研究现状_详细综述
约 3608 字大约 12 分钟
2026-03-24
一、舆图数字化研究现状
| 标题 | 期刊/会议名 | 研究现状摘要 | 被引次数 | 出版年份 | 使用技术 |
|---|---|---|---|---|---|
| Redefining archaeological research: Digital tools, challenges, and integration in advancing methods | Applied Sciences | Sylaiou等(2025)采用GIS对考古遗址进行空间数据整合、分布分析与数字化制图，并结合古地图资料辅助遗址定位。 | 12 | 2025 | GIS |
| The research progress and prospects of historical geography: A systematic review | Geographical Research Bulletin | 1.舆图的空间解码、数字化解读、比例尺与投影校正、地名演变匹配，是舆图数字化的基础方法论部分。 2.历史地图数字化、矢量化、配准、叠加分析、时空数据库构建，是舆图数字化的核心技术 | - | 2025 | GIS |
| A big data-based research method for digitizing ancient literary texts | Journal of Computational Methods | Wei(2024)提出了基于大数据的古文献数字化研究方法，可迁移至古地图数字化领域。（000） | - | 2024 | 大数据、文本挖掘 |
| 从康熙《皇舆全览图》的数字化处理察其对湖广地区地图绘制的影响 | 江汉论坛 | 用 ArcGIS 对康熙《皇舆全览图》湖广片区做地理配准、矢量化、坐标校正、地名数据库构建，比对乾隆《十三排图》、清代中后期湖广省 / 府 / 县方志图、水利图的坐标、水系、政区差异 | 3 | 2023 | ArcGIS |
| 海内外中文古地图数字化成果述评 | 数字人文研究 | 1.整理了国内外中文古地图数字化成果。2.古地图数字化两阶段（高清扫描→矢量化电子地图）。 | 8 | 2021 | 高清扫描→矢量化电子地图 |
| Digitization of Old Maps and Possible On-line Tools for Their Use | Springer Digital Cultural Heritage | 数字化最低要求：免费在线可访问、可缩放浏览； 核心要求：必须地理配准，保留舆图的制图属性（坐标、投影、比例尺、可测量性）。 增值功能：1.按区域/年代/比例尺找舆图2.图叠加对比3.地理配准工具4.3D地形可视化5.地图符号识别、文本提取6.标准接口开放，可二次开发 舆图扫描标准（扫描精度、分辨率等） | 9 | 2019 | 在线地图工具 |
| Mapping archaeology while mapping an empire: Using historical maps to reconstruct ancient settlement landscapes | Geosciences | 地理配准：纸质老地图 → 数字化扫描 / 摄影、基于 GIS 的数字化配准、数字化校正算法、数字化校正算法 要素提取：人工建立两个 GIS 矢量图层：点图层存土丘、线图层存线性遗迹。按符号分类 | 57 | 2018 | GIS |
| 基于历史地图数字化分析的城市空间特色演进研究 | 城市规划学刊 | 1.对多幅历史舆图做几何校正、坐标配准、矢量化输入 2.数字化应用：紧凑度指数、空间整合度、分形指数定量分析 | 59 | - | 数字化分析、空间演进分析 |
| 基于数字化技术的历史地图空间解译方法研究 | 城市规划 | 舆图扫描 / 收集 → 要素提取 → CAD 数字化转绘 → 与现状图配准叠加 → 用于规划 | 89 | 2016 | 几何纠正、要素提取、空间分析 |
| 3D digitization and mapping of heritage monuments and comparison with historical drawings | ISPRS Annals | 1.物理古图纸 → 数字栅格图 2.舆图的几何校正（消除误差、变形、畸变）与配准 3.舆图精度评价与修复（同源点匹配） | 52 | 2013 | 3D数字化、摄影测量 |
二、水系图像研究现状
| 标题 | 期刊/会议名 | 研究现状摘要 | 被引次数 | 出版年份 | 使用技术 |
|---|---|---|---|---|---|
| Critical review on deep learning methodologies employed for water-body segmentation through remote sensing images | Multimedia Tools and Applications | Gautam & Singhai(2024)系统综述了深度学习在水体分割中的应用。 | 22 | 2024 | CNN、FCN、U-Net、多尺度 FCN/CNN |
| Extraction of surface water bodies using optical remote sensing images: A review | Earth Science Informatics | 综述光学遥感水体提取方法，涵盖光谱指数、机器学习、深度学习等。 | 62 | 2024 | 光谱指数、SVM、随机森林、CNN |
| Emerging methodologies in waterbody delineation: an In-depth review | International Journal of Remote Sensing | 1.综述了水体提取传统方法、机器学习、深度学习。 2.采用IoU、OA、F1、Kappa、mIoU、SSIM等量化分割精度，兼顾整体与边界、类别均衡性 | 6 | 2024 | 以 CNN、U-Net、DeepLabv3 + 为代表，自动学习特征，在复杂场景精度更高；主流模型有 MSR-Net、W-Net、SADA-Net、FWENet 等，适配光学、SAR、多源数据。 |
| Review of recent advances in remote sensing and machine learning methods for lake water quality management | Remote Sensing | 使用多/高光谱遥感数据、及其/深度学习方法来做水质反演（叶绿素 a、浊度、CDOM、水温、水位、面积等） | 99 | 2024 | 随机森林、梯度提升树、SVM、CNN、LSTM、GAN 等 |
| A review of remote sensing image segmentation by deep learning methods | International Journal of Digital Earth | 综述深度学习遥感图像水体分割方法 | 116 | 2024 | Deep-WaterMap、DenseNet、DensePPM、Unet |
| 基于多源遥感数据的河流断面提取进展与展望 | 遥感技术与应用 | 多源遥感数据使用阈值法、分类器法、机器学习和深度学习方法进行提取水系、河流边界/轮廓、提取河流主干 | 3 | 2024 | 多源数据融合做cnn、语义分割 |
| New deep learning method for efficient extraction of small water from remote sensing images | PLOS ONE | ResNet101+条带池化（SPM+MPM）替代 DeepLabv3 + 的 ASPP，提取长距离细小水体（≤15 像素），可同时高效提取大型水体与细小水体 | 29 | 2022 | 深度学习、特征增强 |
| Towards synoptic water monitoring systems: a review of AI methods for automating water body detection | Sensors | 水体提取以CNN为核心方法，相比 NDWI 指数法与 SVM、RF 等传统模型精度更高，可有效解决边界模糊、小水体识别、阴影与云层干扰等问题，CNN-SVM、CNN-CRF 等混合模型也被广泛应用； 水质监测主要采用LSTM等循环神经网络处理时序数据，结合 CNN、DNN、SVR、RF 等模型反演浊度、叶绿素 a 等参数，并融合卫星、无人机、地面传感器多源数据实现监测。 | 142 | 2022 | CNN、LSTM、GAN、Transformer |
| 基于多源国产高分辨率遥感影像的山区河流信息自动提取 | 清华大学学报 | 1.针对山区窄河提取难、河宽精度低问题。使用国产 GF-1/ZY-3 卫星数据与 RF-ANN 算法提取河流表面信息。 2.Laplace + 边缘算法改进RivWidthCloud提取平滩河宽 | 15 | 2022 | 随机森林、人工神经网络、 |
| 基于多特征融合的遥感图像河流提取 | 遥感技术与应用 | 多特征融合方法（GLCM 纹理 + OTSU 阈值 + 几何滤波 手工组合）进行遥感图像河流提取。 | 7 | 2022 | 多特征融合、传统图像处理 |
| A deep learning method of water body extraction from high resolution remote sensing images with multisensors | IEEE GRSL | 基于多传感器高分辨率遥感图像，使用DLFC 网络（编码器-解码器架构，融入DenseNet模块、局部特征压缩LFC模块） 解决传统方法依赖阈值、单传感器模型泛化差的问题。 | 131 | 2021 | DLFC 网络 |
| Surface water detection and delineation using remote sensing images: A review of methods and algorithms | Sustainable Water Resources Management | Bijeesh & Narasimhamurthy(2020)系统综述遥感水体检测方法。（000） | 169 | 2020 | 阈值分割、机器学习、深度学习 |
| Extraction of urban water bodies from high-resolution remote-sensing imagery using deep learning | Water | 采用高分辨率多光谱遥感影像，设计SAPCNN 自适应池化卷积神经网络，半监督训练提取水体区域。（解决小水体提取边缘模糊精度低，背景干扰问题） | 270 | 2018 | SAPCNN |
| 数学形态学流域分割算法在遥感影像水系图图像分割中的应用 | 测绘科学 | 张明明等(2003)较早将数学形态学应用于水系图像分割。 | 23 | 2003 | 数学形态学、分水岭算法 |
三、舆图水系研究现状
| 标题 | 期刊/会议名 | 研究现状摘要 | 被引次数 | 出版年份 | 使用技术 |
|---|---|---|---|---|---|
| GIS-Based Methods for Identifying River Networks Types and Changing River Basins | Water Resources Management | 基于古代纸质地形图和现代数字高程模型，使用GIS进行河网密度计算、流域面积统计分析 | 43 | 2024 | GIS、河网分析、流域变化检测 |
| The evolution of the Seine basin water bodies through historical maps | The Seine River Basin (Springer) | 以塞纳河流域近 200 年历史地图、工程图纸及 ArchiSeine 开源地图数据库为数据基础，运用GIS 地理配准、空间叠加分析、地图要素量化、时空对比分析等技术，系统研究 1800—2010 年塞纳河流域水体三维物理演变与人地驱动机制。 | 20 | 2022 | 历史地图分析、GIS |
| Deep learning-based road extraction from historical maps | IEEE Access | 基于土耳其 DHK 200 历史地图，使用Unet++和Timm-resnest200e 编码器并加入 scSE、多尺度注意力模块进行改进，对比Unet++、DeepLabv3+、MA-Net、FPN 等分割架构，解决多类别道路提取问题 | 21 | 2022 | CNN、U-Net++ |
| Towards an automatic characterization of riverscape development by deep learning | River Research and Applications | 基于包含河流景观的历史航拍影像，使用vgg16编码器和unet解码器进行训练，对河流景观进行分类 | 12 | 2022 | 深度学习、CNN、河流景观分析 |
| Automating information extraction from large historical topographic map archives | Springer | 基于全球多地公开的大规模数字化历史地形图档案，综合运用传统图像处理、计算机视觉、OCR、地理配准、空间对齐、探索性分析以及深度学习（CNN、U-Net、VGGNet 等）、自动训练样本生成、多源地理数据融合等方法，解决传统历史地图信息提取依赖人工交互、难以处理海量异构地图、无法高效精准提取时空地理信息的问题 | - | 2021 | 机器学习、自动化提取、深度学习 |
| Potential of deep learning segmentation for the extraction of archaeological features | Archaeological Prospection | GIS进行地理配准，unet进行分割水系区域 | 85 | 2021 | CNN、U-Net、语义分割 |
| A fast and effective deep learning approach for road extraction | ISPRS International Journal of Geo-Information | 以瑞士 Siegfried 历史地图与现代 swissTLM3D 矢量数据为基础，通过符号重建自动生成仿真训练图，结合改进 U‑Net 深度学习模型，解决历史地图道路提取中传统方法泛化性差、人工标注训练数据成本高、道路符号易与其他地物混淆的难题 | 40 | 2020 | CNN、U-Net、道路提取 |
| Extracting wetlands from Swiss historical maps with convolutional neural networks | Remote Sensing | 以瑞士 1872-1949 年的西格弗里德地图为研究对象，因无 1880 年标注数据，采用 1900 年湿地数据训练改进 U-Net 模型；将大尺寸地图分块处理，模型完成像素级湿地预测后，通过 GDAL 矢量化、道格拉斯 - 普克算法化简，生成湿地矢量图层 | 19 | 2020 | U-Net、CNN、历史地图 |
| Can we characterize river corridor evolution at a continental scale from historical topographic maps? | River Research and Applications | 使用扫描配准的历史地形图 + HMVT 自动矢量化工具，通过色彩转换→KNN 分类→形态学重建→拓扑校验，自动提取河道、沙洲、植被三类河廊要素 | 16 | 2020 | 历史地形图、GIS分析 |
| Using local toponyms to reconstruct historical river networks in Hubei Province, China | ISPRS International Journal of Geo-Information | 以湖北为研究区，用水系与方位类地名重建历史河网，GWR 分析证实地名与河网密度显著相关，再用泰森多边形 + 空间聚类完成河道还原 | 16 | 2020 | 地名分析、历史地图、GIS |
| Characterization of river networks: A GIS approach and its applications | Journal of the American Water Resources Association | Thoms & Scown(2018)提出河网特征GIS分析方法。 | 45 | 2018 | GIS、河网特征分析 |
| Rectify the river, rectify the map: Geometry and geovisualization of Adige river hydro-topographic historical maps | Academia | 使用MapAnalyst（历史地图几何精度分析）来地图配准和几何校正，然后进行web地图可视化 | 16 | 2014 | 几何纠正、可视化 |
| Historic maps as a data source for socio-hydrology | Hydrology and Earth System Sciences | 以匈牙利巴拉顿湖为案例，证实经数字化地理配准的历史地图可作为可靠定量数据源，有效填补社会水文学百年尺度数据缺口，并修正了该湖湿地消失源于湖泊水位下降的传统认知 | 75 | 2013 | 历史地图、社会水文学 |
| Global river hydrography and network routing: baseline data and new approaches | Hydrological Processes | Lehner & Grill(2013)提出全球河网水文与网络路由基线数据，是该领域奠基性文献。（000） | 2093 | 2013 | 河网数据、水文模型 |
| Extracting human settlement footprint from historical topographic map series | IEEE JSTARS | Uhl等(2017)使用机器学习方法从历史地形图系列中提取人居足迹。 | 52 | 2017 | 机器学习、历史地形图、LeNet |
| Creating a hydrographic network from its cartographic representation | International Journal of Geographical Information Science | Regnauld & Mackaness(2006)研究从地图表示创建水文网络的方法。（000） | 50 | 2006 | 地图综合、水文网络构建 |
| Using historical maps in researches over changeability of river network | International Multidisciplinary Scientific | Bieda(2013)探讨利用历史地图研究河网变化性。（000） | 1 | 2013 | 历史地图、河网变化分析 |
| Historical shortening of river network in the Otava River Basin | Acta Universitatis Carolinae | 采用 1844—2002 年多期军事地图与数字地图，经配准、矢量化、河段分割与 GIS 分析，量化河网长度变化并校正地图精度误差 | 21 | 2003 | 历史地图、GIS分析 |
研究空白总结
- 清代舆图水系的系统性数字化研究极少——国内外均缺乏针对清代舆图水系的系统性深度学习提取研究
- 深度学习方法可迁移——国际上已有道路、湿地提取先例，但水系提取尚未涉及清代舆图
- 中国古地图深度学习应用空白——国际上几乎没有针对清代舆图的深度学习研究
技术路线可行性
- 可参考：Jiao等(2020)湿地提取 + Garcia-Molsosa等(2021)考古特征提取
- 模型选择：U-Net、DeepLabv3+ 语义分割
- 创新点：首次将深度学习方法应用于清代舆图水系区域提取
版权所有
版权归属：HuiXiaHeYu