智能遥感解译研究面临的挑战、最新进展及解决

龚建亚，武汉大学遥感信息工程学院院长、教授、博士生导师。 （资料图）

新一轮技术革命和产业变革的大幕早已拉开。作为当前全球科技竞争的制高点，人工智能已成为世界主要国家推动技术跨越发展、实现产业优化升级、赢得全球竞争主动权的关键。在我国，人工智能甚至上升到国家战略。

随着人工智能的深入发展及其与各行业的深度融合，跨领域、整体格局正在成为新趋势。许多行业可能会在这种变化中消失，而另一些行业会迅速发展。遥感是一个与人工智能密切相关的领域。应用人工智能技术实现遥感影像自动解译具有重要意义。智能遥感解译技术可广泛应用于国土资源与环境监测、作物监测与产量估算、森林碳汇估算、国防安全等诸多领域，是国家战略需要，相关研究探索已一直备受关注。

智能遥感解译是深度学习与遥感应用深度耦合的交叉领域

这场人工智能热潮始于深度学习方法在图像识别等领域的成功应用，人脸识别技术得到了广泛应用。遥感是一种特殊的图像。早在2013年，国内外学者就开始利用深度学习的方法进行智能遥感解译研究，涵盖目标与场景检索、目标检测、地物分类、变化检测、三维重建等。应用场景，并取得多项研究成果。

虽然深度学习方法在目标检索和变化检测方面取得了重要进展，但部分成果已经达到了实用性水平。但是，由于遥感图像比人脸识别图像复杂得多，目前智能遥感解译方法还没有得到广泛应用，特别是在自然地物的分类上，难以满足业务应用的应用需求，我国家地理国情监测和第三类国土资源调查等重大项目仍主要采用人工解译方法。由于遥感图像和应用的特殊性，通用人工智能方法在遥感智能解译中遇到了挑战。

与人工智能数据、算法和算力三要素类似，智能遥感解译也具有三大核心要素，遥感影像样本库、遥感智能解译算法和模型，以及能够实现大数据的硬件平台——规模计算。目前算力基础设施可以使用通用的硬件平台，但由于遥感影像的特殊性和应用的多样性，需要构建开放统一的基准影像样本库，以及高效可靠的遥感解译算法和模型。

智能遥感解译研究面临的挑战及可行对策

虽然利用深度学习方法进行遥感解译的相关研究已有不少，但在实际应用中，在图像样本库、深度学习框架、AI算力等方面仍存在挑战。首先，大规模样本库是数据驱动的遥感智能解译，但目前遥感领域还没有大规模的“像素-目标-场景”多级多任务，包括目标检索、目标检测、地物分类、变化检测和 3D 重建。公开数据集的开放解译数据样本库缺乏统一的格式接口和标准规范，远不能满足遥感智能解译的要求。迫切需要突破现有样本库不完善导致的标注模型局限性，使样本库能够智能扩展和细化，实现样本库的可持续建设。其次，一般的深度学习网络难以应用于遥感分类等应用场景，还没有达到商业应用的水平。在遥感专用深度学习框架模型中，需要考虑多维时空谱的特点，满足高效灵活的自动内存扩展、尺度和通道自适应优化的要求。最后，遥感专用深度学习神经网络虽然可以训练大型遥感模型，但由于成本昂贵、计算能力不足等突出问题，解决自然地理要素和特征分类等问题仍然非常困难。未来数据集的丰富。大挑战。

如何解决这些问题？笔者经过多年研究，认为有以下三点对策可供参考。一是围绕多源遥感影像的智能识别与判读，开展适用于深度学习训练与测试的遥感影像样本库的动态扩展与自动细化机制研究；二是针对遥感影像的特点和应用需求，研究遥感影像深度神经网络的开源架构和模型，构建一个兼顾遥感特点的遥感专用应用网络；三是依托武汉人工智能计算中心等密集算力基础设施，高效利用其普惠算力，同时充分发挥其应用创新孵化和智能遥感领域人才赋能的作用，提供取之不尽用之不竭的能力。推动智能遥感解译研究。

测绘遥感信息工程国家重点实验室，提供智能遥感解译研究解决方案

针对智能遥感解译的具体研究，我们一直在不断探索。武汉大学围绕国家重大需求，成立了中国第一个测绘遥感国家级重点实验室——测绘遥感信息工程国家重点实验室。从事航天摄影测量、空间信息系统与服务、遥感信息处理、3S等业务。有针对性的研究融合与网络通信、导航与定位、定位服务。测绘遥感信息工程国家重点实验室、武汉大学遥感信息工程学院获批国家自然科学基金“空间信息网络”重大计划集成项目“大尺度遥感影像”样本库建设及开源遥感深度网络框架模型研究》，目标是构建大规模的遥感影像样本库和专用的遥感深度学习网络框架。项目明确提出五个“一个”研发目标，即“一套”遥感框架、“一个”样本库、“一套”众包样本采集工具、建立“一个”开源遥感智能解读社区和“一个”系列”应用研究成果。

文章来源：《遥感学报》 网址: http://www.ygxbzz.cn/zonghexinwen/2021/0714/724.html