人工智能用于遙感目標(biāo)可靠性識(shí)別：總體框架設(shè)計(jì)、現(xiàn)狀分析及展望

史文中，張 敏

1.香港理工大學(xué)智慧城市研究院，香港 999077; 2.香港理工大學(xué)土地測(cè)量及地理資訊學(xué)系，香港 999077

近年來，人工智能技術(shù)的應(yīng)用給各行各業(yè)都帶來了新的發(fā)展機(jī)遇。20世紀(jì)50年代，人工智能開始起步，經(jīng)過近70年的發(fā)展，已經(jīng)在圖像理解、文本翻譯和預(yù)測(cè)分析等領(lǐng)域取得了顯著的進(jìn)步，在某些情況下，甚至超過了人類。人工智能技術(shù)特別是深度學(xué)習(xí)技術(shù)的快速發(fā)展，也已經(jīng)成為測(cè)繪遙感學(xué)科發(fā)展的重要驅(qū)動(dòng)力量[1]。隨著國(guó)內(nèi)外衛(wèi)星商業(yè)化的發(fā)展，以及無人機(jī)的普及，遙感數(shù)據(jù)量快速增長(zhǎng)，空間分辨率、時(shí)間分辨率、光譜分辨率得到不斷提升。目前遙感數(shù)據(jù)呈現(xiàn)出高中低分辨率、多光譜、高光譜、SAR、街景及LiDAR激光點(diǎn)云等多源數(shù)據(jù)共存的情況，為遙感監(jiān)測(cè)及其他多領(lǐng)域應(yīng)用提供了基本數(shù)據(jù)保障。但同時(shí)對(duì)遙感目標(biāo)的快速、準(zhǔn)確、自動(dòng)化識(shí)別帶來了新的研究課題與挑戰(zhàn)。在遙感目標(biāo)識(shí)別中融入人工智能技術(shù)是當(dāng)今的一個(gè)研究熱點(diǎn)，也是未來的發(fā)展趨勢(shì)[2-4]。

遙感目標(biāo)識(shí)別是指從遙感數(shù)據(jù)中提取目標(biāo)地物信息的過程，如屬性信息、位置范圍和變化信息等，但認(rèn)知水平及技術(shù)的局限性影響了這些信息的可靠性?？煽啃允侵府a(chǎn)品或系統(tǒng)在一定的條件下和時(shí)間內(nèi)無故障地完成規(guī)定功能的能力或可能性[5]。而遙感目標(biāo)識(shí)別的可靠性問題主要體現(xiàn)在：①客觀世界存在不確定性問題，遙感觀測(cè)數(shù)據(jù)資料是否可靠地反映了真實(shí)的客觀世界；②人或機(jī)器的認(rèn)知水平是否能夠可靠地識(shí)別遙感目標(biāo)特征；③遙感目標(biāo)識(shí)別過程中的處理方法是否滿足了任務(wù)目標(biāo)的可靠性需求。因此，為了提升遙感目標(biāo)識(shí)別的可靠性，筆者研究如何結(jié)合可靠性理論[6]和人工智能技術(shù)，將傳統(tǒng)的遙感目標(biāo)識(shí)別方法發(fā)展為智能化的遙感目標(biāo)可靠性識(shí)別方法，使其具有高精度、強(qiáng)智能、可解釋性和高穩(wěn)健性等優(yōu)點(diǎn)(如圖1所示)。這里的可靠性理論包括可靠性分析、可靠性評(píng)估和過程可靠性控制。

圖1 智能化的遙感目標(biāo)可靠性識(shí)別的總體思路

1 遙感目標(biāo)可靠性識(shí)別研究框架

傳統(tǒng)的遙感目標(biāo)識(shí)別方法首先提取人工設(shè)計(jì)的目標(biāo)特征，然后通過決策分析或者傳統(tǒng)的機(jī)器學(xué)習(xí)分類器進(jìn)行目標(biāo)識(shí)別。而隨著人工智能技術(shù)，特別是深度學(xué)習(xí)技術(shù)的發(fā)展，利用深度神經(jīng)網(wǎng)絡(luò)模型進(jìn)行目標(biāo)識(shí)別，對(duì)復(fù)雜多變的自然地表取得了優(yōu)于傳統(tǒng)方法的性能，可靠性得以提高。一方面，人工智能具有強(qiáng)大的學(xué)習(xí)、感知和推理等能力，能夠從各種遙感數(shù)據(jù)中學(xué)習(xí)有效的特征，提升遙感目標(biāo)識(shí)別的可靠性；另一方面，人工智能也帶來了新的可靠性問題。現(xiàn)有研究多是在單一的點(diǎn)上進(jìn)行，比如針對(duì)單一遙感數(shù)據(jù)源，或者少量目標(biāo)的識(shí)別算法，導(dǎo)致其不能滿足實(shí)際復(fù)雜應(yīng)用場(chǎng)景中的目標(biāo)可靠性識(shí)別的需求。

盡管將人工智能技術(shù)引入遙感目標(biāo)識(shí)別有許多優(yōu)勢(shì)，但是人工智能算法普遍存在的數(shù)據(jù)驅(qū)動(dòng)屬性和不透明性導(dǎo)致了新的不可靠性問題，如不可解釋性、低穩(wěn)健性、容易被欺騙等，這使得很多方法只能在有限的場(chǎng)景下使用，如具有完全信息、確定性信息的場(chǎng)景，或靜態(tài)環(huán)境、限定領(lǐng)域等[7]。文獻(xiàn)[8]指出，人工智能發(fā)展的不確定性帶來新挑戰(zhàn)，在大力發(fā)展人工智能的同時(shí)，必須高度重視可能帶來的安全風(fēng)險(xiǎn)挑戰(zhàn)，加強(qiáng)前瞻預(yù)防與約束引導(dǎo)，最大限度降低風(fēng)險(xiǎn)，確保人工智能安全、可靠、可控發(fā)展。在此背景下，亟須建立遙感目標(biāo)的可靠性識(shí)別方法，使得遙感目標(biāo)識(shí)別的結(jié)果達(dá)到多種應(yīng)用場(chǎng)景的精度要求，結(jié)果可靠、穩(wěn)定。基于人工智能的遙感目標(biāo)可靠性識(shí)別的思想，其總體框架如圖2所示，具體內(nèi)容包括以下4個(gè)方面。

圖2 智能化的遙感目標(biāo)可靠性識(shí)別的總體框架

(1)分析影響可靠性的因素。首先，分析遙感目標(biāo)識(shí)別過程中的不可靠性因素；然后，根據(jù)技術(shù)過程研究其不確定性的傳播機(jī)理；最后，確定對(duì)整體方法可靠性造成影響的關(guān)鍵因素。

(2)可靠性提升方法。結(jié)合人工智能和可靠性理論，優(yōu)化遙感目標(biāo)識(shí)別的預(yù)處理過程，提出新的可解釋和可靠的算法使用數(shù)據(jù)及算法融合等策略，提升遙感目標(biāo)識(shí)別方法的可靠性。

(3)可靠性評(píng)估。提出兩類可靠性指標(biāo)：①針對(duì)目標(biāo)識(shí)別算法；②針對(duì)識(shí)別結(jié)果。根據(jù)應(yīng)用需求，構(gòu)建相應(yīng)的可靠性指標(biāo)體評(píng)估模型，以及設(shè)計(jì)整體可靠性評(píng)價(jià)指數(shù)。

(4)過程可靠性控制。針對(duì)目標(biāo)識(shí)別過程，研究其可靠性傳播模型，通過確定影響可靠性變量及其控制(如通過改進(jìn)方法設(shè)計(jì)、算法實(shí)現(xiàn)過程及參數(shù)設(shè)置)，實(shí)現(xiàn)過程可靠性控制，達(dá)到提升最終結(jié)果可靠性的目的。

通過改善遙感目標(biāo)識(shí)別技術(shù)，提供可靠的測(cè)繪遙感產(chǎn)品，是進(jìn)行科學(xué)決策的重要保障[6]?？煽啃岳碚撘褢?yīng)用到第一次全國(guó)地理國(guó)情普查[9]，本文進(jìn)一步提出結(jié)合人工智能的可靠性框架，以期為智能化測(cè)繪時(shí)代的遙感目標(biāo)識(shí)別提供可靠性的理論支撐。

2 遙感目標(biāo)識(shí)別的可靠性影響因素

空間數(shù)據(jù)不確定性理論研究已經(jīng)取得了許多成果，并進(jìn)一步發(fā)展為通過降低不確定性從而提高可靠性的理論。文獻(xiàn)[10]系統(tǒng)地闡述了空間數(shù)據(jù)與空間分析的不確定性原理；文獻(xiàn)[11]探討了測(cè)量平差到空間數(shù)據(jù)分析的可靠性理論延伸，簡(jiǎn)要介紹了空間數(shù)據(jù)分析的可靠性指標(biāo)計(jì)算方法；文獻(xiàn)[12]將可靠性理論引入航天攝影測(cè)量中，研究了衛(wèi)星成像質(zhì)量的可靠性問題；文獻(xiàn)[13]研究了分類過程中不確定性對(duì)分類精度的影響，提出遙感數(shù)據(jù)可靠性分類方法。此外，關(guān)于人工智能算法的可靠性研究也逐漸引起關(guān)注，文獻(xiàn)[14]提出了人工智能深度學(xué)習(xí)算法可靠性評(píng)估方法。

隨著人工智能技術(shù)在測(cè)繪遙感領(lǐng)域的廣泛應(yīng)用，遙感目標(biāo)識(shí)別方法的精度都得到了提升，但是仍然存在可靠性問題需要解決，且缺乏系統(tǒng)的可靠性理論支撐。分析遙感目標(biāo)識(shí)別過程中的影響可靠性的因素，可為智能化遙感目標(biāo)識(shí)別結(jié)果的可靠性評(píng)估和過程可靠性控制提供基礎(chǔ)，最終保障智能化遙感目標(biāo)識(shí)別的可靠性。按照遙感目標(biāo)識(shí)別技術(shù)實(shí)現(xiàn)過程，從遙感數(shù)據(jù)源和人工智能算法兩個(gè)方面對(duì)其各個(gè)步驟的可靠性影響因素進(jìn)行了分析，如圖3所示。

圖3 遙感目標(biāo)識(shí)別的可靠性影響因素

2.1 影響遙感數(shù)據(jù)源可靠性的因素

遙感數(shù)據(jù)源是實(shí)現(xiàn)智能化目標(biāo)可靠性識(shí)別的重要基礎(chǔ)，其可靠性影響因素主要存在于數(shù)據(jù)獲取和預(yù)處理兩個(gè)過程。

(1)數(shù)據(jù)獲取過程?？陀^世界的復(fù)雜性和不確定性、人類認(rèn)知水平的局限性、感知技術(shù)的缺陷等因素造成了不確定性普遍存在[10]。遙感技術(shù)作為一種觀測(cè)手段，其數(shù)據(jù)獲取過程的可靠性，除了受客觀世界的復(fù)雜性和不確定性影響外，還主要受到成像條件、分辨率、存儲(chǔ)過程等因素影響。成像條件是一個(gè)復(fù)雜的因素集合，包括傳感器平臺(tái)、大氣環(huán)境、觀測(cè)時(shí)間、光照條件等。例如，陰影遮擋容易引起變化檢測(cè)方法的誤報(bào)導(dǎo)致其最終成果可靠性降低。分辨率包括時(shí)間分辨率、空間分辨率和光譜分辨率等，不合適的分辨率會(huì)影響目標(biāo)識(shí)別結(jié)果的可靠性。文獻(xiàn)[15]分析了不同空間分辨率遙感數(shù)據(jù)對(duì)湖泊識(shí)別可靠性的影響。而存儲(chǔ)過程的可靠性是指遙感數(shù)據(jù)在存儲(chǔ)與傳輸過程中是否會(huì)發(fā)生信息丟失、文件損壞等問題，可以通過信息校驗(yàn)進(jìn)行可靠性提升。

(2)預(yù)處理過程。遙感數(shù)據(jù)預(yù)處理是遙感應(yīng)用的關(guān)鍵步驟之一，通常包括輻射定標(biāo)、輻射處理、幾何定標(biāo)、幾何處理4個(gè)方面。該過程旨在消除成像過程受到的各種因素，如大氣作用、傳感器姿態(tài)、隨機(jī)噪聲等影響，使得遙感數(shù)據(jù)能夠真實(shí)反映地物輻射電磁波能量的大小，從而保證遙感目標(biāo)識(shí)別數(shù)據(jù)源的可靠性。同時(shí)，預(yù)處理方法如輻射校正、幾何配準(zhǔn)、數(shù)據(jù)融合、鑲嵌等存在的誤差也成了影響可靠性的因素。文獻(xiàn)[16]研究了配準(zhǔn)誤差對(duì)變化檢測(cè)方法精度的影響，分析了配準(zhǔn)問題導(dǎo)致變化檢測(cè)誤差的空間分布規(guī)律，并指出通過將邊緣信息和空間信息結(jié)合有助于研究可靠的變化檢測(cè)方法。

2.2 影響人工智能算法可靠性的因素

智能化的遙感目標(biāo)識(shí)別的核心內(nèi)容是人工智能的應(yīng)用，人工智能需要基于外部數(shù)據(jù)進(jìn)行解釋和學(xué)習(xí)，并利用這些知識(shí)實(shí)現(xiàn)特定目標(biāo)和任務(wù)[17]，其可靠性主要受到訓(xùn)練樣本生成、識(shí)別算法實(shí)現(xiàn)和應(yīng)用數(shù)據(jù)輸入3個(gè)過程中的可靠性因素影響。

(1)訓(xùn)練樣本生成。對(duì)于以數(shù)據(jù)驅(qū)動(dòng)為主的人工智能算法，如目前廣泛應(yīng)用的深度學(xué)習(xí)算法，需要可靠的樣本數(shù)據(jù)進(jìn)行模型訓(xùn)練。因此，在實(shí)踐中，一方面，應(yīng)該考慮訓(xùn)練樣本的數(shù)量規(guī)模、類型、分布模式、標(biāo)注質(zhì)量等影響可靠性的因素。其中，實(shí)現(xiàn)高精度的樣本標(biāo)注是目前面臨的較大挑戰(zhàn)，這是由于地物目標(biāo)本身存在不確定性，如幾何邊界、光譜特征(同物異譜、同譜異物)的模糊性，使標(biāo)注結(jié)果具有不可靠性。另一方面，由于受到人類認(rèn)知水平的限制，即使是專家標(biāo)注的真值也難免存在問題。文獻(xiàn)[18]研究了地理國(guó)情普查中容易混淆的地表覆蓋類型，指出應(yīng)該通過加強(qiáng)培訓(xùn)，提高作業(yè)人員對(duì)地物特征定義和采集要求的認(rèn)識(shí)，避免人為因素導(dǎo)致的標(biāo)注錯(cuò)誤。

(2)識(shí)別算法實(shí)現(xiàn)。盡管人工智能能夠模仿人類的目標(biāo)識(shí)別過程，甚至在精度方面超過人類，能夠幫助提升算法識(shí)別結(jié)果的可靠性。但是人工智能算法結(jié)構(gòu)的復(fù)雜性和多樣性、不可解釋性、目標(biāo)函數(shù)的局限性等，仍然是影響其可靠性的重要因素。一個(gè)人工智能算法盡管可能獲得很好地識(shí)別檢測(cè)性能，但是如果其產(chǎn)生的結(jié)果不可解釋，甚至是不可控，那么這個(gè)算法會(huì)因?yàn)闊o法展現(xiàn)更多的可靠信息而受到應(yīng)用限制[19]。

(3)應(yīng)用輸入數(shù)據(jù)。應(yīng)用輸入數(shù)據(jù)是指人工智能算法運(yùn)行的輸入數(shù)據(jù)，對(duì)于需要訓(xùn)練樣本的遙感目標(biāo)識(shí)別任務(wù)，輸入的遙感數(shù)據(jù)容易存在與訓(xùn)練樣本分布模式不同的情況，這會(huì)導(dǎo)致人工智能算法失效。例如，在識(shí)別遙感變化目標(biāo)的任務(wù)中，應(yīng)用數(shù)據(jù)的分布模式難以估計(jì)，存在低似然性問題，即絕大多數(shù)地物未變化而且變化類型和數(shù)量難以估計(jì)。地表覆蓋的復(fù)雜性和成像條件與訓(xùn)練樣本的差異性，都容易導(dǎo)致基于該人工智能模型的遙感變化檢測(cè)算法可靠性降低。此外，異常輸入數(shù)據(jù)如存在極端值的遙感數(shù)據(jù)也是導(dǎo)致人工智能算法可靠性下降的重要因素。針對(duì)具體的人工智能模型，通常都存在對(duì)抗性樣本使算法失效的情況[20]，因此，對(duì)抗性樣本也是影響人工智能算法可靠性的因素之一。

3 遙感目標(biāo)識(shí)別可靠性提升方法

3.1 可靠性提升策略

分析遙感目標(biāo)識(shí)別各個(gè)過程中的可靠性影響因素可以幫助研究其可靠性提升策略，目前已經(jīng)取得了一定的研究進(jìn)展[4,21]，主要可以歸納為以下4個(gè)方面。

(1)分析數(shù)據(jù)的不確定性分布模式。如分析雙時(shí)相數(shù)據(jù)的配準(zhǔn)誤差[16]、聯(lián)合不確定性[22]等對(duì)結(jié)果可靠性的影響，發(fā)展可靠的圖像配準(zhǔn)、幾何校正、輻射校正等預(yù)處理算法，來降低數(shù)據(jù)獲取過程中的不可靠因素，旨在提升遙感數(shù)據(jù)源的可靠性。

(2)結(jié)合各種數(shù)學(xué)模型。如動(dòng)態(tài)閾值模型[23]、馬爾科夫模型[24]、水平集模型[25]、模糊拓?fù)淠Ｐ蚚26]、局部光譜趨勢(shì)相似性模型[27]等，旨在基于遙感數(shù)據(jù)的時(shí)空特征對(duì)結(jié)果進(jìn)行優(yōu)化，以提高識(shí)別結(jié)果在模糊區(qū)域的可靠性。

(3)融合多種數(shù)據(jù)、特征和算法。如融合多源遙感數(shù)據(jù)[28]、融合多特征方法[29-30]、融合多算法和多尺度結(jié)果[31-33]等，可以有效避免單一數(shù)據(jù)、特征或算法失效導(dǎo)致的低可靠性。

(4)恢復(fù)細(xì)節(jié)。通過恢復(fù)檢測(cè)目標(biāo)的細(xì)節(jié)，提高邊緣位置目標(biāo)識(shí)別的可靠性。文獻(xiàn)[34]利用不確定性分析提高變化目標(biāo)的邊緣準(zhǔn)確度。文獻(xiàn)[35]首先利用亞像素方法恢復(fù)像素細(xì)節(jié)，然后進(jìn)行變化檢測(cè)，以提高變化目標(biāo)檢測(cè)結(jié)果的可靠性。

3.2 人工智能用于可靠性提升

上述遙感目標(biāo)識(shí)別的可靠性提升策略中，人工智能技術(shù)也發(fā)揮了重要作用。文獻(xiàn)[36]設(shè)計(jì)了一種深度神經(jīng)網(wǎng)絡(luò)，提升了遙感圖像的配準(zhǔn)精度，可以用于提升預(yù)處理過程的可靠性。文獻(xiàn)[37]結(jié)合深度學(xué)習(xí)模型和條件隨機(jī)場(chǎng)數(shù)學(xué)模型用于遙感影像的滑坡識(shí)別，提升了滑坡邊界在模糊區(qū)域的可靠性。文獻(xiàn)[38]利用卷積神經(jīng)網(wǎng)絡(luò)從衛(wèi)星影像和點(diǎn)云中識(shí)別城市樹木的類型，試驗(yàn)證明多源遙感數(shù)據(jù)的使用，提高了識(shí)別結(jié)果的可靠性。文獻(xiàn)[39]結(jié)合邊緣損失函數(shù)來提高建筑物識(shí)別邊緣位置的可靠性。文獻(xiàn)[40]設(shè)計(jì)了一種基于多尺度、多任務(wù)的深度學(xué)習(xí)模型，實(shí)現(xiàn)了基于高分辨率遙感影像的道路識(shí)別，多尺度和多任務(wù)的設(shè)計(jì)使模型保留了空間細(xì)節(jié)的同時(shí)也提高了特征提取的穩(wěn)健性。

此外，發(fā)展可靠的人工智能算法，也是提升智能化遙感目標(biāo)識(shí)別可靠性的重要途徑，目前的研究可以歸納為以下3個(gè)方面。

(1)提高算法識(shí)別能力。旨在通過設(shè)計(jì)各種新的人工智能模型結(jié)構(gòu)提高算法識(shí)別能力。文獻(xiàn)[41]設(shè)計(jì)了一種具有旋轉(zhuǎn)不變性學(xué)習(xí)能力的網(wǎng)絡(luò)結(jié)構(gòu)來處理目標(biāo)旋轉(zhuǎn)變化的問題，提高遙感目標(biāo)識(shí)別的性能。這種通過提高識(shí)別結(jié)果的準(zhǔn)確性和完整性來提升算法的可靠性，是目前大部分研究主要關(guān)注的方向[4,42-43]。

(2)降低對(duì)訓(xùn)練樣本的要求。旨在通過發(fā)展各種人工智能學(xué)習(xí)算法，如無監(jiān)督[44]、弱監(jiān)督[45]、半監(jiān)督[46]等算法及生成對(duì)抗[47]、樣本增廣[48]、小樣本學(xué)習(xí)[49]、遷移學(xué)習(xí)[50-51]等訓(xùn)練策略，降低算法對(duì)訓(xùn)練樣本的依賴程度和提高容錯(cuò)能力，提高模型的穩(wěn)健性和適用性，從而提升可靠性。

(3)提高人工智能算法的可解釋性。人工智能用于遙感目標(biāo)可靠性識(shí)別首先需要提高算法自身的可解釋性，才能保證算法可以被人理解、控制和信任[52-53]。因此，人工智能算法的可解釋性也是可靠性方法需要研究的重要內(nèi)容，其中深度學(xué)習(xí)模型的可解釋性研究是人工智能應(yīng)用領(lǐng)域目前最具有代表性的方向。根據(jù)文獻(xiàn)[54]對(duì)深度學(xué)習(xí)模型可解釋性的定義可知，按可解釋性的解釋范圍可以分為全局可解釋性和局部可解釋性；按可解釋性的階段可以分為建模中的可解釋性和建模后的可解釋性。目前主要的3個(gè)研究方向?yàn)椋孩偻ㄟ^模型內(nèi)部可視化分析，使模型的推理過程變得透明、可理解。②利用知識(shí)表征解釋模型各個(gè)模塊的語(yǔ)義特征，通過特征擾動(dòng)和對(duì)抗性樣本分析各個(gè)特征對(duì)模型預(yù)測(cè)的影響。③基于已有可解釋性模型和工具如決策樹對(duì)黑盒模型進(jìn)行建模后解釋。

受到計(jì)算機(jī)領(lǐng)域相關(guān)研究的推動(dòng)，可解釋性人工智能已經(jīng)逐漸應(yīng)用到遙感目標(biāo)識(shí)別[55-59]，但是還缺乏系統(tǒng)的理論研究。因此，遙感領(lǐng)域的可解釋性人工智能的理論和方法需要進(jìn)一步的發(fā)展。例如利用模型可解釋性相關(guān)技術(shù)探測(cè)人工智能模型的決策弱點(diǎn)和決策邏輯，利用其生成的對(duì)抗性樣本來進(jìn)行對(duì)抗訓(xùn)練，可以進(jìn)一步提升模型的穩(wěn)健性[60]，從而得到更可靠的模型用于目標(biāo)識(shí)別。

4 可靠性評(píng)估和過程可靠性控制

4.1 可靠性評(píng)估

遙感目標(biāo)識(shí)別的整體可靠性評(píng)估是算法能否實(shí)際應(yīng)用的重要保證，因此，需要根據(jù)可靠性影響因素分析，構(gòu)建相應(yīng)的可靠性評(píng)估指標(biāo)體系。針對(duì)不同的應(yīng)用需求，可以構(gòu)建不同的可靠性評(píng)估指標(biāo)體系。通過加權(quán)的方式確定各個(gè)指標(biāo)的重要性，最終用于計(jì)算整體可靠性指數(shù)。針對(duì)目標(biāo)識(shí)別算法的評(píng)價(jià)指標(biāo)和針對(duì)識(shí)別結(jié)果的評(píng)價(jià)指標(biāo)兩類，如圖4所示。

圖4 智能化遙感目標(biāo)識(shí)別的可靠性評(píng)估

(1)針對(duì)目標(biāo)識(shí)別算法的指標(biāo)。目前，人工智能算法的可靠性評(píng)估已經(jīng)有一定的標(biāo)準(zhǔn)化研究，文獻(xiàn)[61]提出了深度學(xué)習(xí)算法的可靠性評(píng)估指標(biāo)體系，包括：①算法功能實(shí)現(xiàn)；②代碼實(shí)現(xiàn)；③目標(biāo)函數(shù)；④訓(xùn)練數(shù)據(jù)集；⑤對(duì)抗性樣本；⑥軟硬件平臺(tái)；⑦環(huán)境數(shù)據(jù)。文獻(xiàn)[62]介紹了如何研究人工智能算法模型安全指標(biāo)和可信賴標(biāo)準(zhǔn)。文獻(xiàn)[63]闡述了這些人工智能技術(shù)的可靠性評(píng)估方法和標(biāo)準(zhǔn)的發(fā)展，為智能化目標(biāo)識(shí)別算法在遙感領(lǐng)域的可靠性評(píng)估提供了重要依據(jù)。

(2)針對(duì)識(shí)別結(jié)果的指標(biāo)。遙感目標(biāo)識(shí)別結(jié)果可以作為一般測(cè)繪成果進(jìn)行可靠性評(píng)估，其可靠性指標(biāo)需要反映識(shí)別結(jié)果與參考數(shù)據(jù)表述情況(代表現(xiàn)實(shí)世界的真值)的吻合程度，現(xiàn)有的指標(biāo)包括[21,64]：①準(zhǔn)確性(識(shí)別結(jié)果反映真值的準(zhǔn)確程度)；②完整性(識(shí)別結(jié)果與真值相比的符合與缺失的程度)；③現(xiàn)勢(shì)性(識(shí)別結(jié)果與評(píng)價(jià)時(shí)刻真值的吻合程度)；④一致性(識(shí)別結(jié)果的類型與真值的一致程度)；⑤尺度合理性(識(shí)別結(jié)果在當(dāng)前尺度上與真值的符合程度)；⑥適用性(識(shí)別結(jié)果在具體應(yīng)用領(lǐng)域的適用程度)；⑦穩(wěn)健性(抗干擾性，即穩(wěn)定表達(dá)真值的能力)。這些評(píng)價(jià)指標(biāo)從不同方面反映了識(shí)別結(jié)果的可靠程度，通過這些指標(biāo)構(gòu)建的可靠性評(píng)估體系可以保障遙感目標(biāo)識(shí)別最終結(jié)果的整體可靠性。

在智能化遙感目標(biāo)識(shí)別的具體應(yīng)用中，通常需要根據(jù)應(yīng)用的可靠性需求，構(gòu)建不同的評(píng)價(jià)指標(biāo)模型，通過設(shè)置權(quán)值表示可靠性指標(biāo)的重要程度。最終計(jì)算得到的整體可靠性評(píng)價(jià)指數(shù)一方面可以為提升智能化遙感目標(biāo)識(shí)別的可靠性提供指導(dǎo)方向；另一方面可以為依據(jù)識(shí)別結(jié)果進(jìn)行的決策提供可靠性保障。

4.2 過程可靠性分析和控制

遙感目標(biāo)識(shí)別可以視為一個(gè)系統(tǒng)工程，各個(gè)處理過程可以通過可靠性評(píng)估指標(biāo)進(jìn)行可靠性分析，其分析結(jié)果可以進(jìn)一步用于過程可靠性控制，最終通過調(diào)控算法過程中的可靠性影響因子提升整體方法的可靠性。文獻(xiàn)[65]研究了地理國(guó)情遙感監(jiān)測(cè)數(shù)據(jù)變化檢測(cè)可靠性控制算法，通過顧及鄰域局部不確定性來提升算法結(jié)果的可靠性。

過程可靠性分析是指分析遙感目標(biāo)識(shí)別過程中各種可靠性影響因素隨著系統(tǒng)過程不斷地傳遞與積累，以及可靠性影響因素之間的相互作用，從而影響最終結(jié)果可靠性的過程。而過程可靠性控制旨在利用過程可靠性分析，結(jié)合可靠性評(píng)估指標(biāo)，建立系統(tǒng)過程的可靠性推理模型和可靠性影響因素之間的相互關(guān)系，從而找出重要的可靠性影響因子并進(jìn)行可靠性控制，建立對(duì)應(yīng)的可靠性控制方法[64]。

智能化遙感目標(biāo)識(shí)別的過程可靠性控制如圖5所示，主要包括兩個(gè)關(guān)鍵步驟：

圖5 智能化遙感目標(biāo)識(shí)別的過程可靠性控制思想

(1)對(duì)識(shí)別過程中的可靠性傳播進(jìn)行建模，并對(duì)其可靠性傳播規(guī)律進(jìn)行分析，建立可靠性狀態(tài)轉(zhuǎn)移序列，用于可靠性影響因子的重要度分析。

(2)通過指標(biāo)評(píng)估過程中的可靠性影響因子，加強(qiáng)對(duì)重要因子的過程可靠性控制，并通過優(yōu)化方法設(shè)計(jì)達(dá)到提升識(shí)別過程總體可靠性的目的。

有效的過程可靠性控制方法有助識(shí)別關(guān)鍵的可靠性影響因素，并控制這些因素對(duì)結(jié)果可靠性的影響。這是智能化遙感目標(biāo)可靠性識(shí)別的重要研究?jī)?nèi)容之一。

5 展 望

人工智能用于遙感目標(biāo)識(shí)別已經(jīng)成為重要研究方向之一。結(jié)合筆者團(tuán)隊(duì)有關(guān)研究，本文提出以下幾個(gè)展望。

5.1 發(fā)展無監(jiān)督學(xué)習(xí)

人工智能的可靠性受到先驗(yàn)知識(shí)和訓(xùn)練過程的影響。目前遙感領(lǐng)域存在的已標(biāo)注訓(xùn)練樣本數(shù)據(jù)集的數(shù)量和規(guī)模都比較小，缺乏可靠性保障。因此，除了通過人工標(biāo)注制作可靠的訓(xùn)練樣本數(shù)據(jù)集外，利用無監(jiān)督學(xué)習(xí)方式有可能解決這一問題。這些人工智能算法通過自身改進(jìn)而降低對(duì)訓(xùn)練樣本的依賴，在減少人力和物力消耗的同時(shí)，可以提高算法對(duì)任務(wù)的適應(yīng)性和穩(wěn)健性，不易受訓(xùn)練樣本分布模式的局限，從而提升算法的可靠性。

5.2 發(fā)展遙感領(lǐng)域的可解釋性人工智能

如上文所述，不可解釋的人工智能是不可靠性的重要來源因素。目前可解釋性人工智能的研究還不夠成熟，沒有統(tǒng)一的理論和標(biāo)準(zhǔn)，特別是在遙感領(lǐng)域還處于起步階段。因此，還需要更深入的研究，探索能夠應(yīng)用于遙感目標(biāo)識(shí)別甚至是其他遙感應(yīng)用的可解釋性人工智能。

從算法應(yīng)用實(shí)現(xiàn)角度考慮，遙感應(yīng)用通常會(huì)面臨大數(shù)據(jù)量、多數(shù)據(jù)類型、復(fù)雜地表覆蓋等挑戰(zhàn)，導(dǎo)致基于人工智能的遙感目標(biāo)識(shí)別算法復(fù)雜且難以理解，同時(shí)也需要大量的計(jì)算機(jī)資源支持。對(duì)于復(fù)雜的遙感目標(biāo)識(shí)別任務(wù)，單一的人工智能算法很難實(shí)現(xiàn)全部任務(wù)目標(biāo)。因此，可以將復(fù)雜任務(wù)分解成多個(gè)簡(jiǎn)單且容易理解的任務(wù)并實(shí)現(xiàn)原生分布式算法，利用分布式計(jì)算或邊緣計(jì)算等技術(shù)實(shí)現(xiàn)復(fù)雜任務(wù)的模塊化處理，這種解耦合實(shí)現(xiàn)除了可以提升整體算法的執(zhí)行效率外，還有助于提升整體算法的可解釋性和可靠性。

5.3 融合多源遙感數(shù)據(jù)提升識(shí)別可靠性

測(cè)繪行業(yè)已經(jīng)進(jìn)入大數(shù)據(jù)時(shí)代，隨著觀測(cè)手段和觀測(cè)能力的提高，以及空天地一體化觀測(cè)平臺(tái)的發(fā)展，多源遙感數(shù)據(jù)的融合處理是必然的發(fā)展趨勢(shì)。基于多源遙感數(shù)據(jù)的目標(biāo)識(shí)別一方面可以提高遙感數(shù)據(jù)利用率，另一方面可以提高方法與結(jié)果的可靠性。因?yàn)槎嘣磾?shù)據(jù)的使用，本質(zhì)上是一種通過冗余信息使用提高可靠性的思想。

同時(shí)，隨著國(guó)家眾多遙感監(jiān)測(cè)任務(wù)的實(shí)施和智慧城市的建立，遙感目標(biāo)識(shí)別應(yīng)用需求的時(shí)間頻率不斷提高，從年度觀測(cè)到月度觀測(cè)甚至到實(shí)時(shí)觀測(cè)；空間維度不斷擴(kuò)展，從二維到三維甚至到多平臺(tái)、多角度觀測(cè)，這給基于多源、多時(shí)相遙感數(shù)據(jù)的智能化遙感目標(biāo)識(shí)別的可靠性控制帶來了新的機(jī)遇與挑戰(zhàn)。

6 結(jié)束語(yǔ)

將人工智能與遙感信息處理有機(jī)結(jié)合是重要發(fā)展趨勢(shì)，可靠性問題是這個(gè)發(fā)展中的重要研究課題。本文提出智能化的遙感目標(biāo)可靠性識(shí)別的總體設(shè)計(jì)，作為拋磚引玉，希望可以推動(dòng)可靠性遙感目標(biāo)識(shí)別的發(fā)展，包括基礎(chǔ)理論、智能方法、實(shí)用技術(shù)、國(guó)家和行業(yè)標(biāo)準(zhǔn)的系統(tǒng)發(fā)展與實(shí)踐，最終使新一代測(cè)繪技術(shù)實(shí)現(xiàn)智能化的同時(shí)具有高可靠性。