2023智能遥感技术与应用白皮书

指导专家 龚健雅中国科学院院士童庆禧中国科学院院士 主编 刘玉璋泰伯网创办人、董事长兼泰伯研究院院长 编委(按姓氏拼音字母排序) 李素菊应急管理部国家减灾中心卫星应用部主任 孟瑜中科院空天院研究员、国家遥感应用工程技术研究中心主任邵远征武汉云成卫星科技有限公司总经理 王超北京数慧时空信息技术有限公司董事长汪磊北京观微科技有限公司总裁 吴秋华北京国遥新天地信息技术股份有限公司总裁颜军珠海欧比特宇航科技股份有限公司董事长张兵中国科学院空天信息创新研究院副院长 张文国生态环境部卫星环境应用中心首席科学家周晓青自然资源部国土卫星遥感应用中心处长 目录 前言1 1、智能遥感发展概述3 1.1内涵3 1.1.1智能遥感定义3 1.1.2智能遥感发展历程4 1.2政策9 1.2.1政策文件9 1.2.2卫星应用中心成立情况14 1.3市场24 1.3.1市场规模24 1.3.2产业图谱25 2、智能遥感技术体系26 2.1技术架构26 2.2关键技术26 2.2.1语义分割27 2.2.2目标识别27 2.2.3场景分类29 2.2.4数据集和数据平台30 3、智能遥感技术应用典型案例33 3.1应用场景概览33 3.2自然资源35 3.3应急管理41 3.4生态环境45 3.5城市建设51 3.6农业林业52 4、趋势与建议58 4.1未来发展趋势58 4.1.1技术趋势58 4.1.2应用趋势59 4.2存在问题与建议61 结束语64 前言 近年来，随着低轨卫星、航空摄影、无人机等新技术的快速发展，各种对地观测数据获取量与日俱增。作为天然具有海量大数据特征的数据源，遥感数据的处理和应用正在成为越来越迫切的行业痛点和技术难点。 人工智能技术以深度学习算法为核心，能够对大数据进行智能分析与解译。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。而遥感作为一种特殊的图像，是与人工智能紧密关联的领域。通过人工智能技术对遥感行业的赋能，基于深度学习的智能遥感影像解译技术，在对海量遥感数据的特征提取与表征上具有显著优势，或将成为遥感大数据领域最重要的发展趋势之一。 泰伯智库分析认为，人工智能与遥感的碰撞，将在时空大数据和数据建模处理等方面给遥感行业带来技术上的革新，改善传统的遥感技术模式，增强整体技术的智能化水平，对实现遥感影像的自动解译意义重大。 本白皮书的编写得益于泰伯智库在遥感领域十多年的行业积累，以泰伯智库的产业数据库为基础，结合了对卫星遥感、测绘地理信息及遥感应用相关企业和行业专家的广泛调研。最终，白皮书总结了智能遥感发展现状，梳理了智能遥感相关的关键技术，盘点了智能遥感在部分重要行业领域的典型应用案例，同时还预测了技术发展趋势、行业存在的问题，并提出了若干建议。本白皮书希望通过对行业进展和发展态势的梳理，为主管部门、行业用户和各相关产业链企业提供决策参考。 最后，本次白皮书能够顺利编写完成，离不开各位指导专家、编委及合作单位 的大力支持，特此致谢！泰伯研究院分析师陈梦卉，生态环境部卫星环境应用中心蔡明勇、邰文飞、郑晓雄，欧比特纪婵、国遥新天地陈鹏、北京数慧李辉、观微科技李梦薇等作为白皮书主要撰稿人和素材整理提供人员，对白皮书编辑出刊贡献了主要力量。由于编写仓促或调研不够全面所致，部分章节可能存在疏漏之处，泰伯研究团队愿意对此承担所有责任。 泰伯智库2023年5月 主要参编企业鸣谢：（按企业简称拼音首字母排序） 1、智能遥感发展概述 1.1内涵 1.1.1智能遥感定义 遥感（RemoteSensing）由美国海军科学研究局的EvelynL.Pruitt在1960年首先提出。遥感技术是根据电磁波的理论，应用各种传感仪器，对远距离目标所辐射和反射的电磁波信息进行收集、处理、分析，以识别目标物体及其变化规律，解决有关实际应用问题全过程的总称。 按遥感工作高度分类，遥感技术可分为航天遥感、航空遥感及地面遥感。航天遥感以卫星遥感为主，是以人造卫星为平台的遥感技术系统；航空遥感是指从飞机、飞艇、气球或无人机等空中平台对地观测的遥感技术系统；地面遥感是指以高塔、车、船为平台，通过地物波谱仪或传感器进行测量的遥感技术系统。 随着遥感对地观测技术的发展，每天都会产生大量遥感影像数据，如何快速处理、解译和提取遥感信息面临巨大挑战。而人工智能（AI）技术是以深度学习算法为核心，能够对大数据进行智能分析与解译。因此，智能遥感即是将AI应用于遥感，以机器学习为基础，将AI的数据、算法、算力三大要素植入到遥感应用中，贯穿遥感领域的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，从而催生新的遥感应用，促进遥感数据服务模式的变革。 人工智能与遥感的碰撞，将在时空大数据和数据处理分析等方面给遥感行业带来技术上的革新，改善传统的遥感技术模式，增强整体技术的智能化水平。当前，人工智能特别是深度学习方法已经在遥感领域的目标与场景识别、信息提取、地物 分类、变化检测、三维重建等方面取得重要进展。通过人工智能技术对遥感行业的赋能，基于深度学习的智能遥感影像解译技术，在对海量遥感数据的特征提取与表征上具有显著优势，将成为遥感大数据领域最重要的发展趋势之一。 1.1.2智能遥感发展历程 在过去几十年中，人们对遥感数据的智能自动解译进行了大量研究，取得了一定进展。从遥感影像解译发展历程来看，遥感影像解译技术经历了人工目视判读、计算机分类与人机交互半自动解译阶段，随着日新月异的遥感应用需求、高分辨率遥感卫星的发射、人工智能技术的发展、地理知识的积累，以及历史积累数据的应用，目前正在向自动化智能化方向发展。 （1）人工目视判读解译阶段 20世纪70年代，目视解译是遥感影像解译的主要方法。这是一种人工提取信息的方法，即使用眼睛目视观察（可以借助于一些光学仪器），通过利用图像的影像特征(色调或色彩，即波谱特征)和空间特征(形状、大小、阴影、纹理、图型、位置和布局)，凭借人的经验、知识，与多种非遥感信息资料相组合，运用生物地学相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理判断，从而提取有用的信息。 然而，目视解译工作存在着一定的局限性：①目视解译要求图像目视判读者具 有丰富的地学知识和目视判读经验；②目视解译需要花费大量的时间，劳动强度大，信息获取周期长；③遥感图像解译质量受目视判读者的经验、对解译区域的熟悉程度等各种因素制约，具有很大的主观性；④不能完全实现定量描述；⑤无法实现RS （遥感）与GIS（地理信息系统）的集成。 尽管如此，由于目前计算机自动识别的精度不够高，目视判读仍然是一种不可缺少而又行之有效的方法。“中国遥感地学之父”、中国科学院院士陈述彭先生也曾肯定了目视解译方法，认为“目视解译不是遥感应用的初级阶段，或者是可有可无的。相反，它是遥感应用中无可替代的组成部分，它将与地学分析方法长期共存、相辅相成”。 （2）人机交互半自动解译阶段 20世纪70年代起，随着Landsat陆地卫星发射成功，人们就开始利用计算机进行卫星遥感图像的解译研究。最初是利用数字图像处理软件对卫星数字图像进行几何纠正与位置配准，在此基础上，采用人机交互方式从遥感影像中获取有关地学信息。 图1人机交互的学习范式1 这一阶段的解译方法又经历了两个阶段的发展，即统计模式识别法和遥感与地理信息系统综合解译法。 1陶超,阴紫薇,朱庆,等.遥感影像智能解译:从监督学习到自监督学习[J].测绘学报 统计模式识别法 20世纪80年代初，主要是研究利用统计模式识别方法对遥感影像进行计算机自动识别。如利用最大似然法对遥感影像数据进行分类；运用光谱特征对多波段卫星影像进行分类，从中获取森林资源信息。 这种方法的特点是根据影像中的地物多光谱特征，对遥感影像中的地物进行分类。常规统计模式识别方法可以根据遥感数据的概率密度分布分为参数统计分析模型和非参数化统计模型。如Bayes最大似然遥感影像分类器，要求预先假设各类别在特征空间上的密度分布服从高斯密度分布，是典型的参数统计分析模型。 统计模式识别的根本缺陷如下：①样本不符合假设的某种分布规律。在很多具 体地学分析中，参数密度分布并不一定能满足假设条件，一些常见参数分布如高斯分布，并不一定适合实际情况的复杂性。如在遥感影像中的水体信息，由于深浅、浑浊、表面波浪等程度或外界因数的差异，其在特征空间上的分布形式往往表现为多峰分布；特别是不同类型的地物在特征空间上的分布可能存在重叠或相互交错， 不能把这种复杂的分布通过纯粹的参数形式表达出来。②没有结合地学规律。常规 的数理统计模型，目前主要还停留在基于要素间相互独立、空间特征和空间关系、假设参数分布或非参数估计等以数学模型为基础的统计计量阶段。由于遥感信息的复杂性和不确定性的，遥感影像地学要素之间的关联性相当复杂，导致传统的统计分析方法在处理复杂的遥感信息过程中与实际存在一定的偏差。 遥感与地理信息系统综合解译法 地球表面许多地物存在着“同物异谱、同谱异物”现象，使得分类结果往往存 在较多的错分、漏分现象，人们不得不寻找其它方法以提高分类精度。20世纪80年代后期，D.Goodenough（加拿大）2与M.Ehlers（美国）3等人提出遥感与地理信息系统综合解译法。在国内，一些研究者注意到地理数据、地学专题数据和遥感数据的结合，可以增加信息量，为遥感解译增加了辅助性的背景数据，提高了分类精度。然而，由于遥感影像解译的复杂性及地理数据的多样性，如何有效地把地学信息与遥感信息结合起来，这个问题至今仍没有严密的数学描述。 总的来说，人机交互式解译具有以下优点：①实现了影像、数据和解译结果的 对比和合成。②全数字化操作，解译过程中可随时对很多图像模糊的区域进行信息增强，有利于解译判读。另外，在解译和验证时可随时对解译图进行修改，克服了目视解译图修改困难的缺点。③通过分析遥感影像的光谱特性进行影像的监督和非监督分类实现遥感信息的半自动解译，提高解译效率。 该阶段采用手工特征结合监督分类进行机器解译虽然在很大程度上缓解了人工目视解译的压力,但是仍然存在两点不足:①从特征描述的角度来看,手工设计特征费时费力,需要启发式专业知识,且特征可分性依赖于经验上的参数设置,受主观因素影响大。②从模型优化的角度来看,该阶段将遥感地物目标特征提取和分类器学习视为两个独立的模块,然后分别进行优化,容易收敛到局部最优解。 （3）人工智能解译阶段 2AdjunctProfessorofComputerScience,FacultyofEngineering,attheUniversityofVictoria.Dr.Goodenough'scurrentresearchinterestsfocusonhyperspectralandradarremotesensingofforestsandintelligentsystemsforextractinginformationfromsatelliteandaircraftremotesensingdataincombinationwithGIS. 3DepartmentofSurveyingEngineering,NationialCenterforGeographicInformationandAnalysis,UniversityofMaine,Orono,ME,USA 20世纪90年代，随着研究的发展，人们利用知识工程和专家系统来解决分类问题研究遥感解译知识的获取、表示、搜索策略和推理机制，并将解译专家系统用于遥感影像解译的研究工作。这种基于知识和专家系统的解译方法，在一定程度上可提高计算机解译精度。 2006年，被誉为“深度学习之父”的GeoffreyHinton和他的团队共同提出了深层神经网络训练中梯度消失问题的解决方案，深度学习在众多领域得到了爆发式发展。地理空间科学与深度学习相融合的GeoAI的新技术也不断涌现。 近年来,随着大规模标注数据的发