人工智能賦能遙感應(yīng)用

金笑天，張振川

（1.遙導(dǎo)通（上海）信息有限公司，上海 210702；2.上海市信息技術(shù)研究中心，上海 210702）

近年來(lái)，在大數(shù)據(jù)技術(shù)的成熟應(yīng)用、圖形處理器（GPU）硬件的不斷升級(jí)和神經(jīng)網(wǎng)絡(luò)算法搭上深度學(xué)習(xí)的快車等諸多因素推動(dòng)下，人工智能在自然語(yǔ)言處理、人臉識(shí)別、圖像識(shí)別、圖像搜索、聲紋識(shí)別、文字識(shí)別和機(jī)器翻譯等諸多應(yīng)用領(lǐng)域已經(jīng)達(dá)到甚至超過(guò)人類平均水平，這標(biāo)志著人工智能研究迎來(lái)了第三次高潮[1]。人工智能的發(fā)展給各個(gè)行業(yè)和領(lǐng)域帶來(lái)了新的機(jī)遇和挑戰(zhàn)。

近年來(lái)隨著遙感技術(shù)的發(fā)展，遙感數(shù)據(jù)空間分辨率、時(shí)間分辨率、光譜分辨率和輻射分辨率越來(lái)越高，數(shù)據(jù)類型越來(lái)越豐富。遙感數(shù)據(jù)每天以TB級(jí)別的速度增長(zhǎng)，而遙感數(shù)據(jù)的總量則達(dá)到了TB/PB級(jí)別。如此龐大的遙感數(shù)據(jù)也出現(xiàn)了大容量、高效率、多類型、難辨識(shí)、高價(jià)值、高維度、多尺度和非平穩(wěn)等特征。遙感行業(yè)急需新的技術(shù)方法來(lái)存儲(chǔ)和分析如此海量的數(shù)據(jù)。

1 AI在遙感領(lǐng)域的主要關(guān)鍵技術(shù)

人工智能在遙感領(lǐng)域的主要關(guān)鍵技術(shù)為：神經(jīng)網(wǎng)絡(luò)技術(shù)、遙感大數(shù)據(jù)的異構(gòu)數(shù)據(jù)庫(kù)技術(shù)、遙感圖像地表/地物智能分類技術(shù)和遙感數(shù)據(jù)建筑變化自動(dòng)檢測(cè)技術(shù)等。

1.1 神經(jīng)網(wǎng)絡(luò)算法技術(shù)

一個(gè)神經(jīng)網(wǎng)絡(luò)是一個(gè)由簡(jiǎn)單處理元構(gòu)成的規(guī)模宏大的并行分布處理器，具有存儲(chǔ)經(jīng)驗(yàn)知識(shí)和使之可用的特性。神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元模型是一個(gè)包含輸入、輸出與計(jì)算功能的模型，神經(jīng)網(wǎng)絡(luò)則是將多個(gè)“神經(jīng)元”連接起來(lái)，他們都有各自的輸入和輸出，神經(jīng)元中最重要的東西是連接，每一個(gè)連接都代表著某一個(gè)權(quán)重，多個(gè)神經(jīng)元連接起來(lái)形成了神經(jīng)網(wǎng)絡(luò)，這樣才能夠發(fā)揮輸入、處理、輸出的一系列功能。比如在監(jiān)督學(xué)習(xí)中我們可以首先設(shè)定一個(gè)訓(xùn)練用的樣本集（x i，y i）（xi，yi），然后根據(jù)我們?cè)O(shè)定的目標(biāo)和策略進(jìn)行訓(xùn)練和擬合，訓(xùn)練目標(biāo)是通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法讓各個(gè)權(quán)重參數(shù)的值調(diào)整到最佳，從而使得神經(jīng)網(wǎng)絡(luò)整體的預(yù)測(cè)效果達(dá)到最佳。神經(jīng)網(wǎng)絡(luò)算法目前能夠支持非線性的假設(shè)模型h W，b（x）hW，b（x），針對(duì)事先準(zhǔn)備好的訓(xùn)練數(shù)據(jù)通過(guò)b，W參數(shù)進(jìn)行擬合。

如圖1所示，兩層神經(jīng)網(wǎng)絡(luò)不僅包含一個(gè)輸入層和輸出層，還包括一個(gè)中間層，此時(shí)輸出層和中間層都發(fā)揮計(jì)算層的作用，中間層也常被稱為“隱藏層”，當(dāng)然我們也可以增加多個(gè)隱藏層，而我們?cè)谶M(jìn)行樣本訓(xùn)練的時(shí)候，通常感知不到它們的值。

圖1 兩層神經(jīng)網(wǎng)絡(luò)示意圖

在給定訓(xùn)練數(shù)據(jù)集的情況下，可以構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)來(lái)對(duì)這些數(shù)據(jù)進(jìn)行擬合。構(gòu)建過(guò)程主要分為2步：（1）前向傳播；（2）反向求導(dǎo)。在前向傳播過(guò)程中，給定權(quán)值和bias矩陣，可以得到給定樣本對(duì)應(yīng)的預(yù)測(cè)值（激活值）；在反向求導(dǎo)過(guò)程，通過(guò)樣本預(yù)測(cè)值與樣本真實(shí)值之間的誤差來(lái)不斷修正網(wǎng)絡(luò)參數(shù)，直至收斂。

神經(jīng)網(wǎng)絡(luò)算法技術(shù)是人工智能的基礎(chǔ)算法技術(shù)，可用于遙感影像的各類學(xué)習(xí)和智能分類、自動(dòng)檢測(cè)等。

1.2 遙感大數(shù)據(jù)的異構(gòu)數(shù)據(jù)庫(kù)技術(shù)

遙感大數(shù)據(jù)的原始數(shù)據(jù)主要為巨大的非結(jié)構(gòu)化的文件數(shù)據(jù)，這些原始數(shù)據(jù)的存儲(chǔ)、處理需要以文件系統(tǒng)的非結(jié)構(gòu)化存儲(chǔ)系統(tǒng)作為支撐，經(jīng)處理后的結(jié)果數(shù)據(jù)，通常需要導(dǎo)入數(shù)據(jù)庫(kù)用于后期查詢和應(yīng)用。遙感大數(shù)據(jù)的數(shù)據(jù)來(lái)源多樣化，且具有數(shù)據(jù)格式多樣、數(shù)據(jù)類型復(fù)雜、結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)并存等特點(diǎn)。同時(shí)因?yàn)檫b感影像數(shù)據(jù)歷史信息在持續(xù)積累保存、新的數(shù)據(jù)在不停匯集和入庫(kù)，對(duì)于數(shù)據(jù)庫(kù)的操作比較頻繁，所以需要充分發(fā)揮整合多源異構(gòu)遙感數(shù)據(jù)的時(shí)空數(shù)據(jù)庫(kù)的能力，并且需要重點(diǎn)解決多源異構(gòu)數(shù)據(jù)整合、大數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分類和標(biāo)簽化與數(shù)據(jù)檢索等諸多難題和挑戰(zhàn)。利用遙感大數(shù)據(jù)和AI技術(shù)方法，進(jìn)行遙感數(shù)據(jù)的匯集、分類、聚類、標(biāo)簽化、檢索和多維分析等，可以有效解決這些難題和挑戰(zhàn)。

遙感大數(shù)據(jù)的異構(gòu)數(shù)據(jù)庫(kù)技術(shù)通常采用Hadoop/Spark大數(shù)據(jù)平臺(tái)，該平臺(tái)支持分布式集群和海量數(shù)據(jù)搜索引擎，包括來(lái)自于海量數(shù)據(jù)庫(kù)的結(jié)構(gòu)化信息和來(lái)自于非結(jié)構(gòu)化內(nèi)容的信息，建立合適的索引，并通過(guò)數(shù)據(jù)分片技術(shù)，把這些索引信息分片存儲(chǔ)在不同的物理節(jié)點(diǎn)上。該系統(tǒng)對(duì)外提供JAVA/.NET編程接口，或者RESTful的服務(wù)，支持索引和搜索任務(wù)的產(chǎn)生、調(diào)度和結(jié)果合并，支持優(yōu)化的多階段任務(wù)管理，支持模糊查詢、組合查詢、相似查詢和特征統(tǒng)計(jì)（Facet）等高級(jí)搜索功能。通過(guò)AI技術(shù)進(jìn)行數(shù)據(jù)分類、聚類和自動(dòng)標(biāo)簽化，建立快速索引和查詢機(jī)制為后面的遙感數(shù)據(jù)解譯、分析和應(yīng)用打下良好基礎(chǔ)。

1.3 遙感圖像地表/地物智能分類技術(shù)

遙感衛(wèi)星影像具有載荷手段多、獲取信息快、更新周期短、能夠動(dòng)態(tài)監(jiān)測(cè)以及受限制條件少等優(yōu)勢(shì)，已經(jīng)在很多行業(yè)得到廣泛應(yīng)用。但是高空間分辨率遙感圖像具有海量數(shù)據(jù)、復(fù)雜細(xì)節(jié)和尺度依賴的特點(diǎn)，使得圖像信息智能快速提取成為應(yīng)用瓶頸，影響遙感數(shù)據(jù)使用的效率和深度。遙感影像分類的主要流程是基于提前設(shè)定好的類別和特征庫(kù)，解譯分析遙感圖片，并通過(guò)特定的算法提取相應(yīng)的地物類別，可以通過(guò)大數(shù)據(jù)和AI的技術(shù)實(shí)現(xiàn)自動(dòng)化和半自動(dòng)化的圖像語(yǔ)義分析，實(shí)現(xiàn)智能分類和標(biāo)簽化，隨著算力和算法的不斷提高，基于AI的地表地物的智能分類技術(shù)和效率已經(jīng)走向?qū)嵱没碾A段。在很多已經(jīng)成熟應(yīng)用遙感技術(shù)的領(lǐng)域，如自然資源（水田林濕礦等）的變化監(jiān)測(cè)中均有重要應(yīng)用價(jià)值。

遙感圖像反映了自然地物和人工設(shè)施在地表的分布，沒(méi)有明顯的“前景”與“背景”的差別，也沒(méi)有明顯的“中央?yún)^(qū)域”與“邊緣區(qū)域”的差別，難以對(duì)遙感圖像進(jìn)行語(yǔ)義分割。針對(duì)遙感圖像語(yǔ)義分割的任務(wù)，有FCN、U-Net、SegNet和DeepLab等多種經(jīng)典模型，而通過(guò)研究表明，U-Net能夠有效地進(jìn)行遙感圖像信息提取。

全卷積神經(jīng)網(wǎng)絡(luò)模型中經(jīng)常使用U-net網(wǎng)絡(luò)，它是一個(gè)U型狀的網(wǎng)絡(luò)，包括擴(kuò)張網(wǎng)絡(luò)和收縮網(wǎng)絡(luò)這兩大類，U-net網(wǎng)絡(luò)和傳統(tǒng)FCN網(wǎng)絡(luò)相比，具有在上采樣的時(shí)候整合更多層次的特點(diǎn)和優(yōu)勢(shì)，好處在于能夠充分保存采樣過(guò)程中的重要特征信息。模型架構(gòu)如圖2所示[2]。

圖2 U-net架構(gòu)示意圖

圖2代表了端-端的圖像處理，輸入和輸出都是一副圖像。核為1X1的卷積操作用conv 1X1來(lái)表示，該網(wǎng)絡(luò)只包含了下采樣和卷積，并沒(méi)有實(shí)現(xiàn)全連接。

1.4 建筑物變化自動(dòng)檢測(cè)技術(shù)

目前，建筑物變化檢測(cè)的方法多種多樣，其中以圖像匹配的變化檢測(cè)方法、圖像匹配和高程信息分析相結(jié)合的變化檢測(cè)方法等最為經(jīng)典。我們可以使用人工智能的幾何結(jié)構(gòu)特征搜索分析法來(lái)提高建筑物變化自動(dòng)檢測(cè)的精度和效率，利用人工智能技術(shù)進(jìn)行特征標(biāo)注和訓(xùn)練，進(jìn)而采用特征搜索分析法，對(duì)比不同時(shí)相的遙感圖像，基于特定算法自動(dòng)化地進(jìn)行建筑物的特征提取，然后將不同時(shí)相圖像所提取的線段特征等進(jìn)行對(duì)照和分析，判別新建建筑物、拆除建筑物、毀壞建筑物以及改建建筑物等。

2 人工智能賦能遙感應(yīng)用示例

2.1 城市植被綠地監(jiān)測(cè)應(yīng)用

城市植被覆蓋的類型、生物量、生態(tài)功能及綠化效應(yīng)都不盡相同，所以很難單純通過(guò)簡(jiǎn)單的解譯分析得到城市的實(shí)際“綠量”數(shù)據(jù)，通過(guò)遙感圖像地表智能分類技術(shù)，識(shí)別地表植被類型和覆蓋面積，從而間接體現(xiàn)城市植被的生物總量和實(shí)際綠化效應(yīng)?？梢圆捎贸鞘兄脖痪G地提取監(jiān)測(cè)算法快速自動(dòng)化提取不同時(shí)相遙感影像中林地變化區(qū)域的矢量結(jié)果，快速實(shí)現(xiàn)植被綠地變化圖斑提取，效率相比人工提升超百倍，為植被綠地智能化監(jiān)測(cè)預(yù)警提供有力技術(shù)支撐。

張友靜、高云霄等學(xué)者采用高分衛(wèi)星遙感影像IKONOS，以城市植被類型信息為對(duì)象[3]，構(gòu)建了基于支持向量機(jī)（SVM）決策樹(shù)的城市植被綠地分類模型，SVM模型方法在通用分類方法的基礎(chǔ)上，分析了SVM的核函數(shù)。該方法和傳統(tǒng)分類方法比較，對(duì)城市植被綠地分類的準(zhǔn)確度可以達(dá)到80%以上，而對(duì)于綠化面積的識(shí)別精度可以達(dá)到95%。

2.2 城市用地監(jiān)測(cè)應(yīng)用

遙感為監(jiān)測(cè)城市土地利用變化提供了重要手段，通過(guò)對(duì)遙感影像進(jìn)行可視化解譯，應(yīng)用遙感數(shù)據(jù)建筑變化自動(dòng)檢測(cè)技術(shù)，實(shí)現(xiàn)土地利用情況信息的獲取和監(jiān)測(cè)。城市用地監(jiān)測(cè)的一個(gè)主要工作內(nèi)容是“兩違監(jiān)測(cè)”（即違法用地和違法建設(shè)），傳統(tǒng)上利用人工方式進(jìn)行巡查進(jìn)而發(fā)現(xiàn)“兩違”的方法和流程，具有取證難、工作周期長(zhǎng)、成本高和效率低等特點(diǎn)，無(wú)法滿足“兩違”監(jiān)測(cè)的實(shí)際業(yè)務(wù)需求?；诖髷?shù)據(jù)和人工智能的“兩違監(jiān)測(cè)”方法，具備較高的準(zhǔn)確率和工作效率。

高誠(chéng)鵬提出運(yùn)用多源遙感手段，綜合衛(wèi)星遙感、大飛機(jī)航攝與無(wú)人機(jī)航拍的方式，獲取福清市的數(shù)字正射影像（DOM）、數(shù)字高程模型（DEM）等工作底圖，并基于事先設(shè)定好的“兩違”疑似圖斑判別規(guī)則和標(biāo)準(zhǔn)，充分發(fā)揮遙感技術(shù)的實(shí)時(shí)性和動(dòng)態(tài)性，疊加和對(duì)比不同時(shí)間段的遙感影像，采用人工智能檢測(cè)技術(shù)進(jìn)行圖斑的自動(dòng)化比對(duì)，并通過(guò)人機(jī)交互解譯方式，解譯判讀“兩違”疑似圖斑，實(shí)現(xiàn)“兩違”監(jiān)測(cè)的自動(dòng)化作業(yè)并形成專題專業(yè)產(chǎn)品。

2.3 城市路網(wǎng)監(jiān)測(cè)應(yīng)用

道路是城市發(fā)展的主要構(gòu)成要素，對(duì)于道路路網(wǎng)的監(jiān)測(cè)和管理是城市管理的重要工作內(nèi)容。傳統(tǒng)的城市道路的路網(wǎng)繪制和監(jiān)測(cè)，基本都是依據(jù)線下測(cè)量和制圖的方式來(lái)進(jìn)行，具有人工費(fèi)時(shí)、更新速度慢、效率不高的特點(diǎn)。隨著近年來(lái)我國(guó)經(jīng)濟(jì)的高速發(fā)展，城市內(nèi)的路網(wǎng)變化也日益加速，為了能夠確保路網(wǎng)監(jiān)測(cè)、路網(wǎng)繪制的實(shí)時(shí)性和現(xiàn)勢(shì)性，需要采用新技術(shù)方法來(lái)保證路網(wǎng)信息的高頻更新，能夠更迅速、更高效地進(jìn)行路網(wǎng)的監(jiān)測(cè)、提取、制圖、輸出和應(yīng)用等。

王俊強(qiáng)、李建勝等學(xué)者把Deeplabv3+語(yǔ)義分割模型應(yīng)用于道路網(wǎng)格的提取，通過(guò)采用遷移學(xué)習(xí)、數(shù)據(jù)增強(qiáng)和預(yù)測(cè)結(jié)果融合等技術(shù)方法，實(shí)現(xiàn)了對(duì)于道路路網(wǎng)的迅速提取和優(yōu)化。通過(guò)提前設(shè)計(jì)和調(diào)整網(wǎng)格劃分規(guī)則、設(shè)計(jì)海量路網(wǎng)數(shù)據(jù)存儲(chǔ)方式等，進(jìn)一步實(shí)現(xiàn)廣域路網(wǎng)的劃分分割、分析提取、高效存儲(chǔ)和檢索等功能。所以利用AI技術(shù)對(duì)遙感影像進(jìn)行自動(dòng)化提取和分析，可以更有效地識(shí)別街道、高速路和橋梁等路網(wǎng)信息，形成城市路網(wǎng)監(jiān)測(cè)產(chǎn)品，也可以進(jìn)一步有效監(jiān)測(cè)和跟蹤非法資源占用等。

3 結(jié)束語(yǔ)

人工智能技術(shù)的發(fā)展給遙感行業(yè)帶來(lái)了新的機(jī)遇和挑戰(zhàn)，人工智能在神經(jīng)網(wǎng)絡(luò)技術(shù)、遙感大數(shù)據(jù)的異構(gòu)數(shù)據(jù)庫(kù)技術(shù)、遙感圖像地表/地物智能分類技術(shù)、遙感數(shù)據(jù)建筑變化自動(dòng)檢測(cè)技術(shù)上為時(shí)空大數(shù)據(jù)和數(shù)據(jù)建模處理提供技術(shù)支持，不斷推動(dòng)著遙感技術(shù)的發(fā)展與變革。給城市植被綠地監(jiān)測(cè)、城市用地監(jiān)測(cè)、城市路網(wǎng)監(jiān)測(cè)和重大工程監(jiān)測(cè)等應(yīng)用帶來(lái)了技術(shù)上的革新，大幅度提高了遙感影像提取、識(shí)別、解譯和輸出的效率。未來(lái)隨著人工智能技術(shù)的不斷進(jìn)步，將進(jìn)一步給遙感行業(yè)的更新帶來(lái)源源不斷的動(dòng)力。