任何颠覆性新技术由愿景到成熟应用，从“思想火花”到“物质成品”都有一个发展过程。遥感技术诞生于20世纪60年代，经过几十年的迅速发展，成为一门实用、先进的空间探测技术。

 

      未来十年，遥感是否可以深刻地影响社会发展，切实解决生产生活中的问题，兼具普适性和经济价值，其关键点在于对遥感数据的解译和应用。如果人工智能技术与遥感的结合打开未来遥感行业应用大门，这将带来怎样的变革呢？

 

      传统遥感解译技术对精准快速的处理效果不理想，对精细化状态分析缺乏有效手段。最为掣肘的是图像解译方法主要依赖人工判读和半自动化软件解译，这使得遥感应用无法从根本上脱离其劳动密集型的“传统”。

 

      多源遥感数据量的激增、遥感数据分析市场的巨大前景和传统遥感技术的瓶颈三者之间的沟壑急需一种全新的高效、精准、便捷的技术手段来填平。

 

      遥感技术与人工智能技术的结合，将人工智能赋能遥感技术，贯穿海量多源异构数据从处理分析到共享应用的全链路，在大幅缩短遥感图像解译周期、提高解译精准度的同时催生新的遥感应用领域，促进遥感技术应用的变革。

 

2019世界人工智能大会期间

商汤为世博园区做的城市变化监测

 

  AI+遥感在部分应用场景中面临巨大挑战

 

      伴随着人工智能技术近年来的蓬勃发展和广泛应用，遥感技术对新型解译能力的需求迫切，越来越多的高科技公司和科研院校已着手尝试利用深度学习解决海量遥感影像的解译问题，并取得了一些阶段性进展，付诸于遥感行业应用上。

 

      其中较为典型的例子，如商汤科技在2019年WGDC上发布的SenseEarth智能遥感在线解译平台和其背后作为支撑的SenseRemote智能遥感解译系列产品，其像素级解译分类精度超过 95%、目标检测准确率优于 98%；适用于包括目标检测、变化检测、地表信息提取、土地利用类型分类等多个遥感应用场景。

 

      然而，虽然现阶段人工智能与遥感技术的结合已经取得了一些进展，在部分应用场景中利用深度学习技术解译遥感影像的处理精度、效率和自动化程度都有较为明显的提升，我们却不得不正视目前成果的局限性和未来发展所面对的巨大挑战。

 

      首先，目前大部分人工智能遥感应用均采取监督学习的方法，利用此类技术对海量遥感数据进行智能解译的基础，是前置的对同样海量特定解译对象已标注样本的训练工作；而遥感应用场景的丰富性，多样性，甚至同一解译对象在不同空间、时间维度下所展现出不同的特性，使数据样本的复杂性呈几何倍数的增长，导致可以将大部分遥感应用领域中正确标注的样本集合成库，从而训练出有效解译模型的可能性极低。

 

      这种复杂性使得基于监督学习方式，通过深度学习方法得到的遥感智能解译模型很难具备普适性和复用性。

 

徐州市沛县冬小麦提取

 

      其次，遥感数据来源的多元异构化，不同遥感平台，不同载荷成像机理，不同的空间时间光谱分辨率、精度、时效性等等都给遥感数据的一致性处理带来巨大的挑战，如何利用多源异构数据构建“一张图”式的应用场景，使得人工智能技术可以便捷地解决海量异构数据时空信息提取分析困难的问题将是破局遥感行业发展桎梏的重中之重。

 

建筑物检测

 

      第三，鉴于人工智能遥感技术发展的综合性，其发展不仅仅依赖遥感与人工智能自身的技术迭代和发展，计算机技术、神经科学等与之相关联各个领域的技术与理论革新都会一定程度上影响着人工智能遥感行业的前行速度，这使得人工智能+遥感技术在产生广泛的经济效益前，存在着漫长的研发周期和风险成本。

 

  人工智能遥感的未来在哪里

 

样本积累

 

      鉴于现阶段构建人工智能遥感解译深度学习算法模型对海量标注样本的依赖，利用云、区块链等新兴网络共享技术，将散落在各个行业领域中遥感样本关联整合起来，互为补充，同时利用数据仿真技术的发展，共同构建属于大行业范畴的解译模型库也许是解决智能遥感技术发展中样本不足的途径之一。

 

      在SenseEarth智能遥感在线解译平台的规划中提到，“在未来，一个轻量级在线样本训练平台系统将搭载上线，希望借此与用户将产生更多的交流与合作，以商汤的前沿算法储备和雄厚计算资源与全领域用户手中的存量样本数据产生火花，共同扩展遥感样本库，训练出更多更精准覆盖全领域的解译模型，以知识共享的理念推动AI+遥感的发展进程。”

 

SenseEarth智能遥感影像解译平台

用地分类演示

 

无监督学习

 

      从另一个角度来看，目前深度学习的基础是对大量被正确标注的结构化样本数据的训练，然而遥感数据大部分是未经标注和整理的，这意味着这些数据对于大多数目前的监督式学习来说并不可用。

 

      标注样本集或许过小、或许标注存在偏差，在训练一个复杂的遥感解译模型时，由于大量可学习参数与训练样本强关联，使用小数据集可能会导致过度拟合，最终我们得到的可能是一个仅适用于这些训练样本的模型，而不是从数据中学习一般概念的模型。

 

道路检测

 

      无监督学习算法将会是解决遥感数据标注样本稀缺的重要技术发展方向，与监督学习事先进行标注分类截然不同的是，无监督学习可以很好的帮助我们根据类别未知的无标注的训练样本，解决遥感数据解译中的各种问题，使机器本身代替我们对影像数据集进行聚类和分析。

 

      在面对海量遥感数据时，我们要处理的不再是进行结构化标注完善的各类样本，而是遥感数据本身——无监督学习。

 

决策型的人工智能解译

 

      在实际业务场景中，我们需要给出的往往是一个综合性解决方案，这意味着解译模型的建立必须基于多源异构遥感数据，以多类别针对性的分析方法共同得出结论。

 

      而以往的人工智能遥感大多是对传统数字图像处理方法的迁移，甚至仅以统计学的理念来解决问题。决策型的智能技术将成为未来的主流发展方向之一，这里的“决策”并不仅是利用成果帮助用户进行判断，而是在智能解译数据时让系统自带决策功能，如人的学习和思维一样，在分析问题时，利用“经验”自主的选择判断依据，对特定场景进行其包括专业性网络模型的适配、异构实体网络的自主构建、多多关联关系的动态优化等。

 

飞机检测

 

      未来，当我们对细分目标对象建立了足够多离散的智能解译模型时，或许需要一种可以将数量庞大的模型库总结归纳的方法，一个可以实现自我学习迭代、自我决策的系统。

 

      基于积累的模型设计经验，可以进一步将模型模块化，并建立一个模型搜索空间，通过增强学习，在搜索空间中寻找与自身问题更匹配的针对性模型，这个模型可以被理解成各种网络的网络、模型的模型，分散到聚合，繁复到简约，专业到大众，将使得人工智能遥感真正成为可以被广泛深度使用，解决现实复杂业务问题，进而开拓崭新应用场景，产生巨大经济价值与社会效益的新型技术手段。

 

     本文转载自商汤科技SenseTime