昆士兰州的多样地理与土地应用

昆士兰州位于澳大利亚东北部，其地理位置非常丰富多样。这片土地包括了沿海雨林、广阔的桉树林和相思树林、稀树草原、短暂的内陆河流、沙漠以及肥沃的农业地带。昆士兰州总面积约为1,730,000平方公里（约668,000平方英里），相当于英国的七倍左右。

昆士兰州土地应用的制图与评估

为了更好地绘制和评估昆士兰州的土地应用形式及变化，昆士兰州环境与迷信部（DES）在20多年前启动了昆士兰州土地应用制图计划（QLUMP）。过去，这项工作耗时且资源密集。然而，随着机器学习技术的发展，DES遥感中心大幅提升了土地应用分类的效率，并实现了高达97%的准确率。

制图预备与挑战

昆士兰州环境与迷信部（DES）遥感中心的高级科学家安迪·克拉克（Andy Clark）指出：“土地应用被视为政府认为对昆士兰州发展至关重要的基础空间数据集。” “工作量庞大，关键在于不断提高数据收集的速度和准确性。此外，我们必须遵循澳大利亚的土地应用和管理分类标准，以确保全国范围内数据的一致性。”

传统上，维持QLUMP的更新依赖于一支熟练的空间科学家团队，他们手动数字化卫星图像中的土地应用特征。然而，由于昆士兰州的广阔范围，这一过程极其耗时且成本高昂。Clark提到：“尽管我们曾尝试多种自动化方法，但都未能成功。” “传统的决策树模型和基于对象的图像分析都难以准确反映实际情况。”

采用机器学习与人工智能

近年来，机器学习技术的进步为土地应用分类带来了革命性的变化。借助高性能计算和ArcGIS的集成，DES遥感中心能够显著提升及时土地应用信息的编制能力。Clark表示：“借助先进的编程工具和计算硬件，机器学习技术能够实现对大片土地的快速、准确分类。”

完善数据与训练流程

为了训练模型，DES利用了多年积累的QLUMP数据。Clark解释说：“我们对这些数据进行了改进，以便能够在机器学习过程中加以利用。” DES创建了一个计算机视觉模型，利用机器学习技术来绘制约翰斯顿河流域的香蕉种植园地图。

Clark还使用了ArcGIS Pro和ArcPy等工具生成和完善训练数据。通过一系列地理处理工具，他优化了计算机视觉模型中的预测概率。此外，DES团队通过生成数千个随机点并评价每个点的土地应用状况来验证模型的准确性。

培训与验证

在机器学习过程中，DES采用了基于U-net架构的卷积神经网络（CNN）来识别土地覆盖情况。CNN通过暴露于大量视觉数据，学会了区分数据中的相似点和不同点。Clark解释说：“我们借鉴了奥拉夫·隆纳伯格（Olaf Ronneberger）的想法，他开发了这种架构用于生物医学图像分割。”

该模型通过神经网络迭代处理数千个卫星图像补丁，不断自我评估和优化，最终达到了97%的准确率。Clark还提到，Python在项目中发挥了重要作用，利用NumPy和GDAL等库处理多维数组和图像数据。

扩展至其他土地用途

目前，该模型已经成功应用于约翰斯顿河流域的香蕉种植园，未来还将扩展至其他土地用途，如其他农作物类型、人工林和城市用地等。Clark表示：“只要拥有足够的高质量训练数据，计算机视觉技术就能够为大规模制图和监测程序提供高效解决方案。”

结语

自从该项目启动以来，ArcGIS Pro和ArcGIS API for Python等工具得到了显著增强。现在，ArcGIS API for Python支持U-net模型，用户可以通过ArcGIS Notebooks训练模型，而无需离开ArcGIS Pro。这使得整个深度学习工作流程更加高效。展望未来，DES正考虑通过ArcGIS运行其土地覆盖分类工作流程，以进一步提升效率和准确性。