遙感大數據時代

遙感，即遙遠的感知。1839年，第一臺相機問世之后，人們嘗試通過把各種成像設備放置到更高的平臺，以更加寬廣的視角觀察我們周邊的世界。

目前全球已經進入小時級的快速響應以及亞米級遙感觀測大數據時代，遙感以電磁波為信息載體，極大拓展人的感知能力。遙感拓展到更加寬廣的感知范圍的同時，也帶來更加廣闊的應用前景。

從遙感觀測能力來看，從早些年百米級到現在米級、亞米級、厘米級的觀測能力，數據量增加帶來應用前景拓展，但是也給解譯帶來前所未有的挑戰，傳統人工解譯難以滿足數據量快速增長的需求，以至于在遙感應用面前顯得束手無策。

遙感信息快速自動化提取已經成為遙感整個產業鏈的瓶頸所在，而人工智能是近些年最新且最劃有時代意義的技術，深度學習在計算機視覺等諸多領域已經取得了突破性進展，遙感圖像作為一種特殊的影像必然可以享受到這種技術的紅利。但是，如何把AI和遙感數據進行融合釋放像元價值，這是非常值得討論的問題。

AI如何釋放遙感像元價值

遙感AI口糧從哪里來？
很大一定程度上得益于巨大影像庫，相對自然圖像而言遙感樣本庫少之又少，樣本數量也是少之又少。主要是因為遙感樣本庫不僅場景、成像過程復雜，而且樣本庫的形成也是非常復雜的過程。我們團隊經過十年工程迭代，建立了超大規模遙感樣本庫，有效涵蓋全國范圍/部分全球，可以滿足五十幾種產品研發和生產。

有了數據，怎么把影像數據輸入到AI系統當中，也就是解決吃得下的問題。
深度學習框架就是解決此工作的，但在面對具有多通道、大場景、具有地理坐標和豐富信息的遙感數據，現有的深度學習基礎框架和針對自然圖像的框架并不能很好地適用遙感數據。所以，我們基于對遙感數據的理解和在AI智能分析方面的經驗，經過幾年的工程研發，研究出了業界首套全遙感體系的專用深度學習框架，能夠滿足遙感分割分類、目標識別、變化檢測和遙感參數反演。

深度網絡模型吃下遙感數據如何消化吸收，充分提取遙感信息是釋放遙感價值的關鍵所在。
遙感具有豐富的光譜、輻射、紋理和語義等信息，其中遙感圖像的“譜”特征是遙感圖像和自然圖象最本質的區別。但如何結合地學場景下、構建融合遙感特征的深度學習網絡算法模型，這是釋放遙感價值的最關鍵環節。例如這里的耕地在可見光影像下是一片綠，而利用多光譜圖像能將不同作物進行區分，也就是利用地物的光譜信息能實現更加精準的分類。

如何提高模型泛化能力，實現大場景應用需求，這是開展遙感應用不得不解決的問題。
遙感應用場景巨大且非常復雜，再疊加遙感成像過程的復雜，使得“同物異譜、同譜異物”現象非常普遍。以常用的水體為例，水體中泥沙和葉綠素差異、不同水質、不同溫度和光照條件下都都使水體產生巨大差異；再如看似簡單的室外田徑場不僅自身差別大，而且有很多“李逵”來搗亂，多種因素的疊加使得在大范圍內實現精確識別都非常困難。而這些問題一方面依靠我們大規模樣本庫，另外一方面也依靠模型算法改進加以解決。

如何把過程簡化甚至自動化，這是遙感走向平常百姓家的前提。
為此，我們研發了蒼靈AI ImageBot智能簡易平臺，構建了從原始衛星影像到遙感專題信息產品生成的全流程、自動化、流式快速產品生產線，可實現遙感信息產品的“近實時”生產、算法與產品的“進化與迭代”。

主要產地品與典型應用

前面提到地是遙感圖像得到的信息，實際中遙感技術AI應用非常廣泛。例如：列出的這些自然資源、城市監管、全球戰略都有廣泛的應用前景，都可針對不同行業做出屬于自己的產品。

這張圖是我們第一次實現了利用米級圖像實現全國目標的全自動識別，我們用一臺服務器在3天內完成了全國室外運動場識別，精度超過95%，也也應該是業界第一次在這么高分辨率實現全國產品生產。

基于這些全國規模的專題數據，即使使用簡單的顏色渲染就可以把中國經濟、人口發展分布勾勒地比較清晰，這也正是大數據魅力所在。

綜合利用多種信息，通過空間分布信息和時間監測信息，能夠對很多內在規律進行探尋，例如對京津冀霧霾原因的分析，很顯然工業污染是最主要的霧霾元兇。

綜上，遙感記錄了人類幾十年的真實發展過程，我們利用這種AI+遙感數據可以提高快速分析能力，實現四十年滄海桑田信息變化的監測。我們也能夠從全球角度來觀察和思考問題。例如把全球鋼鐵廠、火電廠、水泥廠放在一起，從全球角度來說，有四個地區，兩個歐美發達國家，兩個發展中國家——印度和中國；從具體數據來看，中國占了半壁江山，這說明國家發展主要由GDP總量和增速決定的。通過這些數據，我們可以開展很多方面的應用。

總結

以上是生活随笔為你收集整理的AI+遥感：释放每个像元价值（人工智能应用案例）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。