)，生成規(guī)定格式和命名要

求的標簽小片數(shù)據(jù)；

f)根據(jù)該樣本小片空間范圍，裁切樣本影像數(shù)據(jù)，生成規(guī)定格式和命名規(guī)

范的影像小片數(shù)據(jù)；

g)基于裁切得到的影像小片和標簽小片，計算生成該張小片元數(shù)據(jù)信息并

記錄小片元數(shù)據(jù)，按照規(guī)定內容和格式要求生成小片元數(shù)據(jù)文件；

h)循環(huán)步驟b)、c)、d)、e)、f)、g)，按照行列順序生成每一張樣本小片

數(shù)據(jù)，直到所有樣本小片裁切完成，獲得影像樣本集所有樣本小片數(shù)據(jù)。

（4）影像樣本集元數(shù)據(jù)信息主要記錄了基礎信息、影像信息、區(qū)域信息、

制作信息等一些列內容，影像樣本集元數(shù)據(jù)填寫基本要求同樣本元數(shù)據(jù)，參考

《參考GBT39608-2020基礎地理信息數(shù)字成果元數(shù)據(jù)》第4章節(jié)。

（5）通過開展影像樣本集質量檢查，識別影像樣本集中的錯誤信息，進而

12

對影像樣本集錯誤信息進行修改，有效保證影像樣本集的正確性、準確性與可

用性。影像樣本集質量檢查各項質量元素詳細內容及要求按照GB/T17941第5

章對應質量元素的規(guī)定內容執(zhí)行。

（6）影像樣本集數(shù)據(jù)按照一定數(shù)量的影像小片、標簽小片、小片元數(shù)據(jù)與

影像樣本集元數(shù)據(jù)，以文件目錄的形式進行組織，便于數(shù)據(jù)識別與管理。

圖4影像樣本集成果目錄結構

三、驗證試驗的情況和結果

基于前期大量實驗和自然資源部國土衛(wèi)星遙感應用中心牽頭的2023年度自

然資源部部省合作試點項目-自然資源遙感智能解譯樣本及光譜數(shù)據(jù)庫建設關

鍵技術研究及應用示范項目，通過部省共建形成了遙感影像智能解譯樣本采集

系統(tǒng)、遙感影像智能解譯樣本數(shù)據(jù)管理系統(tǒng)。在此基礎上，基于自然資源常態(tài)

化監(jiān)測、督察執(zhí)法、耕地非農(nóng)化及耕地保護監(jiān)測等重要業(yè)務需求，構建了地表

覆蓋、目標識別、場景理解、變化檢測等4大類樣本數(shù)據(jù)的分類體系，通過影

像樣本采集、已有成果采集兩種采集方式，開展了多類型解譯樣本數(shù)據(jù)的采集

生產(chǎn)工作，共計300余萬條，樣本采集樣例如下圖所示。經(jīng)驗證，采集生產(chǎn)的

13

樣本數(shù)據(jù)可支撐深度學習算法模型的訓練與應用。通過該項工作的開展，明確

并驗證了樣本數(shù)據(jù)生產(chǎn)技術流程與方法，進一步凝練了樣本數(shù)據(jù)生產(chǎn)過程中的

各項要求，有效確保了本技術規(guī)