遥感与人工智能

智能遥感是将AI用于遥感，贯穿海量多源异构数据从处理分析到共享应用全链条，高效精准处理遥感数据，催生新的遥感应用，促进遥感数据服务模式的变革。以机器学习为基础，AI的数据、算法、算力三大要素植入到遥感应用中，就是融合目标特性和专家知识，支持提供各类专题数据、业务数据和基础数据，实现定量遥感的跨越发展。                                                                                                                                                                          ——吴一戎

背景与现状

我国已建立起自主的对地观测系统，数据获取手段和速度增长超越任何时期，但是现有的遥感数据处理和应用效果还有很多发展空间，比如精准快速处理效果还不够理想，对精细化状态的分析还缺乏有效的手段，大批量数据的持续观测仍需要人工手段，数据共享率低，精准服务能力弱，数据产品不完整等。

遥感从数据的引接、处理、挖掘、关联、共享和应用是一个全链条的应用，全链路智能遥感体系需要解决链路长、处理环节多、关键技术复杂等相关问题。而许多现有工作，比如自动配准和地物要素的方位和目标提取，都还多是孤立的点上开展，还没有形成系统性的完整体系。

智能遥感核心问题

 ●  遥感数据智能处理：要解决海量数据的精准处理，以统一的基准，使不同的处理具有统一的标准和相互的融合。

    遥感数据具有多传感器、多分辨率、多时相、多要素的四多特点。传统遥感处理是针对每颗卫星、每一个载荷，能够高精度的处理。而面向智能的应用必须有统一的基准，才是高效的解决问题的方向。

    单层图像处理强调校正精度，多层数据处理则一定是实现在统一的框架下融合。因此，其中的技术难点在于如何使不同传感器、不同的分辨率、不同时相的多层遥感数据，可以统一在一个标准框架下。

 ●  遥感数据智能挖掘：基于统一框架下，解决时空异步信息的提取和融合分析问题。使不同时间、空间获取的数据，最终形成可自学习的定量的融合模型、专业的网络模型，建立样本采集和积累的机制，实现多源持续观测，实现自动化处理的一致性、准确性和鲁棒性。

 ●  遥感数据智能治理：遥感大数据是异构数据，很多信息是不统一、不完整的，需要解决数据全要素多维自主高效关联的问题，使这些数据清理成为支持智能提取的数据，其中的难点是数据的属性是互不相同的。目前我们只在一些领域能过做到治理，还有很多问题未彻底解决。

智能遥感的典型技术

 ●  单传感器的数据精准处理

 ●  多源遥感数据一致性处理

 ●  遥感目标多任务学习

 ●  多源协同共性定量遥感产品生成

 ●  遥感数据组织关联

 ●  遥感大数据的新应用

两种技术途径并行发展，解决智能遥感中的问题，构建智能遥感支撑应用的新模式。

 ●  小样本学习，解决机器学习目标特定和专家经验，提升处理未知新目标的时效性。

 ●  大样本学习，通过海量遥感数据训练，提升模型的鲁棒性，减轻人力负担。

下面为完整PPT

↓↓↓

- END -