基于DeepSeek的遥感影像目标实体关系抽取方法

doi:10.13474/j.cnki.11-2246.2026.1005

测绘通报 ›› 2026, Vol. 0 ›› Issue (10): 34-41,60.doi: 10.13474/j.cnki.11-2246.2026.1005

• 学术研究 • 上一篇

基于DeepSeek的遥感影像目标实体关系抽取方法

颜秋宇¹, 王曙^2,3,4, 华一新¹, 张江水¹, 曹一冰^1,5

1. 信息工程大学地理空间信息学院, 河南郑州 450002;
2. 中国科学院地理科学与资源研究所地理信息科学与技术全国重点实验室, 北京 100101;
3. 中国科学院大学, 北京 100101;
4. 江苏省地理信息资源开发与利用协同创新中心, 江苏南京 210023;
5. 航空电子综合与体系集成全国重点实验室, 上海 200241

收稿日期:2026-04-14 发布日期:2026-11-06
作者简介:颜秋宇(1995—),男,博士生,主要研究方向为地理人工智能与遥感目标智能解译。E-mail:yanqiuyu1@gmail.com
基金资助:
国家自然科学基金(42471503)；广西重点研发计划(桂科FN2504240012)；国家重点研发计划(2022YFB3904201；2022YFF0711601)；中国科学院基础与交叉前沿科研先导专项(XDB0740200)；航空电子综合与体系集成全国重点实验室开放基金(2025AIASS0601)

The method of target entity relationship extraction from remote sensing images based on DeepSeek

Yan Qiuyu¹, Wang Shu^2,3,4, Hua Yixin¹, Zhang Jiangshui¹, Cao Yibing^1,5

1. Institute of Geospatial Information, Information Engineering University, Zhengzhou 450002, China;
2. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China;
3. University of Chinese Academy of Sciences, Beijing 100101, China;
4. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China;
5. National Key Laboratory of Avionics Integration and Aviation System-of-Systems Synthesis, Shanghai 200241, China

Received:2026-04-14 Published:2026-11-06

摘要/Abstract

摘要： [目的] 遥感影像目标识别和知识图谱技术已成为实景三维数据更新与应用的重要技术方法之一，本文旨在解决遥感影像目标实体间关联关系的抽取过程中存在的自动化水平低、数据标注量大，以及关系模型和分类体系不统一等问题。[方法] 本文提出基于DeepSeek大模型的遥感影像目标实体关系抽取技术框架，通过关系模型、类别体系构建及基于提示工程的遥感影像实体关系数据生产，完成遥感影像实体知识图谱的构建。为检验方法的有效性，在3392张高分辨率遥感影像数据集上开展试验验证，围绕典型复杂地表目标实体关系抽取任务进行对比分析。[结果] 结果显示，本文方法在主流大模型上整体关系抽取F1值均达到0.85以上。[结论] 本文方法能够快速适配不同遥感场景，操作灵活便捷，并为遥感识别、地理问答等任务提供结构化知识支撑，为遥感影像目标关系数据生产与知识图谱构建提供结构化支撑。

关键词: 遥感目标识别, 实体关系, 知识图谱, DeepSeek, 关系抽取

Abstract: [Purposes] Remote sensing image target recognition and knowledge graph technology have become one of the important technical methods for the update and application of real-scene 3D data.However，there are still problems such as low automation level，large amount of data annotation，and inconsistent relationship models and classification systems in the extraction of the association relationships between remote sensing image target entities. [Methods] This paper proposes a technical framework for extracting the relationship between remote sensing image target entities based on the DeepSeek large model.Through the construction of relationship models and category systems and the production of remote sensing image entity relationship data based on prompt engineering，the construction of remote sensing image entity knowledge graphs is completed.To verify the effectiveness of the proposed method，experiments were conducted on a dataset of 3392 high-resolution remote sensing images，focusing on relation extraction for typical complex surface targets. [Findings] The results show that the overall F1 value of the relationship extraction of this method on mainstream large models is above 0.85. [Conclusions] This method can quickly adapt to different remote sensing scenarios，is flexible and convenient to operate，and provides structured knowledge support for tasks such as remote sensing recognition and geographic question answering，promoting the transformation of remote sensing intelligent interpretation from the “feature perception” paradigm to the “knowledge reasoning”paradigm．

Key words: remote sensing target recognition, entity relationship, knowledge graph, DeepSeek, relationship extraction

中图分类号:

P237

颜秋宇, 王曙, 华一新, 张江水, 曹一冰. 基于DeepSeek的遥感影像目标实体关系抽取方法[J]. 测绘通报, 2026, 0(10): 34-41,60.

Yan Qiuyu, Wang Shu, Hua Yixin, Zhang Jiangshui, Cao Yibing. The method of target entity relationship extraction from remote sensing images based on DeepSeek[J]. Bulletin of Surveying and Mapping, 2026, 0(10): 34-41,60.

导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks

链接本文: http://tb.chinasmp.com/CN/10.13474/j.cnki.11-2246.2026.1005

http://tb.chinasmp.com/CN/Y2026/V0/I10/34

参考文献

[1] 李彦胜，吴敏郎，张永军.知识图谱约束深度网络的高分辨率遥感影像场景分类[J].测绘学报，2024，53(4)：677-688．
[2] 李彦胜，武康，欧阳松，等.地学知识图谱引导的遥感影像语义分割[J].遥感学报，2024，28(2)：455-469．
[3] 黄梓航，蒋秉川，王自全.一种结合地理知识的遥感影像目标实体关联方法[J].测绘通报，2022(10)：28-36．
[4] 李俊松.基于拓扑关系感知的知识图谱归纳推理研究[D].成都：电子科技大学，2025．
[5] 吴恪涵.顾及地理语义的中文文本空间关系抽取方法研究[D].南京：南京师范大学，2022．
[6] 王飞.基于知识图谱的遥感影像智能推荐研究[D].武汉：武汉大学，2023．
[7] 蒋萌，杨春成，尚海滨，等.地理实体与重叠空间关系联合抽取的改进CasRel模型法[J].测绘学报，2023，52(8)：1387-1397．
[8] 王哲，刘欢，梁培玮.学术文本关键词文库知识图谱实体关系抽取算法[J].吉林大学学报(信息科学版)，2025，43(5)：1119-1127．
[9] Yan Qiwei，Deng Chubo，Liu Chenglong，et al.ReCon1M：a large-scale benchmark dataset for relation comprehension in remote sensing imagery[J].IEEE Transactions on Geoscience and Remote Sensing，2025，63：4507022．
[10] Bai Luyi，Chai Die，Zhu Lin.RLAT：Multi-hop temporal knowledge graph reasoning based on Reinforcement Learning and Attention Mechanism[J].Knowledge-Based Systems，2023，269：110514.
[11] 张西硕，柳林，王海龙，等.知识图谱中实体关系抽取方法研究[J].计算机科学与探索，2024，18(3)：574-596．
[12] 夏江镧，李艳玲，葛凤培.基于大语言模型的实体关系抽取综述[J].计算机科学与探索，2025，19(7)：1681-1698．
[13] 王海波，王姬卜，黄宗财，等.结合实体词与句子语义的地理实体关系抽取[J].测绘科学技术学报，2018，35(6)：633-636．
[14] 蒋雨忻.地理知识图谱的构建方法研究与应用[D].成都：电子科技大学，2024．
[15] 王勇，王伟，王健，等.基于DeepSeek的煤矿隐患查询知识库构建研究[J].采矿技术，2025，25(5)：142-147．
[16] 曾璞.面向光学遥感图像的小目标检测与细粒度识别方法研究[D].西安：西安电子科技大学，2022．
[17] 罗强，胡中南，王秋妹，等.GIS领域知识图谱进展研究[J].测绘地理信息，2023，48(1)：60-67．
[18] Wen Congcong，Lin Yiting，Qu Xiaokang，et al.Remote sensing retrieval-augmented generation：bridging remote sensing imagery and comprehensive knowledge with a multimodal dataset and retrieval-augmented generation model[J].IEEE Geoscience and Remote Sensing Magazine，2026，14(2)：85-103.
[19] Hu Lei，Li Wenwen，Zhu Yunqiang.Geometric feature enhanced knowledge graph embedding and spatial reasoning[C]//Proceedings of the 7th ACM SIGSPATIAL International Workshop on AI for Geographic Knowledge Discovery.Atlanta：ACM Press，2024：50-53．
[20] 胡芷君.李德仁院士评DeepSeek：时空智能是物联网，大模型是互联网[J].中国测绘，2025(3)：17-18．
[21] 彭玉荣，邱芹军，马凯，等.领域知识引导与提示工程结合的地质信息抽取研究[J].地质科学，2026，61(2)：654-663．
[22] 杨必胜，陈一平，邹勤.从大模型看测绘时空信息智能处理的机遇和挑战[J].武汉大学学报(信息科学版)，2023，48(11)：1756-1768．
[23] 陈佳杏，王晔.大语言模型驱动的角色扮演智能体：现状、挑战与未来趋势[J].信息传播研究，2025，32(5)：11-20．
[24] 魏楚朋.大模型角色扮演关键技术与应用研究[D].成都：电子科技大学，2024．
[25] 颜秋宇，王曙，华一新，等.面向细粒度目标识别的多层级遥感知识图谱组织与表达方法[J].地球信息科学学报，2025，27(12)：2833-2849．
[26] Zhu Rui，Shimizu C，Stephen S，et al.The know where graph：a large-scale geo-knowledge graph for inter-disciplinary knowledge discovery and geo-enrichment[J].Transactions in GIS，2026，30：e70184.
[27] Dsouza A，Tempelmeier N，Yu Ran，et al.WorldKG：a world-scale geographic knowledge graph[C]//Proceedings of the 30th ACM International Conference on Information & Knowledge Management.Virtual Event Queensland ：ACM Press，2021：4475-4484．

基于DeepSeek的遥感影像目标实体关系抽取方法

The method of target entity relationship extraction from remote sensing images based on DeepSeek

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 8

编辑推荐

Metrics

本文评价

[1]	尹章才, 张政, 陈毅然. 用于增强城市道路网络语义探索的地图—图谱交互模型[J]. 测绘通报, 2026, 0(6): 112-118.
[2]	李军, 王慧, 刘勇, 吕佳慧. “一张图”统一产权底板中知识图谱驱动的地籍数据建设策略探究[J]. 测绘通报, 2026, 0(1): 12-17.
[3]	朱秀丽, 朱新周, 刘万增, 承达瑜, 张晓莹, 张晔. 亚马孙河流域地表覆盖时空变化知识建模[J]. 测绘通报, 2024, 0(2): 14-18.
[4]	钟勇, 谢刚生, 段文周, 邹斌文. 自然资源三维立体一张图建设技术探究[J]. 测绘通报, 2024, 0(2): 165-169.
[5]	李永鑫, 王德富, 马志刚, 范亚军, 杨本勇, 刘立, 罗超. 知识图谱驱动下的多源遥感滑坡隐患识别[J]. 测绘通报, 2024, 0(1): 12-18.
[6]	刘小丁, 唐力明, 李伊黎, 许敏端, 康昕怡, 孙端, 李宇宸, 肖红, 赵耀龙, 陈伟莲, 吕凤涛. 基于知识图谱的近30年国际海岸带研究进展与热点分析[J]. 测绘通报, 2022, 0(12): 153-159.
[7]	黄梓航, 蒋秉川, 王自全. 一种结合地理知识的遥感影像目标实体关联方法[J]. 测绘通报, 2022, 0(10): 28-36.
[8]	白亭颖, 杨任飞, 惠大涛, 何文文, 张琰光, 贺晶. 数字海洋研究的知识图谱分析与前景展望[J]. 测绘通报, 2020, 0(2): 131-136.