智能遥感：AI赋能遥感技术的创新应用与发展

随着人工智能技术的持续演进与落地应用，地理空间大数据与AI的深度融合正成为遥感领域的主流趋势。简而言之，即利用人工智能分析遥感数据，从海量影像中自动提取信息、解读地表变化。本文围绕遥感数据从获取到应用的全链条——整体观测、分析解译、规律挖掘，综合国内外文献与报道，梳理了五个关键方向的研究进展：遥感数据精准处理、时空处理与分析、目标要素分类识别、数据关联挖掘，以及开源数据集和共享平台。

具体来看：在精准处理方面，我们回顾了光学与SAR数据成像质量提升、低质图像重建，以及图像匹配技术的进展；在时空处理方面，聚焦了影像时间序列修复和多源遥感时空融合；在目标分类识别方面，讨论了典型地物要素提取与多要素并行提取；在关联挖掘方面，分析了数据组织关联与专业知识图谱构建。此外，针对大智能分析的需求，还专门回顾了开源数据集和共享平台的建设情况。最后，基于以上梳理，给出未来发展趋势与展望。

引言

近几年来，国内外人工智能的发展与应用可谓如火如荼。促成这一局面的原因，归结起来就是两个关键词：“大数据”与“高算力”。在地理空间数据分析领域，这一变化同样显著——在国家高分专项等重大任务的推动下，可获取的遥感数据日益增多；与此同时，以“云+端”为代表的高性能计算框架不断升级，算力持续增强。在此背景下，以地理空间大数据为基础，借助人工智能技术挖掘深层信息、拓展应用场景，正成为该领域长期发展的核心主题。

发展遥感智能分析技术的目标，在于将长期积累的遥感数据转化为对观测对象的整体认知——不仅要知道目标是什么、在哪里，还要了解其属性变化与演化规律。这主要包括几个关键环节：遥感数据精准处理、时空处理与分析、目标要素分类识别、数据关联挖掘。此外，面向大智能分析的需求，开源数据集与共享平台方面也取得了诸多进展。

遥感数据精准处理，旨在将传感器获取的原始信号转化为与地物属性精确关联的图像产品。传统方法依赖卫星传感器、传输环境、地形等先验模型以及外场定标试验，建立成像模型。但随着传感器分辨率提升、新技术涌现，先验模型的建立愈发困难，外场定标成本也日益高昂。而且这种方式是“一星一议”，无法实现多星统一。因此，如何利用深度学习网络重构传感器物理模型，以大量历史数据和标注结果为输入，实现多星一体化的精准处理，便成为一个核心课题。

遥感数据时空处理与分析，关注的是多时相影像。相比单时相数据，多时相影像能够展示地表动态变化与演化规律。但问题在于：一方面，遥感的时间分辨率与空间分辨率往往难以兼得；另一方面，光学影像容易受云层遮挡，特别是在我国西南等多云多雨地区，数据缺失严重。这限制了多时相影像的应用——例如森林退化、作物生长、城市扩张监测等。数据缺失会拉长时间间隔、造成时序不规则，增加后续处理难度。因此，时间与空间维度的处理分析，对提升遥感数据可用性至关重要。

遥感目标要素分类识别，面临的是噪声大、信息提取难的问题。传统方法大多未能充分利用深度学习的自主学习能力，依赖有限的计算手段，难以同时满足高精度与低虚警率的要求。如何在传统数学分析方法基础上引入人工智能，定量描述目标模型失真与背景噪声的影响机理，是遥感智能分析的关键科学问题。解决好这一问题，有望构建统一的深度学习自动化分析框架，融合模型、算法与知识，提升智能化水平。

遥感数据关联挖掘，随着大数据的到来，我们可以更便捷地获取高分辨率、高时间频率的数据。对目标信息的需求，也从静态解译扩展到了全维度的综合认知与预测。这就需要基于海量多源异构数据，实现时间、空间等多维信息的快速关联组织与分析——这是未来遥感解译的重要方向。

遥感开源数据集与共享平台方面，现有数据集普遍存在规模小、缺乏遥感特性的问题，深度学习平台也难以有效支撑遥感应用。如何结合遥感数据特性，建设更具特色的开源数据集与共享平台，是遥感智能生态建设的重要内容。本文就围绕这五个方面，系统论述遥感智能分析的发展现状、前沿动态、热点问题与未来趋势。

01 国际研究现状

1.1 遥感数据精准处理

利用智能手段进行遥感数据预处理，国际上已有不少探索，主要集中在光学、SAR数据的配准、校正等方面。

1.1.1 光学/SAR 精细化处理

遥感图像是应用分析的基础，其质量直接决定应用效果。评价指标包括时间/空间分辨率、幅宽、空间特征、光谱特征、辐射几何精度等。高质量影像追求高分辨率、高信噪比。提升质量的方法大致分两类：一是改进传统成像算法，直接获得高质量图像；二是对已有的低质图像进行去噪、去云、超分辨率重建等后处理。

与传统的SAR成像算法相比，基于深度学习的方法可以简化流程。Rittenbach等人（2020）提出了RDAnet，直接从原始雷达回波数据训练得到SAR图像，将成像问题转化为监督学习问题，这是首个基于深度学习的SAR成像算法。Gao等人（2019）利用深度网络进行线谱估计，应用于三维SAR成像，大幅加速了成像过程。Pu（2021）提出了深度SAR成像算法，减少了采样量，并借助深度学习进行运动补偿，有效消除运动误差。

单靠提升卫星载荷来推高分辨率，成本过高，限制了大规模应用。超分辨、图像重构等信号级、图像级处理方法提供了另一条路径。Wei等人（2021）提出了基于MC-ADM和PSRI-Net的两种参数化超分辨率SAR重建方法，通过端到端训练学习参数。Luo等人（2019）利用卷积神经网络进行SAR超分辨率重建，效果良好。针对生成对抗网络在光学图像超分辨与去噪中的信息损失问题，Feng（2020）提出在小波变换域用生成对抗网络进行超分辨与去噪。Xiong（2021）改进了SRGAN，增强了跨区域、跨传感器的迁移能力。Bai等人（2021）采用改进的密集连接网络进行超分辨重建。Dong等人（2020）利用反投影网络实现超分辨率。Tao（2020）提出了DPSR框架。Yang等人（2020）采用多尺度深度残差网络（MDRN）去除云层。Wang等人（2021）构建了SAR辅助的光学去云数据库，利用条件生成对抗网络实现了薄云、厚云下的有效复原。

目前，人工智能在遥感数据处理与图像质量提升上的应用，主要得益于机器学习的引入。基于GAN的方法试图用生成器绕过高分辨率图像难以获取的问题；无监督学习方法通过学习退化前后的关系来重建高分辨率图像。迁移学习能够从其他域获得先验信息，再在目标域优化，这为解决遥感图像质量提升提供了新思路。不过，遥感图像的作用距离远，分辨率和清晰度相比自然图像仍有差距，细节丢失较为严重。

为了从遥感图像中获取更丰富的信息，需要提取空间特征（注意力机制、局部-全局联合特征等），也需要进行可视化增强（边缘增强、小波变换等）。面向细节解译，还需对弱小目标和细微结构进行检测与增强，弥补细节缺失带来的信息损失。

1.1.2 光学/SAR 定量化提升

定量化提升主要涉及几何、辐射、光谱、极化等方面。核心思路是寻找稳定点，消除成像畸变，使产品能够真实反映地物信息。国际上，神经网络技术主要被用于提升图像匹配精度，从而带动几何定位精度的提升。深度学习使遥感图像匹配技术有了系统性进步，匹配精度显著提高。

典型的匹配方法分为两种：局部特征点匹配和区域匹配。局部特征点与场景松耦合，对仿射变化、辐射变化不敏感。目前基于特征点匹配的研究成果较多。特征点匹配包括关键点检测和描述子提取两个环节。深度学习在局部特征点匹配上的应用大致分为三个阶段：第一类方法重点解决关键点检测——如何获得特征点的方向、位置和尺度。Sa vinov等人（2017）采用无监督学习，将像素点映射为响应图，取响应值的顶部/底部作为关键点。Ma等人（2019b）采用由粗到细的策略，先用CNN计算近似空间关系，再结合空间关系进行匹配，兼顾精度与鲁棒性。第二类方法聚焦描述子提取——用一组特征向量表示描述子，通过端到端训练获得。Simo-Serra等人（2015）提出了DeepDesc，利用Siamese结构构造128维描述子，通过欧氏距离衡量相似性。第三类方法联合训练关键点检测与描述子提取。Yi等人（2016）提出了LIFT网络，是最早解决联合训练的网络之一。Ono等人（2018）的LF-Net采用Siamese结构训练，通过深层特征提取网络生成特征图。Shen等人（2019）以LF-Net为基础提出了RF-Net，保留了遥感图像的低层与高层特征，描述子提取采用Hard-Net结构。

相比局部特征点，区域特征对整体性表征更完整，对区域形变、变化更稳定。传统区域匹配的代表是模板匹配。深度学习用于区域匹配也有两类方法：第一类利用分类技术解决匹配问题。Han等人（2015）的MatchNet提取区域特征，用全连接层输出相似性，再通过Softmax分类。Zagoruko等人（2015）的DeepCompare对光照和角度变化有很好的适应性。第二类方法构建合适的描述子。Tian等人（2017）的L2-Net生成128维描述子，采用递进采样策略遍历大量训练样本，泛化能力良好。

可见，深度学习的引入在特征提取、关键点检测、描述子提取等多个方面优化了匹配能力。随着网络结构与训练方式的进步，基于深度学习的匹配算法仍有很大的研究价值与应用前景。

除了几何定量化，少数研究也探索了神经网络在辐射、光谱、极化定量化方面的应用。杨进涛等人（2019）利用海量SAR数据挖掘地物散射稳定特征，作为定标参考。Jiang等人（2018）提出利用普遍分布的地物进行串扰和幅相不平衡的定量评价，实现极化校正性能的实时评估。不过，神经网络在这些领域的应用还不够深入，后续有进一步系统化研究的空间。

1.2 遥感数据时空处理与分析

近年来，多源遥感时间与空间协同处理的研究陆续展开，目标是实现多源数据互补协同、融合重建，提高时空分析能力。

1.2.1 遥感影像时间序列修复

研究人员构建了大量时序影像修复与重建方法。根据参考数据的不同，大致分为三类：基于影像本身的修补、基于参考影像的修补、基于多时相影像的修补。

基于影像本身的方法，利用同一影像上无云影区域的数据来修补缺失区域。它假设缺失区域与剩余区域有相似的统计和几何纹理结构，通过传播结构来重建。常用方法有缺失像素插值、影像修补、模型拟合等。这类方法能重建出看似真实的影像，但对地物类型很敏感，修补数据不适合进一步分析，且误差会累积，难以修复大区域或异质缺失。

为了克服这一瓶颈，Chen等人（2016）提出了基于参考影像的方法。这类方法利用不同光谱数据之间的强相关性，用对云不敏感的光谱波段来重建缺失数据。例如用MODIS第七波段修复第六波段，用Landsat近红外波段估算水面可见光波段，用合成空间雷达数据重建光学数据等。但这类方法受限于光谱一致性、空间分辨率和成像时间相关性，难以重建高质量的时序数据。

前两种方法都假设重建影像没有渐进变化，这种平稳性假设在土地覆盖变化、作物生长监测等应用中是个弱点。遥感卫星有固定的重复周期，同一区域不可能总被云影覆盖，因此很容易获得多时相影像。这些有云和无云的影像提供了利用多时相影像修复的可能（Chen等，2011）。这类方法包括两步：查找相似像元或区域，然后利用它们预测缺失数据。Roy等人（2008）集成空间、光谱和时相信息来度量相似性。Gao等（2017）提出了多时相直接替换、泊松方程复制、时空加权插值等方法，也吸纳了条带修复的方法如NSPI（Zhu等，2011）和WLR。近年来，深度学习方法也被应用：Grohnfeldt等人（2018）用生成对抗网络融合雷达和光学数据生成无云影像；Malek等人（2017）用自动编码网络构建映射函数；Zhang等人（2018a）用深度卷积网络集成光谱、空间和时相信息来修复缺失数据。

现有研究取得了不错效果，但仍有局限：（1）时间趋势比光谱和空间相似性能更详细地反映地表变化，但传统方法中的简单线性回归很难捕捉复杂的非线性趋势；（2）现有的深度学习方法多用空间卷积网络（CNN）获取纹理信息，需要大量训练样本，很少有研究用循环神经网络（RNN）学习跨影像的时间趋势；（3）云影出现在不确定的区域和时间，像元级时序难以保证间隔相等和时相对齐，加大了重建难度。

1.2.2 多源遥感时空融合

遥感图像融合研究大致分为两个阶段。第一阶段主要做全色增强——融合同一传感器的全色与多光谱波段，生成高分辨率多光谱图像，这类算法已很成熟。第二阶段是多源多分辨的时空融合——融合高空间分辨率数据与高时间分辨率数据的优点，生成兼具两者优势的数据。这类研究从近十几年才起步，成果相对较少，但对应用意义重大。

时空融合算法最早见于2006年美国农业部Gao的研究。他在Landsat ETM+和MODIS数据的地表反射率融合中提出了STARFM模型，能够生成逐日（MODIS时间分辨率）且具有Landsat空间分辨率的反射率数据。此后基于STARFM或其他理论的融合算法相继出现。目前的算法大致分为三类：基于解混、基于滤波和基于学习的方法。基于解混的方法通过光谱替换生成融合图像；基于滤波的方法通过加权求和得到预测像元值；基于学习的方法（Huang等，2012；Song等，2012）先学习传感器图像之间的映射关系，然后将先验信息融入模型。基于学习的时空融合起初多在MODIS和Landsat上试验。Song等人（2012）提出基于稀疏表示的时空反射融合模型，在差分域学习字典对信息。由于两种图像空间分辨率差异大，作者设计了双层融合框架，大幅提高了精度，但字典对中的扰动问题一直存在。Wu等人（2015）引入误差边界正则化解决了扰动问题。

近年来，深度卷积神经网络表现优异。Song等人（2018）提出了STFDCNN，分两阶段学习：先学习降采样Landsat与MODIS之间的映射，再学习降采样Landsat与原始Landsat之间的超分辨率映射。虽然STFDCNN性能大幅超越其他算法，但网络层数较少（仅3个隐藏层），难以充分学习MODIS-Landsat之间大尺度差异的非线性映射。如何处理不同传感器之间的空间差异，如何确定最优层数与卷积核数目，仍是待解决的问题。Kim等人（2016）在超分辨重建中利用残差网络训练深层模型，对后续融合研究有启发。

1.3 遥感目标要素分类识别

经典方法一般是“单输入单输出”的架构，不同目标、不同模态、不同任务通常需要设计不同的专用网络。但实际应用中，我们常有多种模态数据输入，也需要多种决策输出——例如人类的感知系统会结合听、说、看等多种输入，给出位置、属性等多种信息。传统模型难以实现这种“多输入多输出”能力，主要问题有三：一是对新场景、新任务适应能力不足；二是特征提取过程独立，难以共享增益；三是简单叠加会导致计算与空间复杂度显著上升。因此，当前的主流方向是多要素信息并行提取，通过探索多模态数据、多任务特征的共享学习，在降低复杂度的同时提升泛化能力。

1.3.1 典型遥感目标要素提取

传统方法针对不同目标设计不同流程。流程设计主要解决两类问题：一是分析遥感数据本身的特征与特性，为构建合适的模型提供依据；二是构建适合遥感数据特点的专用网络模型，改进通用模型在遥感数据中的应用能力。遥感数据获取涉及电磁波散射、大气辐射、目标反射等与自然场景不同的因素，对这些特性的分析与表达是构建有效模型的基础。

Kusk等人（2016）和Hansen等人（2017）通过对SAR成像时地形、回波噪声等要素建模，用3DCAD实现不同类型地物要素的SAR图像仿真。Yan等人（2019）对舰船等目标进行三维模型构建，生成仿真点云数据。Ma等人（2019a）提出包含生成与判别结构的网络，通过对抗学习增强样本真实性。Zhan等人（2017）和Zhu等人（2018）提出针对高光谱影像分类的生成对抗网络模型。Zhang等人（2018b）设计条件生成对抗网络用于飞机目标精细仿真。Yan等人（2019）基于点云在三维空间上构建船舶模型，用正射投影投影到遥感图像上生成仿真数据。为了提升仿真对象与背景的适配性，Wang等人（2020b）用CycleGAN对仿真飞机目标和背景进行自适应调整，设计了一种目标检测的数据生成框架。在地物要素分类任务上，Kong等人（2020）利用CityEngine仿真平台的批量建模特性，首次探索广域城市级场景建模，发布了用于建筑物分割的遥感仿真数据集Synthinel-1。

在专用网络模型设计方面，主要结合遥感图像中目标旋转、多尺度、分布特性等特点，针对性设计网络结构。Zhou等人（2018）设计源域到目标域数据共现特征聚焦结构，提升高光谱语义分割效果。Luo等人（2018）针对类内特征分布差异，提出均值差异最大化约束模型。Rao等人（2019）设计自适应距离度量模型，提升分类精度。Kampffmeyer等人（2016）针对地物数量、空间分布差异大的问题，提出结合区域分组与像素分组的训练策略。Liu等人（2017）针对尺度差异大的特点，提出基于沙漏网络的多尺度特征增强模型。Marcos等人（2018）提出基于旋转卷积的多源数据提取网络，编码旋转不变性特征。Peng等人（2020）基于注意机制和密集连接网络有效融合DSM数据与光谱图像。Hua等人（2021）提出特征与空间关系调节网络，利用稀疏注释和无监督信号来补充监督任务，显著提升语义分割性能。

随着分辨率提升、网络加深、参数增多，模型越来越庞大、计算越来越慢。但星上实时处理对计算与存储资源有限制，因此一些工作尝试在保留高性能的前提下减少参数、提高速度。Valada等人（2019）用分组卷积设计高效的空洞空间金字塔池化，用于高分辨遥感图像地物提取，参数量减少87.87%，FLOPS减少89.88%。Zhang等人（2019b）基于深度可分卷积设计SAR图像船舶检测的特征提取网络，检测速度提高2.7倍。Cao等人（2019）用深度可分卷积提取数字表面模型数据，无需预训练即可快速收敛，训练时间降低50%以上。Wang等人（2019b）提出轻量级网络MFNet，实现高分辨率航拍数据高效分类，参数量减少40%，推理速度提高27%。Ma等人（2020）针对灾后损毁评估，以ShuffleNet v2为基础设计轻量化建筑物提取模型，精度提升5.24%，速度提高5.21f/s。

这些方法通过结合目标要素特点，提升了传统模型在遥感数据上的应用能力。但对不同类型数据、不同特征，仍缺乏统一的网络结构进行表征，多要素多任务并行网络仍需进一步研究。

1.3.2 多要素信息并行提取

多要素信息并行提取的研究，主要探索如何在一个统一模型中实现多种遥感地物目标的类别、位置等属性信息的高精度获取。针对这种“多输入多输出”场景，现有方法重点研究多模态输入数据的特征表示与多任务输出特征的共享融合。

特征共享研究方面，根据参数共享方式不同，有硬参数共享和软参数共享两种。硬参数共享用同一模型实现多任务分支的特征共享。Liebel等人（2020）面向城市建设状况分析，让多个任务共享同一编码器，分别解码，同时输出建筑物位置与深度。Papadomanolaki等人（2019）将地物要素重建模型融合到分类模型中，约束训练提升效果。Khalel等人（2019）在一个网络中同时嵌入图像锐化与地物要素分类。Rosa等人（2020）设计面向农业生产监控的多任务全卷积回归网络。软参数共享则将针对不同任务的多个独立网络通过参数加权连接，实现共享输出。Volpi等人（2018）将条件随机场拟合结果与图像同时作为输入，构建类内相似度与边界值预测两个分支，改善分类结果。Zhang等人（2019a）面向极化SAR多通道数据，用独立网络对幅值与相位分别建模，用分类器联合约束训练。Shi等人（2020）针对高光谱多类要素分类，用多任务集成学习选择最优通道组合。

多模态数据的联合特征表示——如图像纹理、三维高程、目标矢量拓扑等——能有效提升各类任务性能。Chen等人（2019）针对洪灾检测，提出融合多时相多模态图像的模型。Fernandez等人（2018）将SAR图像与多光谱图像作为输入，进行无监督地物分类。Benson等人（2017）在森林冠层高度估计中，利用光谱特性数据改善了传统方法的精度。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：智能遥感：AI赋能遥感技术的创新应用与发展要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题