近日，福州大学数字中国研究院（福建）李蒙蒙研究团队在遥感领域顶级期刊《ISPRS Journal of Photogrammetry and Remote Sensing》发表“Bridging the semantic gap in urban land use change detection with object-centric graph learning”（基于面向对象图学习弥合城市土地利用变化检测中的语义鸿沟）的研究成果。该成果以李蒙蒙提出的“要素—结构—功能”城市土地利用遥感分析框架为基础，将其由城市土地利用分类拓展到精细化变化检测，通过地物空间结构的双时相差异识别用地功能转变，为弥合土地覆盖变化与土地利用变化之间的“语义鸿沟”提供新方法。研究得到国家自然科学基金项目（42471378）资助。

研究背景与关键问题

城市土地利用变化反映居住、商业、工业等功能的演变，是国土空间监测和城市更新的重要依据。遥感影像能够观测建筑、植被等地表覆盖，却难以直接揭示其社会经济功能。覆盖变化与用途变化并不总是一致：裸地变为草地，可能仍属未开发用地；地表覆盖同属建筑，空间布局改变却可能对应高密度居住向低密度居住的转换（图1中c1、c2区域）。这一“语义鸿沟”容易使常规覆盖变化检测方法误报或漏检用地功能变化。场景级方法通常以固定大小的影像块为分析单元，难以贴合真实变化边界，还可能混合多种用地功能。如何利用地物的空间组织关系理解用地功能、精确定位其变化，是本研究的核心问题。

图1 土地覆盖变化（LCCD）与土地利用变化（LUCD）之间的语义鸿沟（对应论文图1）

框架拓展与方法创新

基于“要素—结构—功能”分析框架，建筑、植被、水体等地表覆盖对象被视为“要素”，其空间布局和相互关系构成“结构”，据此推断居住、商业、工业等用地“功能”。结构由此成为连接地表观测与用地功能的桥梁。在前期分类研究及结构驱动变化检测探索的基础上，本研究进一步面向双时相影像，建立从地物要素的结构差异到用地功能转变的分析路径，将该框架拓展至对象级语义变化检测，联合回答“哪里发生变化”与“由何种用途转为何种用途”。

研究提出语义感知多空间域交互网络SMDI-Net（图2），通过多尺度超像素分割获取地物对象，以对象为节点、空间邻接关系为边构建图，表达地物组成与空间结构。对象级分析有助于保留真实边界，减少单元内用地功能混杂带来的歧义。网络采用孪生架构和多跳邻域交互机制，学习不同空间范围内的结构关系；通过层次结构集成模块（HSIM）由粗到细融合多尺度信息，兼顾整体布局与局部细节，减少小目标漏检和结果碎片化。自适应语义结构融合模块（ASSF）结合语义相似性与空间邻接关系，缓解特征趋同导致的类别混淆；判别性特征增强模块（DFEM）联合双时相语义与结构差异，增强细微变化的可分辨性。网络联合学习变化前后土地利用分类与二值变化检测，并施加一致性约束，提高变化定位与类型识别的一致性。

该研究将拓展“要素—结构—功能”土地利用分析框架的应用，由单时相土地利用分类拓展至双时相功能变化分析，将地物组成、空间组织及其双时相差异纳入统一建模，为城市更新中的拆建识别、用地功能转换分析和国土空间精细化动态监测提供技术支撑。

图2 SMDI-Net城市土地利用变化检测技术流程（对应论文图3）

论文第一作者为李蒙蒙副研究员，通讯作者为安徽省先进激光技术实验室李发帅副教授，其他作者包括研究院的硕士毕业生楼康凯和荷兰特文特大学ITC学院的Alfred Stein教授。引用格式：

Li, M., Lou, K., Li, F., Stein, A., 2026. Bridging the semantic gap in urban land use change detection with object-centric graph learning. ISPRS Journal of Photogrammetry and Remote Sensing, 242, 947–963. https://doi.org/10.1016/j.isprsjprs.2026.09.027