地貌是地球表层内外营力长期作用的产物，其形态特征与成因机制的有效识别，对理解地表过程、环境演变及行星地貌对比研究具有重要意义。传统地貌解译多依赖专家经验与有限数据，在效率与可扩展性方面存在局限。随着多源地理空间数据的快速增长，如何协同利用这些异构数据，实现地貌类型及其成因的自动化、高精度、可解释识别，已成为地理学与信息科学交叉领域的前沿问题。

针对上述挑战，博彩论坛 地貌学研究团队提出了一种知识引导的多模态异构地理空间数据融合深度学习框架。该框架旨在利用深度神经网络强大的特征表示学习能力，耦合领域知识与数据驱动方法，实现从多源数据到地貌成因的端到端智能推理。其核心由以下三个模块构成：

  （1）多源同构特征融合模块：针对同一地理要素类别下的多个特征变量，设计了一种数据级融合方法，生成信息密度更高、特征更丰富的融合影像，作为后续深度特征提取的优化输入。

  （2）先验地形异构图学习模块：根据地貌学知识，从数字高程模型中自动化提取地形特征点、特征线及其空间拓扑关系，构建结构化的“地形异构图”。随后，利用异构图注意力网络从该图结构中学习深层、结构化的地形特征表达，从而增强模型对地貌空间格局与形态关联的认知能力。

  （3）知识引导的混合融合决策模块：提出一种融合特征级与决策级策略的混合融合机制。该模块通过引入交互注意力机制，将“地貌形态是成因过程外在表现”这一领域先验知识显式地嵌入模型的多模态信息整合过程，引导模型在不同数据模态间进行有重点的信息交互与协同推理，最终实现从原始多源数据到地貌类型与成因类别的端到端智能判识。

图1. 样本和测试区域的地理分布和分类

图2. 所提出的混合融合深度学习检测框架的示意图

基于覆盖中国全域的、包含多种地貌类型与成因的基准数据集进行的系统性实验表明：

  （1）本框架能够有效释放多源地理空间数据的协同潜力，其地貌与成因检测精度显著优于传统单一数据源或简单融合方法。

  （2）通过贡献度分析发现，直接反映下垫面性质与内外营力作用基础的内生性特征，如地形结构、地质、土地利用等，对模型性能的提升贡献显著高于外生性环境特征。

  （3）模型在具有复杂地貌组合的青藏高原核心区展现出良好的泛化能力，制图总体精度达92%左右，验证了其在大区域、复杂场景下的适用性。

  （4）初步将训练后的模型迁移至火星典型地貌区的识别任务中并取得良好效果，证明了该框架在行星地貌学研究中具备跨星球应用的潜力。

图3.   利用该方法对青藏高原及火星试验区进行地貌及其成因制图

   本研究发展了一种融合地理学先验知识与深度学习的可扩展分析框架，为地貌系统精细制图、地表过程模拟以及行星地表分析等领域提供了新的工具。在人类活动深刻影响地表过程的“人类世”背景下，该框架亦有助于深化对自然与人为营力共同塑造地表形态的复杂机制的理解。

   该研究由国家自然科学基金青年学生基础研究项目、重点项目、创新研究群体项目，以及第二次青藏高原综合科学考察研究计划等联合资助。成果以《Multi-modal heterogeneous data fusion framework for landforms and genesis detection based on knowledge-driven》为题，发表于国际地球科学领域期刊IEEE Transactions on Geoscience and Remote Sensing。 论文第一作者为博士生林偲蔚，通讯作者为博彩论坛 王先彦教授。合作者包括福州大学数字中国研究院（福建）陈楠研究员。

论文信息：

Lin, S., Wang. X.*, Chen N., 2025. Multimodal Heterogeneous Data Fusion Framework for Landforms and Genesis Detection Based on Knowledge-Driven, IEEE Transactions on Geoscience and Remote Sensing, 63, 4510513, DOI: 10.1109/TGRS.2025.3630552.