摘要
准确且最新的土地利用与土地覆盖信息是空间规划与景观科学领域面临的核心挑战之一。在此背景下，本研究提出了GANCIU（基于神经网络分类与图像理解的地理空间分析方法），这是一种用于从高分辨率卫星图像中自动提取人造基础设施的创新混合处理流程。其核心方法在于将四种技术特性各异的组件依次整合在一起：逐像素随机森林分类器、引导式图像调制步骤、通过Ambrosio–Tortorelli近似法求解的Mumford–Shah变分函数实现的边缘检测，以及最终通过Segment Anything Model（SAM）进行物体轮廓绘制。这些组件并非独立运作，而是相互影响、彼此提供依据——随机森林生成的概率图指导图像调制，进而让变分步骤仅关注目标区域；AT算法识别的边缘则为SAM提供空间定位信息，而SAM生成的掩码又会通过高斯混合模型以自适应方式经过随机森林概率图的过滤。这种逐步递进的调控机制构成了GANCIU的核心架构，也使其区别于那些并行或单纯顺序结合分类与分割的方法，后者虽各阶段之间存在相互影响，但缺乏反向修正机制。随机森林分类器是在44个人工标注的场景上训练的，这些场景与用于定量验证的12个独立场景在地理位置上互不重叠。该验证采用实例匹配算法（精确度、召回率、F1值和IoU指标）进行，结果显示，与仅使用随机森林的基准方法相比，整个处理流程的优势十分显著：整体假阳性数量减少了近两个数量级（从8320降至209），真阳性数量则增加了近20倍（从5升至95），正确匹配的物体的平均IoU值为0.742 ± 0.060。值得注意的是，包括基于SAM的分割功能在内的整个处理流程，都可以在一台配置普通的、没有GPU的消费级笔记本电脑上端到端运行（该电脑拥有4个逻辑CPU核心，内存不足16GB），这表明要获得出色的基础设施提取性能，并不需要专门的计算硬件。
