任何一種顛覆性新技術由愿景到成熟應用，從“思想火花”到“物質(zhì)成品”，都應具備三個最為顯著的特征：1、可以切實地解決人類活動中的至少一類問題；2、在一定范圍內(nèi)具有普適性和復用性；3、具備經(jīng)濟價值或社會效益。

　　遙感技術誕生于20世紀60年代，經(jīng)過幾十年的迅速發(fā)展，成為一門實用的，先進的空間探測技術，但仍然面臨諸多制約。未來十年，遙感是否可以深刻地影響社會發(fā)展，切實解決了生產(chǎn)生活中的問題，兼具普適性和經(jīng)濟價值，其關鍵點在于對遙感數(shù)據(jù)的解譯和應用，人工智能技術與遙感的結(jié)合或許是一把打開未來遙感行業(yè)應用大門的金鑰匙。

　　遙感與人工智能

　　遙感，從字面上來看，可以簡單理解為遙遠的感知，泛指一切無接觸的遠距離探測，傳統(tǒng)遙感解譯技術對精準快速的處理效果不理想，對精細化狀態(tài)分析缺乏有效手段。最為掣肘的是圖像解譯方法主要依賴人工判讀和半自動化軟件解譯，這使得遙感應用無法從根本上脫離其勞動密集型的“傳統(tǒng)”。

　　2015年至今，全球已發(fā)射并處于工作狀態(tài)的對地觀測衛(wèi)星數(shù)量從223顆大幅增長增至710顆，隨之而來的是衛(wèi)星遙感數(shù)據(jù)分析市場的擴大。據(jù)衛(wèi)星咨詢公司NSR預測，到2027年，全球衛(wèi)星數(shù)據(jù)分析市場總額將達到181億美元。

　　多元遙感數(shù)據(jù)量的激增，遙感數(shù)據(jù)分析市場的巨大前景和傳統(tǒng)遙感技術的瓶頸三者之間的溝壑急需一種全新的高效、精準、便捷的技術手段來填平。人工智能是計算機學科的一個分支，二十世紀七十年代以來與空間技術、能源技術被并稱為世界三大尖端技術。如今，空間技術的前沿應用之一——遙感技術與人工智能技術的結(jié)合，將人工智能賦能遙感技術，貫穿海量多源異構(gòu)數(shù)據(jù)從處理分析到共享應用的全鏈路，在大幅縮短遙感圖像解譯周期、提高解譯精準度的同時催生新的遙感應用領域，促進遙感技術應用的變革。

WAIC期間，商湯為世博園區(qū)做的城市變化監(jiān)測

　　人工智能+遙感

　　伴隨著人工智能技術近年來的蓬勃發(fā)展和廣泛應用，遙感技術對新型解譯能力的迫切需求，越來越多的高科技公司和科研院校已著手嘗試利用深度學習解決海量遙感影像的解譯問題，并取得了一些階段性進展，付諸于遙感行業(yè)應用上。

　　其中較為典型的例子如商湯科技今年在WGDC上發(fā)布的SenseEarth智能遙感在線解譯平臺和其背后作為支撐的SenseRemote智能遙感解譯系列產(chǎn)品。商湯科技基于擁有民族自主知識產(chǎn)權(quán)的深度學習平臺SenseParrots和20余項遙感解譯技術原創(chuàng)研發(fā)專利，將深度學習技術引入遙感數(shù)據(jù)解譯應用中，全方面提升遙感數(shù)據(jù)的自動化處理、分析能力，其產(chǎn)品像素級解譯分類精度超過 95%、目標檢測準確率優(yōu)于 98%。同時還兼具商湯AI產(chǎn)品強大的快速迭代能力和豐富的場景適用性，適用于包括目標檢測、變化檢測、地表信息提取、土地利用類型分類等多個遙感應用場景。

　　然而，雖然現(xiàn)階段人工智能與遙感技術的結(jié)合已經(jīng)取得了一些進展，在部分應用場景中利用深度學習技術解譯遙感影像的處理精度、效率和自動化程度都有較為明顯的提升，我們卻不得不正視目前成果的局限性和未來發(fā)展所面對的巨大挑戰(zhàn)。

　　首先，目前大部分人工智能遙感應用均采取監(jiān)督學習的方法，利用此類技術對海量遙感數(shù)據(jù)進行智能解譯的基礎是前置的對同樣海量的特定解譯對象已標注樣本的訓練工作，而這不僅需要大量的計算資源和精巧的設計能力，更重要的是在構(gòu)建模型過程中對遙感數(shù)據(jù)已標注樣本的需求。而遙感應用場景極為豐富和多樣，甚至同一解譯對象在不同空間、時間維度下所展現(xiàn)出不同的特性使得數(shù)據(jù)樣本的復雜性呈幾何倍數(shù)的增長，導致目前不可能出現(xiàn)一個機構(gòu)可以將大部分遙感應用領域中正確標注的樣本集合成庫，從而進行訓練出有效的解譯模型。

　　以遙感技術發(fā)展較為領先的農(nóng)業(yè)遙感行業(yè)為例，應用包括作物分類識別、估產(chǎn)、長勢分析、田地土壤墑情、病蟲害防治等十數(shù)個具體應用場景，其他暫且按下不表，單就農(nóng)作物分類識別而言，地球上共有植物39萬余種，其中被人類利用的栽培植物約2300種，農(nóng)作物約90余種，我國常見的農(nóng)作物有60多種，同一類別農(nóng)作物在不同地區(qū)甚至相同地區(qū)不同地理環(huán)境下所呈現(xiàn)的特征各不相同，這種復雜性使得基于監(jiān)督學習方式通過深度學習方法得到的遙感智能解譯模型很難具備普適性和復用性。

徐州市沛縣冬小麥提取

　　其次，遙感數(shù)據(jù)來源的多元異構(gòu)化，不同遙感平臺如旋翼無人機、固定翼無人機、有人機、臨近空間飛艇、低軌衛(wèi)星、高軌衛(wèi)星；不同載荷成像機理如可見光、SAR、高光譜；不同的空間時間光譜分辨率、精度、時效性等等都給遙感數(shù)據(jù)的一致性處理帶來巨大的挑戰(zhàn)，如何利用多源異構(gòu)數(shù)據(jù)構(gòu)建“一張圖”式的應用場景，使得人工智能技術可以便捷地解決海量異構(gòu)數(shù)據(jù)時空信息提取分析困難的問題將是破局遙感行業(yè)發(fā)展桎梏的重中之重。

建筑提取

　　最后，鑒于人工智能遙感技術發(fā)展的綜合性，其發(fā)展不僅僅依賴遙感與人工智能自身的技術迭代和發(fā)展，計算機技術、存儲技術、航天技術、互聯(lián)網(wǎng)共享技術乃至數(shù)學、神經(jīng)科學等與之相關聯(lián)各個領域的技術與理論革新都會一定程度上影響著人工智能遙感行業(yè)的前行速度，這類似于一個龐大復雜的系統(tǒng)工程，其中任何一個環(huán)節(jié)既可能成為制約因素，也可能是發(fā)展助力。這使得人工智能+遙感技術在產(chǎn)生廣泛的經(jīng)濟效益前，存在著漫長的研發(fā)周期和資本風險。

　　人工智能遙感的未來

　　樣本積累

　　鑒于現(xiàn)階段構(gòu)建人工智能遙感解譯深度學習算法模型對海量標注樣本的依賴，利用云、區(qū)塊鏈等新興網(wǎng)絡共享技術在某種共贏機制下，將散落在各個行業(yè)領域中政府機構(gòu)、科研院所和公司中的遙感樣本關聯(lián)整合起來，互為補充，同時利用數(shù)據(jù)仿真技術的發(fā)展，共同構(gòu)建屬于大行業(yè)范疇的解譯模型庫也許是解決智能遙感技術發(fā)展中樣本不足的途徑之一。但這需要一個良好的商業(yè)模式，讓參與各方在付出的同時均能獲益；需要一個良性健全的產(chǎn)業(yè)生態(tài)圈，讓數(shù)據(jù)資源、計算資源、科研資源可以無阻滯的流動起來；需要一個長遠的布局和規(guī)則，使得這種整合健康的運轉(zhuǎn)下去。無疑這是非常困難的。

　　所幸我們已然看到了業(yè)內(nèi)相關企業(yè)的嘗試和努力，如商湯科技的SenseEarth平臺的規(guī)劃中提到“在未來，一個輕量級在線樣本訓練平臺系統(tǒng)將依托SenseEarth搭載上線，希望借此與用戶將產(chǎn)生更多的交流與合作，以商湯的前沿算法儲備和雄厚計算資源與全領域用戶手中的存量樣本數(shù)據(jù)產(chǎn)生火花，共同擴展遙感產(chǎn)品樣本庫，訓練出更多更精準的覆蓋全領域的解譯模型，以知識共享的理念推動AI+遙感的發(fā)展進程。”

SenseEarth智能遙感影像解譯平臺用地分類演示

　　無監(jiān)督學習

　　從另一個角度來看，目前深度學習的基礎是對大量被正確標注的結(jié)構(gòu)化樣本數(shù)據(jù)的訓練。盡管我們處在一個信息爆炸、被各種數(shù)據(jù)淹沒的時代，但這些數(shù)據(jù)尤其是遙感數(shù)據(jù)大部分是未經(jīng)標注和整理的，這意味著這些數(shù)據(jù)對于大多數(shù)目前的監(jiān)督式學習來說并不可用，即使現(xiàn)在已經(jīng)有大量免費和公開的標簽數(shù)據(jù)集，涵蓋了各種各樣不同的類別，但事實證明他們對人工智能解譯遙感數(shù)據(jù)的作用依然存在很大的局限性。

　　標注樣本集或許過小、或許標注存在偏差，在訓練一個復雜的遙感解譯模型時，使用小數(shù)據(jù)集可能會導致所謂的過度擬合，這是由于大量可學習參數(shù)與訓練樣本強關聯(lián)所導致的，最終我們得到的可能是一個僅適用于這些訓練樣本的模型，而不是從數(shù)據(jù)中學習一般概念的模型。

　　無監(jiān)督學習算法將會是解決遙感數(shù)據(jù)標注樣本稀缺的重要技術發(fā)展方向，與監(jiān)督學習需事先進行標注分類截然不同的是，他可以很好的幫助我們根據(jù)類別未知無標注的訓練樣本解決遙感數(shù)據(jù)解譯中的各種問題。在面對海量遙感數(shù)據(jù)時，我們要處理面對的不在是進行結(jié)構(gòu)化標注完善的各類樣本，而是遙感數(shù)據(jù)本身。簡單來說，無監(jiān)督學習使得機器本身代替我們對影像數(shù)據(jù)集進行聚類和分析，例如遙感圖像中有著汽車、飛機、船舶、建筑、道路等多種可檢測目標，監(jiān)督學習的方法是先將這些目標標注出來，提取特征進行訓練，而后依據(jù)訓練結(jié)果進行目標識別，無監(jiān)督學習則是機器根據(jù)自身歸納的這些目標包含的人類可能無法理解的算法視角特征進行聚類，而后由人類或者相對簡易的特征比對模型進行一類對象的識別。

　　決策型的人工智能解譯

商湯SenseRemote智能遙感影像解譯算法應用場景

　　在實際業(yè)務場景我們需要給出的往往是一個綜合性解決方案，這意味著解譯模型的建立必須基于融合不同平臺、不同載荷、不同時相和不同尺度的異構(gòu)遙感數(shù)據(jù)，以多類別針對性的分析方法共同發(fā)揮作用得出結(jié)論。而以往的人工智能遙感大多是對傳統(tǒng)數(shù)字圖像處理方法的遷移，甚至僅以統(tǒng)計學的理念來解決問題。隨著人工智能技術的發(fā)展，決策型的智能技術將成為未來的主流發(fā)展目標之一，這里的決策所指并不僅是利用成果幫助用戶進行判斷，而是在智能解譯數(shù)據(jù)時讓系統(tǒng)自帶決策功能。就如人的學習和思維一樣，在分析問題時，利用“經(jīng)驗”自主的選擇判斷依據(jù)。用何種數(shù)據(jù)類型，哪些不那么典型卻行之有效的特征，針對性的對特定場景進行其包括專業(yè)性網(wǎng)絡模型的適配、異構(gòu)實體網(wǎng)絡的自主構(gòu)建、多多關聯(lián)關系的動態(tài)優(yōu)化等。

　　在未來，我們已經(jīng)對細分目標對象建立了足夠多離散的智能解譯模型時，或許需要一種可以將數(shù)量龐大的模型庫總結(jié)歸納的方法，一個可以實現(xiàn)自我學習迭代，自我決策的系統(tǒng)，他可以被理解成各種網(wǎng)絡的網(wǎng)絡，模型的模型，分散到聚合，繁復到簡約，專業(yè)到大眾，將使得人工智能遙感真正成為可以被廣泛深度使用，解決現(xiàn)實復雜業(yè)務問題，進而開拓嶄新應用場景，產(chǎn)生巨大經(jīng)濟價值與社會效益的新型技術手段。

　　每一次智能技術水平的飛躍都帶來社會生產(chǎn)力的巨大進步，我們也由此見證了云計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能等信息技術的爆發(fā)所創(chuàng)造的市場機遇以及由此催生的巨大變革。AI+遙感解放了勞動力，使遙感應用成本從經(jīng)濟上和專業(yè)性上得到了大幅降低，遙感技術不再是專業(yè)人員在專業(yè)領域的專業(yè)應用，如“舊時王謝堂前燕,飛入尋常百姓家”一樣，其將真正成為普惠大眾，人人得益的工具。

　　遙感AI解譯技術，下一個十年的顛覆性技術，看似遙遠，實則正在悄然發(fā)生……