遥感影像记录着过去几十年来全球范围的地表信息及变化情况，其空间分辨率也在不断提升，如何基于深度学习方法挖掘出其中的关键信息，对各类地物进行更加精准的智能化监测，已经成为地球系统科学、遥感、计算机等领域共同关注的交叉性研究问题。本报告将从多源数据、标注样本以及地物先验知识三个方面入手，介绍融合多源异构开放式数据的地表覆盖及土地利用分类方法、基于有限标注样本的精细化树木识别方法、几何先验知识引导的建筑物提取与重建方法，并对未来拟开展工作进行展望。具体内容如下：
    （1）融合多源异构开放式数据的地表覆盖及土地利用分类方法。针对不同类型的传统遥感观测数据以及谷歌地球高分影像、街景图像、地图矢量等开放式数据在时空分辨率、光谱信息、空间分布等方面的特点，提出融合谷歌地球高分影像和Landsat等30米分辨率数据的地表覆盖制图新方法，并进一步提出融合街景数据和地图矢量的建筑物精细属性识别方法。上述方法在不增加数据获取成本的前提下，显著改善了中国尺度地表覆盖制图准确率，实现了更加精细化的城市智能监测管理。
    （2）基于有限标注样本的精细化树木识别方法。针对不同区域、不同类型标注样本分布不均衡问题，设计面向跨区域、多源影像的对抗域适应迁移学习方法，并进一步提出面向作物生长状况监测的目标识别方法。上述方法在仅使用单一区域有限标注样本的情况下，有效改善了跨区域油棕榈树识别结果，并且可以在大量的健康树木中有效识别出少量的矮小、变黄、死亡等生长状况异常的树木，将农林领域的大尺度、精细化树木识别提升到新的水平。
    （3）几何先验知识引导的建筑物提取与重建方法。在上述基于多源数据和有限样本的深度学习方法基础上，进一步挖掘遥感地物本身的几何结构特性，设计基于图神经网络的建筑物表示形式，定义多边形顶点/边缘方向等几何知识相关任务、三维模型关键组成部分及位置关系等结构知识相关任务，提出建筑物矢量化分割和三维重建方法。上述方法可以使深度神经网络模型自动得到符合地物本身几何先验的矢量化预测结果，在二维地物信息提取基础上进一步实现了三维结构的重建。

深度学习,多源数据融合,地表覆盖分类,树木识别,建筑物提取