人工智能在減災(zāi)遙感中的應(yīng)用

百曉 張雪妮

百曉，北京航空航天大學(xué)計(jì)算機(jī)學(xué)院教授、博士生導(dǎo)師。 2001年本科畢業(yè)于北京航空航天大學(xué)，2006年博士畢業(yè)于英國(guó)約克大學(xué)。主要研究領(lǐng)域?yàn)槟Ｊ阶R(shí)別、計(jì)算機(jī)視覺(jué)、遙感圖像分析等。先后主持?jǐn)?shù)十項(xiàng)國(guó)家科研課題，在相關(guān)領(lǐng)域國(guó)際著名期刊和會(huì)議上發(fā)表論文百余篇，發(fā)表論著3部，榮獲省部級(jí)科學(xué)獎(jiǎng)勵(lì)一等獎(jiǎng)2項(xiàng)。2012年獲評(píng)為教育部“新世紀(jì)優(yōu)秀”人才，2016年被中國(guó)科協(xié)授予“全國(guó)優(yōu)秀科技工作者”榮譽(yù)稱號(hào)，現(xiàn)為模式識(shí)別領(lǐng)域著名期刊Pattern Recognition副主編，Pattern Recognition Letter期刊客座編委。

人工智能及減災(zāi)遙感概述

近年來(lái)，人工智能已經(jīng)滲透到國(guó)民經(jīng)濟(jì)、國(guó)防以及人民生活的各個(gè)方面，2017年國(guó)務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》將人工智能上升為國(guó)家戰(zhàn)略，有利地推動(dòng)新一代智能研發(fā)應(yīng)用與產(chǎn)業(yè)深入融合。美國(guó)、歐盟、英國(guó)、日本等也均將人工智能上升為國(guó)家戰(zhàn)略，紛紛出臺(tái)相關(guān)戰(zhàn)略和計(jì)劃，力爭(zhēng)搶占產(chǎn)業(yè)技術(shù)制高點(diǎn)。

對(duì)于人工智能的定義有很多，但大多看來(lái)主要是讓機(jī)器或系統(tǒng)具備人類那樣的認(rèn)知能力，能夠?qū)邮盏降母鞣N數(shù)據(jù)和信息進(jìn)行分析學(xué)習(xí)獲取其中的知識(shí)，雖然人工智能的研究才起步三十年，但近年來(lái)人工智能及其相關(guān)領(lǐng)域，如機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、模式識(shí)別等均在理論上和應(yīng)用上取得了很大的進(jìn)展和突破。

在遙感領(lǐng)域，人工智能及相關(guān)方法也得到了很好的應(yīng)用。遙感數(shù)據(jù)主要是指通過(guò)衛(wèi)星、飛機(jī)等載體獲得的遠(yuǎn)距離圖像、雷達(dá)數(shù)據(jù)，通過(guò)對(duì)遙感數(shù)據(jù)的分析可以獲得地表環(huán)境、城市結(jié)構(gòu)、農(nóng)業(yè)生產(chǎn)等重要信息和數(shù)據(jù)。傳統(tǒng)的遙感數(shù)據(jù)分析大量依賴人力和一些簡(jiǎn)單的統(tǒng)計(jì)圖像處理方法，隨著近年來(lái)人工智能等相關(guān)領(lǐng)域的發(fā)展，遙感數(shù)據(jù)的分析也大量地使用人工智能方法。利用人工智能處理分析數(shù)據(jù)的優(yōu)勢(shì)，可以提高遙感數(shù)據(jù)分析的智能化、自動(dòng)化，提升分析的精度與效率。

我國(guó)是一個(gè)地大物博的國(guó)家，資源豐富，但自然災(zāi)害也給國(guó)家民生帶來(lái)了很大的影響，如何利用最新的技術(shù)減少自然災(zāi)害帶給我們的傷害是科研領(lǐng)域的重要任務(wù)。多年來(lái)，遙感技術(shù)應(yīng)用于各類災(zāi)害的減災(zāi)、預(yù)測(cè)、響應(yīng)、災(zāi)后恢復(fù)等方面，取得了很多進(jìn)展。災(zāi)害遙感已經(jīng)成為各國(guó)應(yīng)對(duì)自然災(zāi)害的重要手段。國(guó)際上，一系列用于環(huán)境、災(zāi)害等的遙感衛(wèi)星SPOT、TM、AVHRR、MODIS、ASTER、PRISM的發(fā)射也為開(kāi)展遙感減災(zāi)提供了可行性，增強(qiáng)了遙感技術(shù)在減災(zāi)上的作用。國(guó)內(nèi)也緊隨其后發(fā)射了環(huán)境減災(zāi)小衛(wèi)星“星座A”“星座B”以及“風(fēng)云”“海洋”“資源”等系列衛(wèi)星，此外，以高分系列衛(wèi)星為代表的新一代遙感衛(wèi)星也在加速發(fā)展，由此防災(zāi)減災(zāi)已成為衛(wèi)星遙感技術(shù)的重要應(yīng)用領(lǐng)域之一。

隨著人工智能理論和方法的不斷發(fā)展，遙感數(shù)據(jù)的分析將更加借助和依賴人工智能方法，從而更加有效地從遙感數(shù)據(jù)中獲取有用的知識(shí)，為防災(zāi)減災(zāi)提供更加準(zhǔn)確高效的服務(wù)。

本論文主要講述人工智能及其相關(guān)方法（如目標(biāo)檢測(cè)、圖像分類與識(shí)別、圖像變化檢測(cè)、圖像分割等）在幾類典型自然災(zāi)害（如暴風(fēng)、洪澇、地震、森林火災(zāi)、滑坡等）中的應(yīng)用，介紹人工智能在減災(zāi)遙感中發(fā)揮的作用及未來(lái)發(fā)展趨勢(shì)。

人工智能方法在減災(zāi)遙感中的應(yīng)用

目前，人們主要通過(guò)利用人工智能相關(guān)方法對(duì)遙感數(shù)據(jù)分析達(dá)到對(duì)自然災(zāi)害的檢測(cè)與評(píng)估等目的。表1給出了不同人工智能方法在各種災(zāi)害遙感中所發(fā)揮的作用。主要涉及的方法包括：圖像分類與識(shí)別、變化檢測(cè)、圖像分割、目標(biāo)檢測(cè)等，這里首先簡(jiǎn)單介紹一下這些人工智能方法。圖像分類與識(shí)別是計(jì)算機(jī)視覺(jué)與機(jī)器學(xué)習(xí)領(lǐng)域的基本問(wèn)題，根據(jù)圖像中所含的目標(biāo)圖像特征與分類器學(xué)習(xí)到的類別特征進(jìn)行比對(duì)，進(jìn)而判斷圖像屬于什么類別，識(shí)別出圖像中的物體或場(chǎng)景。變化檢測(cè)通過(guò)對(duì)不同時(shí)刻獲取圖像進(jìn)行對(duì)比分析找出圖像之間的區(qū)別。圖像分割是根據(jù)圖像中場(chǎng)景含義將圖像分割成不同的區(qū)域，每個(gè)區(qū)域具有獨(dú)特的語(yǔ)義信息。目標(biāo)檢測(cè)則是指在遙感圖像數(shù)據(jù)中檢測(cè)特定的目標(biāo)，主要通過(guò)提取目標(biāo)有效特征然后利用機(jī)器學(xué)習(xí)方法對(duì)量化的特征進(jìn)行分析來(lái)確定存在目標(biāo)的概率和位置等。上述方法是計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)領(lǐng)域的重要分析方法，需要指出的是隨著人工智能的發(fā)展，上述方法本身也在發(fā)展，近年來(lái)也不斷地提出了在性能上更加優(yōu)秀的方法，進(jìn)而也提升了應(yīng)用的效果。

本文將根據(jù)不同災(zāi)害種類具體分析這些方法的應(yīng)用。

（一）熱帶氣旋

習(xí)慣上，熱帶氣旋所帶來(lái)的災(zāi)害可以被稱為颶風(fēng)、臺(tái)風(fēng)或熱帶風(fēng)暴，它在衛(wèi)星遙感圖像上具有較明顯的特征，圖1是部分種類的熱帶氣旋衛(wèi)星圖像示例。人工智能手段主要通過(guò)對(duì)采集到的遙感數(shù)據(jù)進(jìn)行分析從而定位風(fēng)眼和預(yù)測(cè)路徑，進(jìn)而對(duì)此類災(zāi)害進(jìn)行預(yù)防和報(bào)警。

表1 人工智能方法在各類災(zāi)害遙感圖像上的應(yīng)用

圖1 部分種類熱帶氣旋的衛(wèi)星云圖

1.風(fēng)眼定位：由于有眼熱帶氣旋的眼壁輪廓通常是一條不規(guī)則的閉合曲線，因此可以使用基于活動(dòng)輪廓模型的偏微分方程法來(lái)進(jìn)行圖像分割定位眼區(qū)。另外，由于在圖像中風(fēng)眼位置較暗，并且在邊緣位置風(fēng)速是不連續(xù)的,可根據(jù)這兩個(gè)成像特點(diǎn)對(duì)遙感圖像進(jìn)行分析增加圖像約束求得風(fēng)眼邊緣。風(fēng)眼定位過(guò)程中要用到的人工智能方法有圖像分割、圖像識(shí)別等。

2.路徑預(yù)測(cè)：研究表明，氣旋路徑可以通過(guò)周?chē)e雨云的形狀和相對(duì)位置進(jìn)行判斷，如圖2所示。因此可以使用神經(jīng)網(wǎng)絡(luò)來(lái)學(xué)習(xí)不同時(shí)間點(diǎn)衛(wèi)星圖像中周?chē)葡鄬?duì)于氣旋中心的相對(duì)位置，及圖像中云的拉長(zhǎng)形狀，以此指示氣旋可能的移動(dòng)路徑。

圖2 通過(guò)對(duì)積雨云的分析預(yù)測(cè)氣旋路徑

（二）洪澇

洪澇災(zāi)害中利用人工智能手段進(jìn)行水體識(shí)別可以確定出洪澇受災(zāi)的區(qū)域，道路水毀識(shí)別則可以確定道路的毀壞進(jìn)而評(píng)估受災(zāi)情況，確定最佳救援路徑。

1.水體識(shí)別：水體識(shí)別技術(shù)是基于水體的光譜特征和空間位置關(guān)系進(jìn)行分析，排除其他非水體信息從而實(shí)現(xiàn)水體信息提取的技術(shù)，是洪澇范圍檢測(cè)的核心。由于水體和周邊地形地貌往往具有較大差異，根據(jù)水體特征的圖像分割成為水體識(shí)別的主要方法。一種思路是通過(guò)綜合提取遙感影像中地物的形狀、光譜、紋理和鄰域等特征進(jìn)行逐像元分類實(shí)現(xiàn)智能分割。另一種思路是先進(jìn)行遙感圖像的多尺度分割，然后使用分類器，例如分類神經(jīng)網(wǎng)絡(luò)，進(jìn)行水體識(shí)別。也可同時(shí)對(duì)洪澇前后時(shí)間段的同樣位置進(jìn)行水體識(shí)別，分析出受災(zāi)區(qū)域?yàn)閾岆U(xiǎn)救災(zāi)提供信息。圖3是鄱陽(yáng)湖部分地區(qū)洪澇過(guò)后水體識(shí)別的結(jié)果示意圖，在識(shí)別出水體和非水體的基礎(chǔ)上，進(jìn)一步根據(jù)水深程度進(jìn)行洪澇等級(jí)分類并用不同的顏色表示，為下一步的災(zāi)害救援提供信息。這里用到的人工智能方法主要包括特征提取、圖像分割、圖像分類等。

2. 公路水毀識(shí)別：公路水毀災(zāi)情是汛期災(zāi)情分析和抗災(zāi)搶險(xiǎn)中的重要內(nèi)容。通過(guò)對(duì)比洪澇發(fā)生前后的圖像，采取圖像多層次分析進(jìn)行變化檢測(cè)分析損毀信息。多層次方法就是采用面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行地物的分類和劃分，但是分類有層次順序，不同層次劃分不同地物。例如可以在第一層次中，從洪災(zāi)發(fā)生后的影像中進(jìn)行洪水范圍的劃分，然后在災(zāi)前災(zāi)后影像的配準(zhǔn)基礎(chǔ)上，用洪水發(fā)生前的影像進(jìn)行第二層次的劃分，劃分道路和樹(shù)木、建筑、空地等其他地物。

圖3 鄱陽(yáng)湖（部分）地區(qū)洪澇分布圖

圖4 汶川地震都江堰房屋倒塌評(píng)估圖

（三）地震

在地震災(zāi)害里，人工智能方法可以用來(lái)解決房屋倒塌評(píng)估、次生地質(zhì)災(zāi)害監(jiān)測(cè)，以及救災(zāi)帳篷識(shí)別等問(wèn)題。

1.房屋倒塌評(píng)估：對(duì)房屋倒塌情況的評(píng)估是地震直接危害中最能反映震區(qū)破壞程度的指標(biāo)。通過(guò)對(duì)震前震后遙感衛(wèi)星數(shù)據(jù)進(jìn)行影像匹配和變化檢測(cè)，得到兩者變化的區(qū)域，從而獲取房屋倒塌信息和地震影響區(qū)域，評(píng)估結(jié)果如圖4所示。這里應(yīng)用人工智能中的圖像變化檢測(cè)方法完成地震影響區(qū)域分析。

2.次生地質(zhì)災(zāi)害監(jiān)測(cè)：地震次生地質(zhì)災(zāi)害是指由地震直接引發(fā)或由地震作用影響而引發(fā)的災(zāi)害性地貌重塑過(guò)程。主要針對(duì)地震所造成的山體滑坡、堰塞湖等開(kāi)展監(jiān)測(cè)，按照其影像特征，結(jié)合災(zāi)前影像數(shù)據(jù)進(jìn)行變化檢測(cè)，開(kāi)展滑坡體的識(shí)別。這里主要采用圖像變化檢測(cè)方法進(jìn)行分析。

圖像變化檢測(cè)大致分為基于像元、基于特征以及基于目標(biāo)三類方法。基于像元方法有灰度差值法、比值法、回歸法等?；谔卣鞯姆椒ㄓ兄鞒煞址治龇?、光譜角檢測(cè)法、指數(shù)差值法、形狀分析法和紋理分析法等?；谀繕?biāo)的方法主要利用圖像識(shí)別、分類等方法，常用的算法有分類比較法、多時(shí)相分類法、小波變換分析法及神經(jīng)網(wǎng)絡(luò)分析法等?；谙裨姆椒ㄊ菍⑾裨鳛閱挝贿M(jìn)行前后時(shí)刻變換檢測(cè)；特征方法則是在圖像一定區(qū)域內(nèi)提取圖像量化特征并分析其變化；目標(biāo)方法則根據(jù)特定目標(biāo)，分析此目標(biāo)在前后時(shí)刻是否有變化。

在特殊情況無(wú)法獲得災(zāi)前影像數(shù)據(jù)時(shí)，圖像分割方法也可以使用，具體表現(xiàn)為先分割后分類的思想，即先通過(guò)多尺度的分割將遙感圖像劃分為不同區(qū)域，然后通過(guò)分類器判別各區(qū)域是否屬于地質(zhì)災(zāi)害。這里一般需要進(jìn)行分析方法訓(xùn)練，提前獲取一些地震圖像作為訓(xùn)練集，通過(guò)人工智能學(xué)習(xí)方法學(xué)習(xí)出地震區(qū)域的特點(diǎn)。圖5給出一個(gè)災(zāi)后次生地質(zhì)災(zāi)害提取的示例。

3.救災(zāi)帳篷識(shí)別：救災(zāi)帳篷識(shí)別屬于特定目標(biāo)的識(shí)別與分析，救災(zāi)帳篷是地震發(fā)生后安置災(zāi)民的重要裝備,準(zhǔn)確核實(shí)災(zāi)區(qū)的帳篷數(shù)量和空間分布是評(píng)估災(zāi)區(qū)救助需求、核查地方救災(zāi)工作成效、優(yōu)化安置點(diǎn)布局、估算轉(zhuǎn)移安置人數(shù)的重要依據(jù)。目前主要使用分辨率高的無(wú)人機(jī)航空遙感圖像，利用目標(biāo)檢測(cè)技術(shù)識(shí)別出帳篷的具體位置。目標(biāo)檢測(cè)算法根據(jù)要分析目標(biāo)進(jìn)行預(yù)學(xué)習(xí)和訓(xùn)練，然后設(shè)計(jì)一個(gè)滑動(dòng)窗口在圖像上均勻移動(dòng)，每次對(duì)滑動(dòng)窗口內(nèi)的局部圖像進(jìn)行分類，判斷是否存在此類物體，最終找到整張圖像內(nèi)的所有目標(biāo)。

（四）森林火災(zāi)

人工智能方法在森林火災(zāi)中主要有火燒跡地分析、火災(zāi)識(shí)別等主要應(yīng)用。

1.火災(zāi)識(shí)別：火災(zāi)識(shí)別主要利用無(wú)人機(jī)遙感的高分辨率圖像判別有無(wú)可疑火災(zāi)發(fā)生，以便后續(xù)進(jìn)行重點(diǎn)監(jiān)測(cè)和及時(shí)救治。對(duì)無(wú)人機(jī)地面接收站接受的圖像（圖6）進(jìn)行分類，使用分類神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，可以達(dá)到很高的識(shí)別精度。這里主要是通過(guò)對(duì)紅外遙感圖像進(jìn)行分析，借用紅外圖像熱成像特點(diǎn)對(duì)發(fā)熱點(diǎn)區(qū)域進(jìn)行分析。

2.火燒跡地：火燒跡地是指火災(zāi)結(jié)束后被燒毀的區(qū)域。由于森林中被火燒過(guò)的部分植被已不存在，在遙感圖像上沒(méi)有了森林影響反射，與周?chē)脖坏姆瓷渚哂胁贿B續(xù)性，因此可以通過(guò)面向區(qū)域的圖像分割算法提取火燒跡地的范圍。另外，也可以結(jié)合災(zāi)前的森林圖像，通過(guò)面向像元的變化檢測(cè)，比較配準(zhǔn)后的災(zāi)前災(zāi)后影像得到差值灰度圖，從而獲得了火燒區(qū)域，可以進(jìn)一步求得過(guò)火面積，如圖7所示。

（五）滑坡

人工智能方法主要在滑坡識(shí)別、滑坡區(qū)域提取等方面發(fā)揮作用。

圖5 震后次生災(zāi)害（滑坡、泥石流等）提取

圖6 無(wú)人機(jī)拍攝森林火災(zāi)圖像

1.滑坡體識(shí)別：遙感衛(wèi)星圖像通常包含的空間范圍比較大，因此可以利用滑坡區(qū)域與背景區(qū)域之間存在明顯差異的特點(diǎn)進(jìn)行分析，快速確定滑坡體的位置。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)主要包括基于可能區(qū)域的分類和基于邊界框的回歸兩種思路，前者具有更高的準(zhǔn)確度，后者則具有更快的速度。此外，大型滑坡調(diào)查中常常會(huì)使用無(wú)人機(jī)這種航空遙感手段獲取地表災(zāi)害數(shù)據(jù)。由于航空遙感數(shù)據(jù)具有較高的分辨率，可以直接對(duì)其進(jìn)行分類識(shí)別，來(lái)判斷該區(qū)域是否包含滑坡體。深度學(xué)習(xí)的發(fā)展帶來(lái)了分類精度的極大提高，因此也出現(xiàn)不少基于深度網(wǎng)絡(luò)的滑坡分類識(shí)別方法。

2. 滑坡體區(qū)域提?。和ㄟ^(guò)對(duì)多時(shí)相遙感影像進(jìn)行變化檢測(cè)能夠自動(dòng)地提取滑坡邊界信息。變化檢測(cè)方法通常有兩類方法：圖像差集和后分類比較。圖像差集是對(duì)災(zāi)前災(zāi)后圖像進(jìn)行減法，后分類比較則可以使用神經(jīng)網(wǎng)絡(luò)分類器對(duì)災(zāi)前災(zāi)后的圖像進(jìn)行多尺度分類，然后對(duì)分類結(jié)果進(jìn)行比較得到變化信息，從而確定滑坡的區(qū)域。另外，也可以在滑坡體識(shí)別的基礎(chǔ)上，進(jìn)一步通過(guò)圖像分割算法得到更精細(xì)的滑坡體輪廓（圖8），從而為后續(xù)的救災(zāi)提供信息。

圖7 昆明西山森林火災(zāi)前后遙感影像及變化檢測(cè)圖像（局部）

圖8 四川漳扎鎮(zhèn)附近滑坡體提取

發(fā)展趨勢(shì)及展望

人工智能在減災(zāi)遙感領(lǐng)域雖然取得了很好的發(fā)展與應(yīng)用，但仍然還有很多的不足和值得突破的地方，具體如下：

1.目前人工智能在減災(zāi)遙感方面的應(yīng)用主要依賴于對(duì)遙感圖像數(shù)據(jù)的分析，下一步需要將衛(wèi)星數(shù)據(jù)、地面數(shù)據(jù)以及其他傳感器如無(wú)人機(jī)數(shù)據(jù)進(jìn)行融合分析，利用人工智能方法對(duì)氣象大數(shù)據(jù)和多源數(shù)據(jù)融合進(jìn)行分析會(huì)比單純只對(duì)遙感數(shù)據(jù)進(jìn)行分析獲得更多的信息和更好的預(yù)測(cè)。

2.現(xiàn)有智能分析方法大多還是在獲取了數(shù)據(jù)后將數(shù)據(jù)傳輸?shù)降孛孢\(yùn)算中心進(jìn)行分析，未來(lái)將會(huì)在數(shù)據(jù)獲取平臺(tái)直接進(jìn)行快速分析，例如在衛(wèi)星上直接進(jìn)行智能分析，將分析后有用的“信息”傳輸給地面，而不再是將衛(wèi)星原始數(shù)據(jù)傳給地面再分析。這好比在各類傳感器上安裝一個(gè)“大腦”提高了整體分析的效率和響應(yīng)速度。

3.現(xiàn)有的人工智能方法大多還是用來(lái)解決災(zāi)害發(fā)生后的評(píng)估和救援，發(fā)揮的作用大多還是輔助現(xiàn)有災(zāi)害預(yù)防、氣象分析等方法，隨著人工智能領(lǐng)域的不斷發(fā)展，筆者猜想未來(lái)人工智能會(huì)在災(zāi)害預(yù)測(cè)預(yù)防等方面起到引領(lǐng)的作用，從配角變成主角。