近几年来，国内外人工智能的发展和落地应用如火如荼，促成这种现象的原因可以归纳为两个关键 词，即“大数据”与“高算力”。在地理空间数据分析与应用领域，这种变化也正在发生着，比如在国家高分辨率对地观测重大科技专项（简称“高分专项”）等国家重大任务的推动下，我们可获取的 地理空间数据越来越多，另外，以“云+端”架构为 代表的高性能计算框架也在不断发展，促进了算力 的提升。在此背景下，以地理空间大数据为基础， 利用人工智能技术挖掘其深层信息、赋予其更多的应用模式，将成为未来地理空间数据分析应用领域发展的长期主题。

发展遥感数据智能分析技术的目的是将长期积累的遥感数据转化为对观测对象的整体观测、分析、 解译，获取丰富准确的属性信息，挖掘目标区域的演化规律，主要包括遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘等。此外，面向大智能分析技术发展需求，遥感开源数据集和共享平台方面也取得了显著进展。

遥感数据精准处理方面，遥感数据精准处理的目的是对传感器获取的光谱反射或雷达散射数据进行 成像处理和定标校正，恢复为与地物观测对象某些 信息维度精确关联的图像产品。传统方法需要根据 卫星、传感器、传输环境、地形地表等先验模型， 以及外场定标试验获取定标参数，建立精确的成像 模型将观测数据映射为图像产品。随着传感器新技术的发展和分辨率等性能的提升，先验模型的建立越来越困难，外场定标的难度和消耗也越来越大， 并且成像处理和定标校正获取的模型和参数与传感 器的耦合，只能以一星一议的方式实现，无法多星 一体化实现。如何在传统方法的基础上，构建观测 数据到精准图像产品的深度学习网络结构，设置面 向不同应用的图像优化指标体系，以大量历史数据 和标注结果作为输入，实现网络结构对传感器物理 模型和参数的精确重构和逼近，形成基于人工智能技术的多星一体化遥感图像精准处理能力。

遥感数据时空处理与分析方面，多时相影像相比单一时相的遥感影像，能够进一步展示地表的动态变化和揭示地物的演化规律。然而，一方面受限于遥感自身的时间分辨率与空间分辨率之间的不可兼 得；另一方面受气象、地形等成像条件的影响，光 学传感器获取的遥感影像往往被云层及其阴影覆盖 （特别是在多云多雨地区，如我国西南地区），而难以获取真实的地面信息。这样的数据缺失，严重限制了遥感影像的应用；特别是对于多时相影像的 遥感应用（如森林退化、作物生长、城市扩张和湿地流失等监测），云层及其阴影所导致的数据缺失 将延长影像获取的时间间隔、造成时序间隔不规则 的问题，加大后续时间序列处理与分析的难度。因 此，进行遥感影像的时间与空间维度的处理与分析 对提高遥感影像数据的可用性、时间序列分析水平和遥感应用的深度广度具有重要意义。

遥感目标要素分类识别方面，遥感数据中一般包含大量噪声，大多数现有的处理分析方法并未充分利用计算机强大的自主学习能力，依赖的信息获取 和计算手段较为有限，很难满足准确率、虚警率等性能要求。如何在传统的基于人工数学分析的方法 基础上，结合人工智能方法，定量描述并分析遥感 数据中目标模型失真和背景噪声干扰对于解译精度 的影响机理，是遥感智能分析面临的另一项关键科 学问题。通过该问题的分析与发展，有望实现构建 一个基于深度学习的多源遥感数据自动化分析框架，在统一框架下有机融合模型、算法和知识，提升遥感数据中目标要素提取和识别的智能化水平。

遥感数据关联挖掘方面，随着遥感大数据时代的到来，我们可以更方便地获取高分辨率和高时间采集频率的遥感数据，对于目标信息的需求，也由目标静态解译信息，拓展到全维度的综合认知与预测 分析。为了满足上述需求，基于海量多源异构遥感数据，实现时间、空间等多维度的信息快速关联组织与分析，是未来遥感解译技术发展的重要方向。

遥感开源数据集和共享平台方面，大多数现有数 据集仍然存在数据规模较小、缺乏遥感特性的问题， 并且现有深度学习平台难以有效支撑遥感特性及应用，领域内数据集算法模型的准确性、实用性、智能化程度也待进一步提高。如何结合遥感数据特性， 建设更具遥感特色的开源数据集和共享平台，是遥感智能生态建设的一项重要研究内容。

遥感数据精准处理

随着近几十年遥感卫星的蓬勃发展，遥感数据精确处理技术迎来了高速发展，光学和微波遥感数据成像处理和定标校正的精度大幅提高，图像产品分辨率提高 1 个数量级、幅宽提高 1-2 个数量级、几 何定位精度优于 10 米、辐射精度优于 1dB（微波） /10%（光学）。然后，基于精确模型和参数测量的方式仍需要耗费大量的人力物力和时间成本，一星一议的处理和定标模式制约了协同应用能力提升。现有技术探索验证了通过人工智能技术实现高精度遥感数据处理的可行性，通过构建与成像数据获取和误差影响机理相适应的神经网络，通过大量历史数据和标注结果训练学习，正向/逆向逼近地物物理信息和成像数据特征之间的映射关系，并通过结果循环迭代实现网络模型与传感器状态的动态一致、 实现图像质量的持续提升。

遥感数据时空处理与分析

随着智能计算于遥感大数据技术的发展，遥感数据时空处理于分析的发展区域主要集中体现在以下几个方面：（1）多源多模态遥感数据的协同分析；遥感大数据提供了丰富的数据源，这些数据往往具有不同的时间、空间、波谱等优势，如何发挥多源数据的联合优势，是当前遥感时空分析的重点发展方向。（2）对遥感机理的探究；当前智能计算方法多源于统计学习领域，因此其对遥感辐射传输机理的探究和利用相对较少，这在一定程度上限制了方法性能的提升；因此加强对遥感过程的理解与模拟， 将遥感机理融入智能计算过程将提升遥感时空处理与分析的能力。

遥感目标要素分类识别

现有的研究工作虽能一定程度上实现在同一模型框架中同时提取或解译对多类地物要素，然而其本质上仍主要以提升时间或空间代价，来提升模型对于多类要素的泛化能力。在实际应用中面临的多载荷、多要素、多任务联合解译场景中，我们所面临的问题更加复杂，因此探索新的模型框架和特征表征方式，尤其是针对多任务、多模态一体化联合学习成为未来遥感目标要素分类识别领域的发展趋势。

遥感数据关联挖掘

机器理解和大规模异构信息语义集成与互操作等应用场景不断证实遥感影像数据挖掘具有广阔的应用前景。但存在的一些问题仍有待进一步研究：①如何直接从数字图像上建模数据挖掘模型，在空 间图形和图像数据上实现一体化的管理及操作势在 必行。②随着新型遥感卫星的增多,卫星数据也相应持续增多。同时用户在海量的卫星数据中寻找需要的数据会耗取大量的时间。如何基于内容快速查询 检索,从而提供高效的可视化数据挖掘环境显得十 分重要。③遥感数据具有诸多特点，使用单一技术对其进行处理可能存在知识漏缺的风险。因此在对遥感数据分析时，尽可能的融合多种不同空间数据 挖掘技术对遥感数据进行分析有利于解决漏缺隐含知识的难题。④“维数灾难”现象阻碍了高维数据的索引及聚类的发展。对于大规模高维空间而言， 应开发自适应无参数的聚类算法，而不是人为确定聚类算法的输入参数。同时通过高效的索引技术来 提高空间数据的处理效率也极为重要。

遥感开源数据集和共享平台

当前，随着计算机视觉领域的兴起，遥感领域的开源数据集和共享平台也快速发展起来。相比于自然场景，遥感数据具有其独特的属性。多分辨率、 多要素、多时相、多传感的特性使得遥感图像智能 解译更具有挑战性。因此，在了解空天大数据特点的基础上，构建适合本领域的智能模型、方法和解译系统，是充分发挥空天大数据效益的有效途径。未来要继续依托于这些独特属性，做更适合遥感的数据和平台。

箩筐分享转载自科促会遥感专委会，文中观点仅供分享交流，不代表本号立场，如涉及版权等问题，请您告知，我们将及时处理。

关于箩筐技术公司

箩筐技术公司是全球技术领先的时空智能大数据服务公司，中国领先的位置数据及行业应用解决方案提供商。依托自主研发的专利技术，基于高精度地图及多源时空智能大数据，建立城市级和行业级全息时空数字孪生系统，积极服务于智慧交通（自动驾驶、智慧公路、车路协同）、自然资源资产管理（碳中和及环境保护遥感数据服务）、LBS智慧行业应用（移动互联网本地商业位置服务、智慧出行、智慧物流、新基建、智慧城市、应急救援）等领域。 有关更多信息，请搜索“箩筐技术”并访问公司网站。