海量多源遥感数据智能分析展望_人工智能多源数据发展

前言

随着空间对地观测技术在全球范围内的迅速发展，遥感数据的空间分辨率、时间分辨率乃至光谱分辨率日益提升，高分辨率遥感数据量呈井喷式增长。未来10年中全球每天获取的观测数据将超过10PB，标志着遥感大数据时代已然来临。然而，在硬件技术不断突破的同时，遥感大数据挖掘技术的发展却相对滞后，依旧停留在人工解译为主计算机解译为辅的阶段，数据解译速度和精度也十分有限，导致海量的高分辨率遥感数据无法得到应用而成为“死数据”，造成卫星资源的浪费，同样严重制约着遥感数据的应用前景。

遥感图像解译得到的信息产品在农业、林业、生态以及环境等行业应用中有着迫切的应用需求。但目前阶段解译方法的鲁棒性及工程化应用成熟度不高。目前亟需一种普适性强的多源遥感数据挖掘算法来实现从影像数据到信息数据的转换。

海量多源遥感数据智能挖掘技术的研究，是提升遥感大数据利用效率的必要途径，是快速推进遥感应用发展和加速空间信息产业转型发展的迫切需要，也是促进经济发展、产生更大社会效益的一项前沿科技。

图1 海量遥感卫星

一、国内外现状

随着对地观测技术的发展，人类对地球的综合观测能力达到空前水平。不同成像方式、不同波段和分辨率的数据并存，遥感数据日益多元化；遥感影像数据量显著增加，呈指数级增长；数据获取的速度加快，更新周期缩短，时效性越来越强。遥感数据呈现出明显的“大数据”特征。

自2013年起，随着Skybox、Planet等卫星的成功发射，微纳卫星（NanoSat）开始得到飞速发展，创新型企业也取代政府机构成为航天卫星的主角。截至2015年9月30日，全球在轨小卫星的数量为460颗，占所有在轨卫星数量的1/3。国家出台的《关于促进卫星应用产业发展的若干意见》，我国卫星应用产业预计2020年的产业规模可达5560亿元以上，并带动相关经济产值突破万亿元。大数据时代每天都有海量的空间数据不断产生，但大部分没有被有效利用，而人工智能算法开源崛起，正是以“人工智能+数据创造”为模式的企业的发展机遇。

图2 阿里云达摩院的AI Earth的深度学习平台

国内的一些遥感、互联网企业，将机器学习应用于遥感大数据挖掘，解决遥感大数据利用率低等问题。自主研发并建立了全球领先的深度学习平台和超算中心，推出了一系列人工智能技术。以海量样本数据为支撑探索道路、水体、云雪等典型要素信息提取模型研制工作，实现对海量数据全自动高精度的信息提取，大大提升了卫星影像数据的地表覆盖典型要素信息提取的自动化水平。同时专门从事农业大数据分析的单位，通过遥感技术结合气象和地面观测数据为农田精准化管理服务，目前平台可以给客户最高带来15%的产量提升，同时降低生产成本和气候变化带来的风险。同时，国内高校、研究所在多年研究基础上，建立了“遥感脑”，在遥感影像的感知、认知、推理、决策等方面建立了系统的类脑解译理论和方法。

国外DigitalGlobe公司地球图像和地球变化信息的全球领导者，基于遥感大数据推出SpaceNet数据集，旨在推动机器学习和深度学习算法的发展，充分利用遥感数据。NASS用先进信息系统技术寻求成熟的大数据能力，以支持未来的地球观测任务，使得地球信息能为NASA气候中心的体系结构所识别，减少地球科学部的空基和陆基信息系统的风险、成本、规模和开发时间，提高科学数据的可访问性和实用性。笛卡尔实验室（Descartes Labs）建立了一个基于云计算的数据提炼器，将人工智能应用于海量卫星遥感数据集。通过机器学习，笛卡尔工作室同大型企业和政府合作，深度挖掘遥感数据在能源和农业领域的应用价值。

图3 遥感影像路网提取

二、存在的差距

国外遥感技术已发展多年，基于遥感的地物分类也拥有着丰富的经验。在智能解译技术还未快速发展时，通过建立了广泛的地物波谱库服务于地表覆盖的分类。且国外长期的研究也积累了大量的不同时期、角度、传感器的影像数据及样本，同时在不同地区不同地物具备大量的物候资料。国外也经常性的开源质量优秀且标准化的遥感数据集，让有能力的研究者基于其数据集开发或改进其算法及框架，而最终得到适用于该卫星影像的优质深度学习算法。

在算法层面，国外基本建立了深度学习框架的垄断地位，例如Caffe、TensorFlow、Pytorch、Mxnet等等。已基本应用于各类深度学习应用中了，而其中Pytorch也是目前学科界最为主流的深度学习框架。并且基于这些深度学习框架，在遥感学科方向上开发的分类、分割、检测神经网络也基本都是以国外的为主，国内外差距较为明显。

三、创新发展方向

随着商业遥感卫星发射浪潮的到来，传统遥感信息提取方法难以适应当前海量遥感数据的快速解译。“人工智能”思维正潜移默化地影响遥感方向从业人员。

遥感图像地表覆盖分类是遥感图像解译和分析的重要研究方向，而基于深度学习的多尺度融合地表覆盖分类技术是遥感发展的重点。目前针对城市不透水面、水体、耕地、林地这些一级类的分类，精度也满足业务需求，基于单一景影像的地表覆盖分类算法均能够达到90%以上。但随着遥感的需求逐渐扩大，市场不再局限于地表覆盖一级类的分类，已经开始转向更加精细的分类级别。例如耕地中除了需要区分水田旱田外，还要求实现大宗作物如玉米水稻，小宗作物如辣椒高粱的提取，这对遥感深度学习又提出了新的挑战。由于“同物异谱”与“同谱异物”现象的存在，导致无法准确实现精细化的地物分类，精度也无法满足要求。

（1）如何融合多尺度数据、多源数据、多时相数据是目前发展的重点方向。例如高分影像有着清晰的纹理及分辨率，适合分类纹理特殊面积小的地物；多光谱数据有着多波段，具有高维度的特征，能够有效提高相似地物之间分类的精度；多时相影像对于特定地物，如多年生林木，特定农作物能够实现准确的提取；而SAR影像，高程数据，星载雷达数据都能够在垂直方向上辅助特定地物的提取。不同影像在面对不同需求时有着各自的优势和缺陷。

图4 多源卫星数据融合-联合

（2）通过将多元技术融合，综合深度学习、遥感定量指数、图像处理、数学优化方法以及先验知识库等等，将传统遥感方法与深度学习相结合，发挥各自的优势，从而达到最优的解译结果。

图5 多元技术融合