智能遥感解译研究面临的挑战、最新进展及解决方案

武汉大学遥感信息工程学院院长、教授、博士生导师龚健雅。（资料图）

新一轮科技革命和产业变革的大幕早已掀开。作为目前全球科技竞争的制高点，人工智能已经成为世界主要国家推动科技跨越式发展、实现产业优化升级、赢得全球竞争主动权的关键抓手。在我国，人工智能更是上升到国家战略。

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、全格局正在成为新趋势。许多行业可能在这一变革中消失，而其他一些行业则会获得快速发展。遥感是与人工智能紧密关联的领域，应用人工智能技术实现遥感影像的自动解译意义重大。智能遥感解译技术可广泛应用于国土资源与环境监测、农作物监测与估产、森林碳汇估算、国防安全等许多领域，是国家的战略需求，相关研究和探索一直以来备受关注。

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

本次人工智能的热潮是从深度学习方法成功用于图像识别等领域开始，人脸识别技术等已得到广泛应用。遥感作为一种特殊的图像，早在2013年国内外学者就开始用深度学习的方法进行智能遥感解译的研究，涵盖目标与场景检索、目标检测、地物分类、变化检测、三维重建等多个应用场景，并取得了诸多研究成果。

虽然深度学习方法在目标检索和变化检测等方面取得重要进展，并有部分成果达到了实用化水平。但是由于遥感影像比人脸识别的影像复杂得多，目前智能遥感解译方法并没有得到广泛应用，特别是在自然地物分类方面还难以满足业务化的应用需求，我国地理国情监测和第三次国土资源调查等重大工程主要还是采用人工解译的方法。由于遥感影像和应用具有特殊性，通用人工智能方法在遥感智能解译方面遇到了挑战。

与人工智能的数据、算法及算力三要素相似，智能遥感解译也有三大核心要素，遥感影像样本库、遥感智能解译的算法与模型、能够进行大规模计算的硬件平台。目前算力基础设施可以采用通用硬件平台，但是由于遥感影像的特殊性和应用的多样性，需要构建一个开放、统一基准的影像样本库，和高效、可靠的遥感解译算法与模型。

智能遥感解译研究面临的挑战与可行性对策

尽管目前已有不少针对利用深度学习方法进行遥感解译的相关研究，但在实际应用上，影像样本库、深度学习框架以及AI算力等方面依然存在着挑战。首先，大规模样本库是遥感智能解译的数据驱动，但目前遥感领域尚无大规模“像素-目标-场景”多层级多任务包括目标检索、目标检测、地物分类、变化检测、三维重建的开放解译数据样本库，公开数据集缺乏统一格式接口和标准规范，远不能满足遥感智能解译要求，亟需突破已有样本库的不完善造成标注模型的局限性，使得样本库能够智能扩展与精化，实现样本库的可持续构建。其次，通用深度学习网络难以用于遥感分类等应用场景，还没有达到商业化应用水平。在遥感专用深度学习框架模型中，需要顾及多维时空谱特性，满足高效灵活的内存自动扩展、尺度与通道的自适应优选要求。最后，虽然通过遥感专用的深度学习神经网络可以训练遥感专用的大模型，但由于算力昂贵且不足的问题突出，在未来数据集丰富后，如何解决自然地理要素地物分类等难题仍是很大的挑战。

如何解决这些问题？经过多年的研究，笔者认为有三个对策方向可以参考。第一、围绕多源遥感影像的智能识别与解译，开展适合于深度学习训练与测试用的遥感影像样本库类型动态扩展与自动精化机制研究；第二、针对遥感影像特点和应用需求，研究遥感影像深度神经网络开源架构与模型，构建顾及遥感特性的专用遥感应用网络；第三、依托集约型算力基础设施，如武汉人工智能计算中心，高效利用其公共普惠算力，同时发挥其应用创新孵化以及智能遥感领域人才培养的赋能作用，为智能遥感解译研究提供源源不竭的动力。

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