随着对地观测技术的不断发展，人类每日获得的遥感数据达到海量级别（TB级）。然而现有技术方法数据处理能力较弱，亟需发展智能化、自动化的地理遥感信息处理技术方法。最优聚类中心的挖掘及最优分类数目的确定，均为遥感信息智能处理研究中的关键技术。针对该技术需求，中国科学院东北地理与农业生态研究所地理信息系统学科组成员，将人工智能领域先进的生物群集智能算法引入遥感影像聚类（分类）领域，获得了全局最优聚类中心；并遴选了适宜于遥感数据的聚类评估指数，从机理角度对现有聚类有效指数（CVI）进行了深入分析。作为一种度量聚类可靠性指标，CVI大多为解决模式识别问题而提出。通过研究发现，由于没有充分考虑遥感集簇之间的重叠和中心距离过近问题，大部分已有CVI指数不适于处理遥感数据（包括遥感聚类常用的XBI），需要发展新的面向遥感数据的CVI指数。

研究人员构建了完整的基于蜂群智能的遥感信息提取理论方法与技术体系（UBCO）。将UBCO与传统的k-means及遗传算法、粒子群算法等进行了对比，并在多种景观类型区域（复杂湿地地区等）对方法有效性进行了验证。实验结果表明，UBCO具备均衡且强大的最优聚类中心的挖掘能力：在湿地景观地区，UBCO的总体分类精度（OA）显著性地优于其它方法，OA提高3%以上；而在城市和自然景观地区，UBCO的OA比传统k-means方法提高2%以上。此外，经过多次运行测试，UBCO在所有方法中稳定度最高，鲁棒性最好。

相关研究开拓了群集智能算法在遥感领域的应用，提高了遥感信息智能化挖掘的技术水平，并为遥感聚类评估指数的发展提供了指导，有望推进遥感信息自动化处理程度。

相关成果分别发表于国际学术期刊《国际遥感杂志》（International Journal of Remote Sensing）和《遥感》（Remote Sensing）上。有关研究工作是在国家自然科学基金（41301465）及国家重大专项项目（21-Y30B05-9001-13）的资助下完成的，东北地理所地理信息系统课题组助理研究员李华朋为第一作者和通讯作者。（来源：中科院东北地理所）