人工智能赋能遥感应用

金笑天，张振川

（1.遥导通（上海）信息有限公司，上海 210702；2.上海市信息技术研究中心，上海 210702）

近年来，在大数据技术的成熟应用、图形处理器（GPU）硬件的不断升级和神经网络算法搭上深度学习的快车等诸多因素推动下，人工智能在自然语言处理、人脸识别、图像识别、图像搜索、声纹识别、文字识别和机器翻译等诸多应用领域已经达到甚至超过人类平均水平，这标志着人工智能研究迎来了第三次高潮[1]。人工智能的发展给各个行业和领域带来了新的机遇和挑战。

近年来随着遥感技术的发展，遥感数据空间分辨率、时间分辨率、光谱分辨率和辐射分辨率越来越高，数据类型越来越丰富。遥感数据每天以TB级别的速度增长，而遥感数据的总量则达到了TB/PB级别。如此庞大的遥感数据也出现了大容量、高效率、多类型、难辨识、高价值、高维度、多尺度和非平稳等特征。遥感行业急需新的技术方法来存储和分析如此海量的数据。

1 AI在遥感领域的主要关键技术

人工智能在遥感领域的主要关键技术为：神经网络技术、遥感大数据的异构数据库技术、遥感图像地表/地物智能分类技术和遥感数据建筑变化自动检测技术等。

1.1 神经网络算法技术

一个神经网络是一个由简单处理元构成的规模宏大的并行分布处理器，具有存储经验知识和使之可用的特性。神经网络中的神经元模型是一个包含输入、输出与计算功能的模型，神经网络则是将多个“神经元”连接起来，他们都有各自的输入和输出，神经元中最重要的东西是连接，每一个连接都代表着某一个权重，多个神经元连接起来形成了神经网络，这样才能够发挥输入、处理、输出的一系列功能。比如在监督学习中我们可以首先设定一个训练用的样本集（x i，y i）（xi，yi），然后根据我们设定的目标和策略进行训练和拟合，训练目标是通过神经网络的训练算法让各个权重参数的值调整到最佳，从而使得神经网络整体的预测效果达到最佳。神经网络算法目前能够支持非线性的假设模型h W，b（x）hW，b（x），针对事先准备好的训练数据通过b，W参数进行拟合。

如图1所示，两层神经网络不仅包含一个输入层和输出层，还包括一个中间层，此时输出层和中间层都发挥计算层的作用，中间层也常被称为“隐藏层”，当然我们也可以增加多个隐藏层，而我们在进行样本训练的时候，通常感知不到它们的值。

图1 两层神经网络示意图

在给定训练数据集的情况下，可以构建一个神经网络来对这些数据进行拟合。构建过程主要分为2步：（1）前向传播；（2）反向求导。在前向传播过程中，给定权值和bias矩阵，可以得到给定样本对应的预测值（激活值）；在反向求导过程，通过样本预测值与样本真实值之间的误差来不断修正网络参数，直至收敛。

神经网络算法技术是人工智能的基础算法技术，可用于遥感影像的各类学习和智能分类、自动检测等。

1.2 遥感大数据的异构数据库技术

遥感大数据的原始数据主要为巨大的非结构化的文件数据，这些原始数据的存储、处理需要以文件系统的非结构化存储系统作为支撑，经处理后的结果数据，通常需要导入数据库用于后期查询和应用。遥感大数据的数据来源多样化，且具有数据格式多样、数据类型复杂、结构化和半结构化数据并存等特点。同时因为遥感影像数据历史信息在持续积累保存、新的数据在不停汇集和入库，对于数据库的操作比较频繁，所以需要充分发挥整合多源异构遥感数据的时空数据库的能力，并且需要重点解决多源异构数据整合、大数据存储、数据分类和标签化与数据检索等诸多难题和挑战。利用遥感大数据和AI技术方法，进行遥感数据的汇集、分类、聚类、标签化、检索和多维分析等，可以有效解决这些难题和挑战。

遥感大数据的异构数据库技术通常采用Hadoop/Spark大数据平台，该平台支持分布式集群和海量数据搜索引擎，包括来自于海量数据库的结构化信息和来自于非结构化内容的信息，建立合适的索引，并通过数据分片技术，把这些索引信息分片存储在不同的物理节点上。该系统对外提供JAVA/.NET编程接口，或者RESTful的服务，支持索引和搜索任务的产生、调度和结果合并，支持优化的多阶段任务管理，支持模糊查询、组合查询、相似查询和特征统计（Facet）等高级搜索功能。通过AI技术进行数据分类、聚类和自动标签化，建立快速索引和查询机制为后面的遥感数据解译、分析和应用打下良好基础。

1.3 遥感图像地表/地物智能分类技术

遥感卫星影像具有载荷手段多、获取信息快、更新周期短、能够动态监测以及受限制条件少等优势，已经在很多行业得到广泛应用。但是高空间分辨率遥感图像具有海量数据、复杂细节和尺度依赖的特点，使得图像信息智能快速提取成为应用瓶颈，影响遥感数据使用的效率和深度。遥感影像分类的主要流程是基于提前设定好的类别和特征库，解译分析遥感图片，并通过特定的算法提取相应的地物类别，可以通过大数据和AI的技术实现自动化和半自动化的图像语义分析，实现智能分类和标签化，随着算力和算法的不断提高，基于AI的地表地物的智能分类技术和效率已经走向实用化的阶段。在很多已经成熟应用遥感技术的领域，如自然资源（水田林湿矿等）的变化监测中均有重要应用价值。

遥感图像反映了自然地物和人工设施在地表的分布，没有明显的“前景”与“背景”的差别，也没有明显的“中央区域”与“边缘区域”的差别，难以对遥感图像进行语义分割。针对遥感图像语义分割的任务，有FCN、U-Net、SegNet和DeepLab等多种经典模型，而通过研究表明，U-Net能够有效地进行遥感图像信息提取。

全卷积神经网络模型中经常使用U-net网络，它是一个U型状的网络，包括扩张网络和收缩网络这两大类，U-net网络和传统FCN网络相比，具有在上采样的时候整合更多层次的特点和优势，好处在于能够充分保存采样过程中的重要特征信息。模型架构如图2所示[2]。

图2 U-net架构示意图

图2代表了端-端的图像处理，输入和输出都是一副图像。核为1X1的卷积操作用conv 1X1来表示，该网络只包含了下采样和卷积，并没有实现全连接。

1.4 建筑物变化自动检测技术

目前，建筑物变化检测的方法多种多样，其中以图像匹配的变化检测方法、图像匹配和高程信息分析相结合的变化检测方法等最为经典。我们可以使用人工智能的几何结构特征搜索分析法来提高建筑物变化自动检测的精度和效率，利用人工智能技术进行特征标注和训练，进而采用特征搜索分析法，对比不同时相的遥感图像，基于特定算法自动化地进行建筑物的特征提取，然后将不同时相图像所提取的线段特征等进行对照和分析，判别新建建筑物、拆除建筑物、毁坏建筑物以及改建建筑物等。

2 人工智能赋能遥感应用示例

2.1 城市植被绿地监测应用

城市植被覆盖的类型、生物量、生态功能及绿化效应都不尽相同，所以很难单纯通过简单的解译分析得到城市的实际“绿量”数据，通过遥感图像地表智能分类技术，识别地表植被类型和覆盖面积，从而间接体现城市植被的生物总量和实际绿化效应。可以采用城市植被绿地提取监测算法快速自动化提取不同时相遥感影像中林地变化区域的矢量结果，快速实现植被绿地变化图斑提取，效率相比人工提升超百倍，为植被绿地智能化监测预警提供有力技术支撑。

张友静、高云霄等学者采用高分卫星遥感影像IKONOS，以城市植被类型信息为对象[3]，构建了基于支持向量机（SVM）决策树的城市植被绿地分类模型，SVM模型方法在通用分类方法的基础上，分析了SVM的核函数。该方法和传统分类方法比较，对城市植被绿地分类的准确度可以达到80%以上，而对于绿化面积的识别精度可以达到95%。

2.2 城市用地监测应用

遥感为监测城市土地利用变化提供了重要手段，通过对遥感影像进行可视化解译，应用遥感数据建筑变化自动检测技术，实现土地利用情况信息的获取和监测。城市用地监测的一个主要工作内容是“两违监测”（即违法用地和违法建设），传统上利用人工方式进行巡查进而发现“两违”的方法和流程，具有取证难、工作周期长、成本高和效率低等特点，无法满足“两违”监测的实际业务需求。基于大数据和人工智能的“两违监测”方法，具备较高的准确率和工作效率。

高诚鹏提出运用多源遥感手段，综合卫星遥感、大飞机航摄与无人机航拍的方式，获取福清市的数字正射影像（DOM）、数字高程模型（DEM）等工作底图，并基于事先设定好的“两违”疑似图斑判别规则和标准，充分发挥遥感技术的实时性和动态性，叠加和对比不同时间段的遥感影像，采用人工智能检测技术进行图斑的自动化比对，并通过人机交互解译方式，解译判读“两违”疑似图斑，实现“两违”监测的自动化作业并形成专题专业产品。

2.3 城市路网监测应用

道路是城市发展的主要构成要素，对于道路路网的监测和管理是城市管理的重要工作内容。传统的城市道路的路网绘制和监测，基本都是依据线下测量和制图的方式来进行，具有人工费时、更新速度慢、效率不高的特点。随着近年来我国经济的高速发展，城市内的路网变化也日益加速，为了能够确保路网监测、路网绘制的实时性和现势性，需要采用新技术方法来保证路网信息的高频更新，能够更迅速、更高效地进行路网的监测、提取、制图、输出和应用等。

王俊强、李建胜等学者把Deeplabv3+语义分割模型应用于道路网格的提取，通过采用迁移学习、数据增强和预测结果融合等技术方法，实现了对于道路路网的迅速提取和优化。通过提前设计和调整网格划分规则、设计海量路网数据存储方式等，进一步实现广域路网的划分分割、分析提取、高效存储和检索等功能。所以利用AI技术对遥感影像进行自动化提取和分析，可以更有效地识别街道、高速路和桥梁等路网信息，形成城市路网监测产品，也可以进一步有效监测和跟踪非法资源占用等。

3 结束语

人工智能技术的发展给遥感行业带来了新的机遇和挑战，人工智能在神经网络技术、遥感大数据的异构数据库技术、遥感图像地表/地物智能分类技术、遥感数据建筑变化自动检测技术上为时空大数据和数据建模处理提供技术支持，不断推动着遥感技术的发展与变革。给城市植被绿地监测、城市用地监测、城市路网监测和重大工程监测等应用带来了技术上的革新，大幅度提高了遥感影像提取、识别、解译和输出的效率。未来随着人工智能技术的不断进步，将进一步给遥感行业的更新带来源源不断的动力。