孫顯，孟瑜，刁文輝，黃麗佳，張新，駱劍承，高連如，王佩瑾，閆志遠(yuǎn)，郜麗靜，董文，馮瑛超，李霽豪，付琨*

1. 中國(guó)科學(xué)院空天信息創(chuàng)新研究院,北京 100094； 2. 中國(guó)科學(xué)院網(wǎng)絡(luò)信息體系技術(shù)重點(diǎn)實(shí)驗(yàn)室,北京 100190；3. 中國(guó)科學(xué)院大學(xué),北京 100101； 4. 中國(guó)科學(xué)院大學(xué)電子電氣與通信工程學(xué)院,北京 100190

0 引 言

近幾年來，國(guó)內(nèi)外人工智能的發(fā)展和落地應(yīng)用如火如荼，促成這種現(xiàn)象的原因可以歸納為兩個(gè)關(guān)鍵詞，即“大數(shù)據(jù)”與“高算力”。在地理空間數(shù)據(jù)分析與應(yīng)用領(lǐng)域，這種變化也正在發(fā)生著，比如在國(guó)家高分辨率對(duì)地觀測(cè)重大科技專項(xiàng)(簡(jiǎn)稱“高分專項(xiàng)”)等國(guó)家重大任務(wù)的推動(dòng)下，可獲取的地理空間數(shù)據(jù)越來越多，另外，以“云+端”架構(gòu)為代表的高性能計(jì)算框架也在不斷發(fā)展，促進(jìn)了算力的提升。在此背景下，以地理空間大數(shù)據(jù)為基礎(chǔ)，利用人工智能技術(shù)挖掘其深層信息、賦予其更多的應(yīng)用模式，將成為未來地理空間數(shù)據(jù)分析應(yīng)用領(lǐng)域發(fā)展的長(zhǎng)期主題。

發(fā)展遙感數(shù)據(jù)智能分析技術(shù)的目的是將長(zhǎng)期積累的遙感數(shù)據(jù)轉(zhuǎn)化為對(duì)觀測(cè)對(duì)象的整體觀測(cè)、分析和解譯，獲取豐富準(zhǔn)確的屬性信息，挖掘目標(biāo)區(qū)域的演化規(guī)律，主要包括遙感數(shù)據(jù)精準(zhǔn)處理、遙感數(shù)據(jù)時(shí)空處理與分析、遙感目標(biāo)要素分類識(shí)別和遙感數(shù)據(jù)關(guān)聯(lián)挖掘等。此外，面向大智能分析技術(shù)發(fā)展需求，遙感開源數(shù)據(jù)集和共享平臺(tái)方面也取得了顯著進(jìn)展(陳述彭和郭華東，2000；宮輝力 等，2005)。

1)遙感數(shù)據(jù)精準(zhǔn)處理方面。遙感數(shù)據(jù)精準(zhǔn)處理的目的是對(duì)傳感器獲取的光譜反射或雷達(dá)散射數(shù)據(jù)進(jìn)行成像處理和定標(biāo)校正，恢復(fù)為與地物觀測(cè)對(duì)象某些信息維度精確關(guān)聯(lián)的圖像產(chǎn)品。傳統(tǒng)方法需要根據(jù)衛(wèi)星、傳感器、傳輸環(huán)境和地形地表等先驗(yàn)?zāi)Ｐ停约巴鈭?chǎng)定標(biāo)試驗(yàn)獲取定標(biāo)參數(shù)，建立精確的成像模型，將觀測(cè)數(shù)據(jù)映射為圖像產(chǎn)品。隨著傳感器新技術(shù)的發(fā)展和分辨率等性能的提升，先驗(yàn)?zāi)Ｐ偷慕⒃絹碓嚼щy，外場(chǎng)定標(biāo)的難度和消耗也越來越大，并且成像處理和定標(biāo)校正獲取的模型和參數(shù)與傳感器的耦合，只能以一星一議的方式實(shí)現(xiàn)，無法多星一體化實(shí)現(xiàn)。如何在傳統(tǒng)方法的基礎(chǔ)上，設(shè)計(jì)從觀測(cè)數(shù)據(jù)處理到精準(zhǔn)圖像解譯的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)，構(gòu)建面向不同應(yīng)用的圖像優(yōu)化指標(biāo)體系，以大量歷史數(shù)據(jù)和標(biāo)注結(jié)果作為輸入，實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)對(duì)傳感器物理模型和參數(shù)的精確重構(gòu)和逼近，形成基于人工智能技術(shù)的多星一體化遙感圖像精準(zhǔn)處理能力。

2)遙感數(shù)據(jù)時(shí)空處理與分析方面。多時(shí)相影像相比單一時(shí)相的遙感影像，能夠進(jìn)一步展示地表的動(dòng)態(tài)變化和揭示地物的演化規(guī)律。然而，一方面受限于遙感自身的時(shí)間分辨率與空間分辨率之間的不可兼得；另一方面受氣象、地形等成像條件的影響，光學(xué)傳感器獲取的遙感影像往往被云層及其陰影覆蓋(特別是在多云多雨地區(qū)，如我國(guó)西南地區(qū))，而難以獲取真實(shí)的地面信息。這樣的數(shù)據(jù)缺失，嚴(yán)重限制了遙感影像的應(yīng)用；特別是對(duì)于多時(shí)相影像的遙感應(yīng)用(如森林退化、作物生長(zhǎng)、城市擴(kuò)張和濕地流失等監(jiān)測(cè))，云層及其陰影所導(dǎo)致的數(shù)據(jù)缺失將延長(zhǎng)影像獲取的時(shí)間間隔、造成時(shí)序間隔不規(guī)則的問題，加大后續(xù)時(shí)間序列處理與分析的難度。因此，進(jìn)行遙感影像的時(shí)間與空間維度的處理與分析對(duì)提高遙感影像數(shù)據(jù)的可用性、時(shí)間序列分析水平和遙感應(yīng)用的深度廣度具有重要意義。

3)遙感目標(biāo)要素分類識(shí)別方面。遙感數(shù)據(jù)中一般包含大量噪聲，大多數(shù)現(xiàn)有的處理分析方法并未充分利用計(jì)算機(jī)強(qiáng)大的自主學(xué)習(xí)能力，依賴的信息獲取和計(jì)算手段較為有限，很難滿足準(zhǔn)確率、虛警率等性能要求。如何在傳統(tǒng)的基于人工數(shù)學(xué)分析的方法基礎(chǔ)上，結(jié)合人工智能方法，定量描述并分析遙感數(shù)據(jù)中目標(biāo)模型失真和背景噪聲干擾對(duì)于解譯精度的影響機(jī)理，是遙感智能分析面臨的另一項(xiàng)關(guān)鍵科學(xué)問題。通過該問題的分析與發(fā)展，有望實(shí)現(xiàn)構(gòu)建一個(gè)基于深度學(xué)習(xí)的多源遙感數(shù)據(jù)自動(dòng)化分析框架，在統(tǒng)一框架下有機(jī)融合模型、算法和知識(shí)，提升遙感數(shù)據(jù)中目標(biāo)要素提取和識(shí)別的智能化水平。

4)遙感數(shù)據(jù)關(guān)聯(lián)挖掘方面。隨著遙感大數(shù)據(jù)時(shí)代的到來，可以更方便地獲取高分辨率和高時(shí)間采集頻率的遙感數(shù)據(jù)，對(duì)于目標(biāo)信息的需求，也由目標(biāo)靜態(tài)解譯信息，拓展到全維度的綜合認(rèn)知與預(yù)測(cè)分析。為了滿足上述需求，基于海量多源異構(gòu)遙感數(shù)據(jù)，實(shí)現(xiàn)時(shí)間、空間等多維度的信息快速關(guān)聯(lián)組織與分析，是未來遙感解譯技術(shù)發(fā)展的重要方向。

5)遙感開源數(shù)據(jù)集和共享平臺(tái)方面。大多數(shù)現(xiàn)有數(shù)據(jù)集仍然存在數(shù)據(jù)規(guī)模較小、缺乏遙感特性的問題，并且現(xiàn)有深度學(xué)習(xí)平臺(tái)難以有效支撐遙感特性及應(yīng)用，領(lǐng)域內(nèi)數(shù)據(jù)集算法模型的準(zhǔn)確性、實(shí)用性和智能化程度也待進(jìn)一步提高。如何結(jié)合遙感數(shù)據(jù)特性，建設(shè)更具遙感特色的開源數(shù)據(jù)集和共享平臺(tái)，是遙感智能生態(tài)建設(shè)的一項(xiàng)重要研究?jī)?nèi)容。

本文主要圍繞上述5個(gè)方面的研究，論述遙感智能分析技術(shù)的發(fā)展現(xiàn)狀、前沿動(dòng)態(tài)、熱點(diǎn)問題和未來趨勢(shì)。

1 國(guó)際研究現(xiàn)狀

1.1 遙感數(shù)據(jù)精準(zhǔn)處理

利用智能手段開展數(shù)據(jù)預(yù)處理的相關(guān)工作中，國(guó)外研究人員已將智能技術(shù)用于遙感數(shù)據(jù)(光學(xué)、合成孔徑雷達(dá)(synthetic aperture radar, SAR)和光譜)配準(zhǔn)、校正等的方向。

1.1.1 光學(xué)/SAR精細(xì)化處理

遙感圖像為遙感應(yīng)用分析提供了數(shù)據(jù)基礎(chǔ)，可廣泛應(yīng)用于農(nóng)林監(jiān)測(cè)、城市規(guī)劃和軍事偵察等領(lǐng)域，遙感數(shù)據(jù)質(zhì)量是決定其應(yīng)用性能的關(guān)鍵。評(píng)價(jià)遙感數(shù)據(jù)質(zhì)量的指標(biāo)包括圖像時(shí)間/空間分辨率、圖像幅寬、空間特征、光譜特征和輻射幾何精度等。高質(zhì)量遙感影像具有高分辨率、高信噪比等特點(diǎn)。提升遙感影像質(zhì)量的方法可大致分為兩類，一是改進(jìn)傳統(tǒng)成像算法聚焦得到高質(zhì)量圖像；二是將已有的低質(zhì)量的圖像通過去噪去云以及超分辨率重建等技術(shù)得到高分辨率高質(zhì)量圖像。

與傳統(tǒng)的合成孔徑雷達(dá)(SAR)成像算法比較，基于深度學(xué)習(xí)的SAR成像算法可以簡(jiǎn)化成像過程。Rittenbach和Walters(2020)提出RDAnet神經(jīng)網(wǎng)絡(luò)，從原始雷達(dá)回波數(shù)據(jù)訓(xùn)練聚焦得到SAR圖像，網(wǎng)絡(luò)經(jīng)過訓(xùn)練可以匹配距離多普勒算法的性能，算法將SAR成像問題處理為監(jiān)督學(xué)習(xí)問題，RDAnet是第1個(gè)基于深度學(xué)習(xí)的SAR成像算法。Gao等人(2019)提出了一種基于深度網(wǎng)絡(luò)的線譜估計(jì)方法，并將其應(yīng)用于3維SAR成像，大大加快了成像過程。Pu(2021)提出了一種深度SAR成像算法，減少了SAR的采樣量，并且提出了一種基于深度學(xué)習(xí)的SAR運(yùn)動(dòng)補(bǔ)償方法，可以有效地消除運(yùn)動(dòng)誤差的影響。

僅依賴遙感衛(wèi)星載荷能力推動(dòng)圖像分辨率提升，使得高分辨率圖像成本大幅提高，給遙感圖像大規(guī)模應(yīng)用力帶來困難。以超分辨、圖像重構(gòu)等為代表的圖像級(jí)和信號(hào)級(jí)處理方法為遙感圖像分辨率和質(zhì)量提升提供了另一種可行的技術(shù)途徑。Wei等人(2021)提出了基于MC-ADM (multicomponent alternating direction method)和基于PSRI-Net (parametric super-resolution imaging network)的兩種參數(shù)化超分辨率SAR圖像重建方法，根據(jù)預(yù)先設(shè)計(jì)的損耗，深度網(wǎng)絡(luò)通過端到端訓(xùn)練來學(xué)習(xí)，可應(yīng)用于得到高質(zhì)量SAR超分辨率圖像的參數(shù)估計(jì)。Luo等人(2019)提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)的SAR圖像超分辨率重建的方法，針對(duì)浮點(diǎn)圖像數(shù)據(jù)采用深度學(xué)習(xí)對(duì)SAR圖像進(jìn)行重建，可以更好地重建SAR圖像。針對(duì)非生成對(duì)抗網(wǎng)絡(luò)在光學(xué)遙感圖像超分辨重建以及噪聲去除中出現(xiàn)的信息損失和對(duì)比度降低的問題，馮旭斌(2020)提出了利用生成對(duì)抗網(wǎng)絡(luò)(generative adversarial network, GAN)對(duì)小波變換域光學(xué)遙感圖像進(jìn)行超分辨重建以及噪聲去除的方法。熊鷹飛(2021)提出了一種適應(yīng)于遙感圖像超分辨的改進(jìn)超分辨率生成對(duì)抗網(wǎng)絡(luò)(super-resolution GAN, SRGAN)，增強(qiáng)了模型在跨區(qū)域和傳感器的遷移能力。柏宇陽(yáng)等人(2021)提出了一種改進(jìn)的密集連接網(wǎng)絡(luò)遙感圖像超分辨重建算法。Dong等人(2020)提出了一種改進(jìn)的反投影網(wǎng)絡(luò)實(shí)現(xiàn)遙感圖像的超分辨率重建算法。Tao(2020)提出了一種以DPSRResNet (deep plug-and-play residual network)作為其超級(jí)解析器的DPSR框架的遙感圖像超分辨重建算法。Yang等人(2020)提出了一種多尺度深度殘差網(wǎng)絡(luò)(multi-scale deep residual network, MDRN)用于從遙感圖像中去除云。王夢(mèng)瑤等人(2021)構(gòu)建了SAR輔助下光學(xué)圖像去云數(shù)據(jù)庫(kù),建立了基于條件生成對(duì)抗網(wǎng)絡(luò)的SAR輔助下的光學(xué)遙感圖像去云模型,實(shí)現(xiàn)了SAR輔助下光學(xué)圖像薄云、霧和厚云等覆蓋下地物信息的有效復(fù)原與重建。

目前，人工智能在遙感數(shù)據(jù)處理和圖像質(zhì)量提升方面的應(yīng)用主要得益于機(jī)器學(xué)習(xí)技術(shù)的引入?；贕AN網(wǎng)絡(luò)的方法試圖利用生成器克服原始高分辨率遙感圖像難以獲取的問題，另一些無監(jiān)督的學(xué)習(xí)方法則通過學(xué)習(xí)圖像質(zhì)量退化前后關(guān)系試圖獲取原始的高分辨率遙感圖像。由于遷移學(xué)習(xí)可以從其他域樣本中獲得先驗(yàn)信息，并且在目標(biāo)域中進(jìn)一步優(yōu)化，借鑒遷移學(xué)習(xí)和零樣本學(xué)習(xí)的思路可以嘗試解決遙感圖像質(zhì)量提升的問題。由于作用距離遠(yuǎn)，遙感圖像分辨率和清晰度相對(duì)于自然圖像仍有一定的差距，這導(dǎo)致遙感圖像細(xì)節(jié)丟失相對(duì)較為嚴(yán)重。

為了從遙感圖像中獲取更為豐富的信息，需要對(duì)遙感圖像空間特征進(jìn)行提取(注意力機(jī)制、局部—全局聯(lián)合特征提取等)，需要對(duì)遙感圖像目視效果進(jìn)行可視化增強(qiáng)(邊緣增強(qiáng)、小波變換等)。此外，面向圖像細(xì)節(jié)特征解譯的需求，還需要對(duì)遙感圖像中的弱小目標(biāo)和細(xì)微結(jié)構(gòu)進(jìn)行檢測(cè)、提取和增強(qiáng)(弱小目標(biāo)檢測(cè)等)，提升遙感圖像中細(xì)節(jié)缺失造成的信息損失。

1.1.2 光學(xué)/SAR定量化提升

可見光、SAR和高光譜等遙感圖像的定量化提升主要體現(xiàn)在幾何、輻射、光譜和極化等幾個(gè)方面，通過尋找穩(wěn)定點(diǎn)來消除成像過程中產(chǎn)生的畸變，改善圖像質(zhì)量，使數(shù)據(jù)產(chǎn)品能夠定量化反映地物的真實(shí)信息，以達(dá)到定量化提升的效果。在國(guó)際主流研究中，神經(jīng)網(wǎng)絡(luò)技術(shù)主要應(yīng)用在提升圖像匹配精度方面，并以此帶動(dòng)幾何定位精度定量化提升。得益于機(jī)器學(xué)習(xí)方法的引進(jìn)，遙感圖像匹配技術(shù)獲得了系統(tǒng)性發(fā)展，匹配精度獲得了顯著進(jìn)步。典型的兩種方法為局部特征點(diǎn)匹配方法和區(qū)域匹配方法。與全局特征相比，局部特征點(diǎn)與遙感圖像獲取的大場(chǎng)景松耦合，對(duì)大場(chǎng)景的仿射變化、輻射/亮度變化和噪聲水平不敏感。目前，基于特征點(diǎn)匹配的遙感圖像質(zhì)量提升技術(shù)取得了一系列研究成果。典型的特征點(diǎn)匹配包括關(guān)鍵點(diǎn)檢測(cè)和描述子提取兩個(gè)部分。深度學(xué)習(xí)應(yīng)用于局部特征點(diǎn)匹配可以分成3個(gè)階段，形成了3類代表性方法。

第1類方法重點(diǎn)關(guān)注和解決關(guān)鍵點(diǎn)檢測(cè)問題，即如何檢測(cè)得到特征點(diǎn)的方向、位置以及尺度信息。關(guān)鍵點(diǎn)檢測(cè)中響應(yīng)圖的構(gòu)建是重點(diǎn)，關(guān)鍵點(diǎn)檢測(cè)的數(shù)量和準(zhǔn)確性依賴于特征準(zhǔn)確、信息豐富的響應(yīng)圖。Savinov等人(2017)提出了無監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，該方法首先將遙感圖像目標(biāo)像素點(diǎn)映射為實(shí)值響應(yīng)圖，進(jìn)而排列得到響應(yīng)值序列，響應(yīng)序列的頂部/底部像素點(diǎn)即可以視為關(guān)鍵點(diǎn)。Ma等人(2019b)采用由粗到細(xì)的策略，先用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)計(jì)算近似空間關(guān)系，然后在基于局部特征的匹配方法中引入考慮空間關(guān)系的匹配策略，同時(shí)保證了精度和魯棒性。

第2類方法重點(diǎn)關(guān)注和解決描述子提取問題，即用一組特征向量表示描述子，描述子代表了特征點(diǎn)的信息，可以通過端到端訓(xùn)練獲得描述子。描述子訓(xùn)練是獲得高精度匹配結(jié)果的關(guān)鍵。Simo-Serra等人(2015)提出了Deep-Desc特征點(diǎn)描述子提取方法，該方法中神經(jīng)網(wǎng)絡(luò)采用了Siamese結(jié)構(gòu)(Chopra等，2005)，構(gòu)造了一種128維的描述子，應(yīng)用于具有一定差異性的圖像對(duì)匹配問題，通過比較描述子歐氏距離對(duì)圖像間描述子的相似性進(jìn)行衡量。

第3類方法關(guān)注于聯(lián)合訓(xùn)練關(guān)鍵點(diǎn)檢測(cè)模塊和描述子提取模塊。關(guān)鍵點(diǎn)檢測(cè)和描述子提取兩個(gè)模塊的協(xié)同工作和聯(lián)合訓(xùn)練是該方法重點(diǎn)解決的難點(diǎn)。Yi等人(2016)提出了基于LIFT (learned invariant feature transform)網(wǎng)絡(luò)的聯(lián)合訓(xùn)練，是最早解決關(guān)鍵點(diǎn)檢測(cè)和描述子提取的聯(lián)合訓(xùn)練的網(wǎng)絡(luò)之一。

LIFT網(wǎng)絡(luò)的輸入是SIFT (scale-invariant feature transform)特征點(diǎn)(Lowe，2004)所在圖像塊，LIFT網(wǎng)絡(luò)的關(guān)鍵點(diǎn)檢測(cè)效果也與SIFT算法類似，魯棒性較好。Ono等人(2018)提出的LF-Net (local features network)，采用Siamese結(jié)構(gòu)訓(xùn)練整個(gè)網(wǎng)絡(luò)，通過深層特征提取網(wǎng)絡(luò)產(chǎn)生特征圖。Shen等人(2019)以LF-Net為基礎(chǔ)，提出了基于感受野的RF-Net(receptive fields network)匹配網(wǎng)絡(luò)，該網(wǎng)絡(luò)實(shí)現(xiàn)關(guān)鍵點(diǎn)檢測(cè)時(shí)保留了遙感圖像低層特征、部分保留了遙感圖像高層特征，在描述子提取中采用了與Hard-Net(Mishchuk等，2017)一致的網(wǎng)絡(luò)結(jié)構(gòu)。

與局部特征點(diǎn)相比，區(qū)域特征對(duì)整體性表征更加完整，對(duì)區(qū)域形變、區(qū)域變化等的穩(wěn)定性更好。傳統(tǒng)區(qū)域特征匹配技術(shù)的代表為模板匹配方法。深度學(xué)習(xí)應(yīng)用于區(qū)域特征匹配形成了兩類代表性方法。

第1類方法的核心思想是用分類技術(shù)解決匹配問題。Han等人(2015)利用MatchNet 提取圖像區(qū)域特征，將3個(gè)全連接層得到特征的相似性作為輸出，對(duì)輸出采用概率歸一化處理(Softmax)進(jìn)行分類匹配。Zagoruyko和Komodakis(2015)重點(diǎn)解決了對(duì)光照變化、觀測(cè)角度具有很好適應(yīng)性的區(qū)域特征提取問題，提出了基于DeepCompare 網(wǎng)絡(luò)的區(qū)域特征提取方法，該方法的匹配性能對(duì)于不同時(shí)間空間獲取的遙感圖像具有極佳的穩(wěn)定性。

第2類方法的核心思想是構(gòu)建合適的描述子解決區(qū)域特征匹配問題。Tian等人(2017)提出了一種 L2-Net網(wǎng)絡(luò)的區(qū)域匹配方法，該網(wǎng)絡(luò)生成了128維的描述子，在迭代次數(shù)較少的約束下，利用遞進(jìn)采樣策略，對(duì)百萬量級(jí)的訓(xùn)練樣本進(jìn)行遍歷學(xué)習(xí)，并通過額外引入監(jiān)督提高學(xué)習(xí)效率，該網(wǎng)絡(luò)泛化能力較好。

可見，深度學(xué)習(xí)網(wǎng)絡(luò)的引入在特征提取、關(guān)鍵點(diǎn)檢測(cè)和描述子提取等多方面優(yōu)化了遙感圖像匹配能力。考慮到深度學(xué)習(xí)網(wǎng)絡(luò)的持續(xù)研究，網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練方式的更新和進(jìn)步有望進(jìn)一步提升遙感圖像匹配精度，基于深度學(xué)習(xí)的遙感圖像匹配算法仍然具有相當(dāng)?shù)难芯績(jī)r(jià)值和應(yīng)用前景。

除了幾何質(zhì)量定量化提升外，還有少數(shù)研究學(xué)者開展了利用神經(jīng)網(wǎng)絡(luò)技術(shù)在輻射、光譜和極化定量化提升方面的研究工作。楊進(jìn)濤等人(2019)提出了一種基于海量SAR數(shù)據(jù)進(jìn)行地物散射穩(wěn)定特性的分析與挖掘，并成功地在普通地物中找到一種統(tǒng)計(jì)意義下穩(wěn)定的散射特征量用做定標(biāo)參考，從而為SAR系統(tǒng)的常態(tài)化輻射定標(biāo)奠定初步的技術(shù)基礎(chǔ)。Jiang等人(2018)考慮到極化觀測(cè)過程中會(huì)受到多種誤差的影響，造成極化測(cè)量失真，影響數(shù)據(jù)的極化應(yīng)用性能，提出一種利用普遍分布的地物進(jìn)行串?dāng)_和幅相不平衡的定量評(píng)價(jià)方法，該方法不受時(shí)間和空間限制，能夠?qū)崿F(xiàn)大量數(shù)據(jù)極化校正性能的實(shí)時(shí)、便捷評(píng)估，對(duì)極化數(shù)據(jù)質(zhì)量進(jìn)行長(zhǎng)期監(jiān)測(cè)。與幾何定量化提升不同，神經(jīng)網(wǎng)絡(luò)技術(shù)在這些領(lǐng)域還沒有大量的、深入的應(yīng)用，為后續(xù)進(jìn)一步進(jìn)行系統(tǒng)性、規(guī)?；芯刻峁┝酥笇?dǎo)方向。

1.2 遙感數(shù)據(jù)時(shí)空處理與分析

近年來，陸續(xù)開展了多源遙感時(shí)間和空間協(xié)同處理與分析方面的研究工作，力求實(shí)現(xiàn)多源數(shù)據(jù)間互補(bǔ)協(xié)同、融合重建，提高遙感時(shí)空分析的能力。

1.2.1 遙感影像時(shí)間序列修復(fù)

研究人員構(gòu)建了大量的時(shí)間序列遙感影像修復(fù)和重建的方法。根據(jù)修復(fù)所用參考數(shù)據(jù)的不同，這些方法大致可以分為3類：基于影像本身的修補(bǔ)方法(self-complementation-based)、基于參考影像的修補(bǔ)方法(reference-complementation-based)和基于多時(shí)相影像的修補(bǔ)方法(multi-temporal-complementation-based)?；谟跋癖旧淼男迯?fù)方法利用同一影像上無云/影覆蓋區(qū)域的數(shù)據(jù)來修補(bǔ)被云/影覆蓋區(qū)域的缺失數(shù)據(jù)；假設(shè)影像中數(shù)據(jù)缺失區(qū)域與剩余區(qū)域具有相似或相同的統(tǒng)計(jì)與幾何紋理結(jié)構(gòu)，通過傳播局部或非局部無云區(qū)域的幾何結(jié)構(gòu)來重建云/影區(qū)域的缺失數(shù)據(jù)。依據(jù)空間插值與誤差傳播理論，缺失像素插值(missing pixel interpolation)、影像修補(bǔ)(image inpainting)和模型擬合(model fitting)等多種方法廣泛應(yīng)用于云影區(qū)域的數(shù)據(jù)重建。雖然能夠重建出貌似真實(shí)的影像區(qū)域，但這些方法對(duì)云/影覆蓋下地物的類型非常敏感，其修補(bǔ)數(shù)據(jù)也不適用于進(jìn)一步的數(shù)據(jù)分析；并且由于不確定性和誤差隨著傳播而積累，這些方法很難修復(fù)大區(qū)域或異質(zhì)缺失數(shù)據(jù)。為了克服基于影像本身修補(bǔ)方法的瓶頸，Chen等人(2017a)提出了通過模擬參考影像與云/影覆蓋影像之間映射與轉(zhuǎn)換關(guān)系的基于參考影像修補(bǔ)方法；這類方法依賴于不同光譜數(shù)據(jù)之間的強(qiáng)相關(guān)性，利用多光譜或高光譜影像中對(duì)云不敏感的光譜波段來重建被云/影覆蓋區(qū)域其他波段的缺失數(shù)據(jù)。比如利用MODIS (moderate resolution imaging spectroradiometer)數(shù)據(jù)的第7波段來修復(fù)第6波段的數(shù)據(jù)缺失、利用Landsat近紅外波段來估算水面區(qū)域的可見光波段、利用MODIS數(shù)據(jù)預(yù)測(cè)Landsat影像的缺失數(shù)據(jù)和利用不受云雨干擾的合成空間雷達(dá)數(shù)據(jù)來重建被云影覆蓋的光學(xué)數(shù)據(jù)等。盡管參考影像能夠提供云影覆蓋區(qū)域的缺失信息，但這類方法仍然受到光譜一致性、空間分辨率和成像時(shí)間相關(guān)性等限制，而難以重建出高質(zhì)量的用于模擬地表變化的時(shí)間序列數(shù)據(jù)。前兩種方法受限于其對(duì)重建影像沒有漸進(jìn)變化的假設(shè)，這種平穩(wěn)性假設(shè)將成為土地覆蓋變化和作物生長(zhǎng)監(jiān)測(cè)等時(shí)間序列應(yīng)用中的明顯弱點(diǎn)。遙感衛(wèi)星以固定的重復(fù)周期來觀測(cè)地表，同一區(qū)域又不可能總是被云影覆蓋，因此很容易獲得同一區(qū)域的多時(shí)相影像。這些同一區(qū)域的多時(shí)相影像(有云/影覆蓋的和無云/影覆蓋的)提供了利用多時(shí)相影像修復(fù)云/影覆蓋區(qū)域缺失影像的可能(Chen等，2011)?；诙鄷r(shí)相影像的修補(bǔ)方法包括兩個(gè)主要步驟：查找有云/影覆蓋區(qū)域和無云/影覆蓋區(qū)域相似的像元(pixel)或區(qū)域(patch)以及利用相似的像元(區(qū)域)預(yù)測(cè)云/影覆蓋區(qū)域的缺失數(shù)據(jù)。在查找相似像元中，Roy等人(2008)深入研究并集成空間、光譜和時(shí)相等信息來度量有云/影覆蓋區(qū)域和無云/影覆蓋區(qū)域像元的相似性。在重建云/影覆蓋像元中，Gao和Gu(2017)提出和發(fā)展了諸如多時(shí)相直接替換、基于泊松方程的復(fù)制和時(shí)空加權(quán)插值等方法；同時(shí)也吸納用于修復(fù)傳感器條帶修復(fù)的方法，如近鄰相似像元插值(neighborhood similar pixel interpolator，NSPI)(Zhu等，2012)和加權(quán)線性回歸(weighted linear regression，WLR)等。

近年來，深度學(xué)習(xí)方法也運(yùn)用于云影覆蓋影像的修復(fù)和重建；Grohnfeldt等人(2018)利用生成對(duì)抗網(wǎng)絡(luò)(GAN)來融合合成孔徑雷達(dá)數(shù)據(jù)和光學(xué)影像生成無云影像；Malek等人(2018)利用自動(dòng)編碼網(wǎng)絡(luò)(autoencoder neural network)來構(gòu)建有云影覆蓋區(qū)域和無云影覆蓋區(qū)域影像的映射函數(shù)；Zhang等人(2018a)利用深度卷積網(wǎng)絡(luò)(deep convolutional neural network)集成光譜、空間和時(shí)相信息來修復(fù)缺失數(shù)據(jù)。

雖然現(xiàn)有研究取得了不錯(cuò)的重建效果，但仍存在一些局限性：1)相對(duì)于光譜和空間相似性，多時(shí)相影像中的時(shí)間趨勢(shì)能更詳細(xì)地反映地表覆蓋變化，而以往方法(尤其是傳統(tǒng)方法)中的簡(jiǎn)單線性回歸或光譜、空間度量很難捕捉復(fù)雜的非線性時(shí)間趨勢(shì)；2)現(xiàn)有的利用深度學(xué)習(xí)的重建方法多集中運(yùn)用空間卷積網(wǎng)絡(luò)CNN獲取光譜和空間紋理信息(且需要大量的訓(xùn)練樣本)，少有研究使用循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)學(xué)習(xí)跨影像的時(shí)間趨勢(shì)；3)由于云/影總在不確定的影像區(qū)域和不確定的時(shí)間上出現(xiàn)，像元級(jí)的時(shí)間序列難以保證多時(shí)相影像的時(shí)間間隔相等與時(shí)相對(duì)齊，加大了現(xiàn)有方法進(jìn)行時(shí)間序列重建的難度。

1.2.2 多源遙感時(shí)空融合

遙感圖像融合研究可大致分為兩個(gè)階段。第1階段主要集中于全色增強(qiáng)算法研究，即通過融合來自同一傳感器的全色波段和多光譜波段進(jìn)而生成高分辨率的多光譜圖像。這類算法研究較多，已形成較為成熟的系列算法。第2階段則是多源多分辨的時(shí)空融合算法研究，即通過融合高空間分辨率遙感數(shù)據(jù)的空間分辨率特征和高時(shí)間分辨率遙感數(shù)據(jù)的時(shí)間分辨率特征，進(jìn)而生成兼具高時(shí)間和高空間分辨率的遙感數(shù)據(jù)。這類研究從最近十幾年才發(fā)展起來，仍處于快速發(fā)展階段，研究成果相對(duì)較少，但是對(duì)遙感數(shù)據(jù)的應(yīng)用具有重要意義。

時(shí)空融合算法研究最早出現(xiàn)在2006年美國(guó)農(nóng)業(yè)部Gao等人(2006)的研究中。其在Landsat ETM+和MODIS數(shù)據(jù)地表反射率的融合中提出一種時(shí)空自適應(yīng)反射率融合模型(spatial and temporal adaptive reflectance fusion model，STARFM)，可融合生成具有和Landsat ETM+數(shù)據(jù)一樣空間分辨率的逐日(和MODIS數(shù)據(jù)時(shí)間分辨率一樣)地表反射率數(shù)據(jù)。此后，系列基于STARFM或其他理論框架的融合算法相繼被提出。當(dāng)前的時(shí)空融合算法根據(jù)其融合原理可大致分為3種：基于解混、基于濾波和基于學(xué)習(xí)的方法。基于解混的方法，通過光譜替換的方式生成融合圖像；基于濾波的方法，待預(yù)測(cè)像元值通過對(duì)其一定鄰域內(nèi)光譜相似像元的加權(quán)求和獲得；而基于學(xué)習(xí)的方法(Huang和Song，2012；Song和Huang，2012)，首先通過學(xué)習(xí)待融合傳感器圖像之間的映射關(guān)系，然后將先驗(yàn)圖像的信息融入融合模型最終生成融合圖像。

基于學(xué)習(xí)的時(shí)空融合研究起初多在MODIS和Landsat這兩類遙感圖像上。如針對(duì)這兩類數(shù)據(jù)的融合，Song和Huang(2012)提出基于稀疏表示的時(shí)空反射融合模型。該模型在已知兩對(duì)MODIS和Landsat圖像對(duì)差分域中學(xué)習(xí)它們的映射關(guān)系，形成字典對(duì)信息。而因?yàn)閮烧邎D像的空間分辨率存在較大差異，作者設(shè)計(jì)了兩層融合框架，使得基于稀疏表示的方法大大提高了融合精度，但字典對(duì)中存在擾動(dòng)的問題一直不可忽視。Wu等人(2015)通過引入誤差邊界正則化的方法到字段對(duì)學(xué)習(xí)中解決了擾動(dòng)問題。近年來，因深度卷積神經(jīng)網(wǎng)絡(luò)在各類圖像領(lǐng)域表現(xiàn)出良好性能，Song等人(2018)提出基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像時(shí)空融合算法(spatiotemporal satellite image fusion using deep convolutional neural networks，STFDCNN)。STFDCNN分兩階段進(jìn)行學(xué)習(xí)，首先學(xué)習(xí)降采樣Landsat圖像(low spatial resolution，LSR)與MODIS圖像之間的非線性映射關(guān)系；其次學(xué)習(xí)LSR Landsat圖像與原始Landsat圖像之間的超分辨率映射關(guān)系。通過這兩階段學(xué)習(xí)模型實(shí)現(xiàn)對(duì)遙感圖像中豐富細(xì)節(jié)信息的利用。盡管STFDCNN模型在時(shí)空融合性能上大幅度超過其他融合算法，但因其神經(jīng)網(wǎng)絡(luò)層數(shù)較少(僅有3個(gè)隱藏層)，如此淺層的卷積神經(jīng)網(wǎng)絡(luò)對(duì)存在較大空間尺度差異的不同衛(wèi)星傳感器數(shù)據(jù)(MODIS-Landsat)間的非線性映射關(guān)系的學(xué)習(xí)仍是有難度的。因此，當(dāng)前如何處理兩類傳感器數(shù)據(jù)(MODIS-Landsat)之間的空間差異變化，以及如何確定深度卷積網(wǎng)絡(luò)的最優(yōu)層數(shù)和卷積核數(shù)目仍舊是卷積神經(jīng)網(wǎng)絡(luò)時(shí)空融合算法研究中亟待解決的問題。此外，Kim等人(2016)在超分辨重建研究中，通過利用殘差網(wǎng)絡(luò)結(jié)構(gòu)得以訓(xùn)練一個(gè)深度的卷積神經(jīng)網(wǎng)絡(luò)模型，這對(duì)后續(xù)遙感圖像融合研究具有一定啟發(fā)。

1.3 遙感目標(biāo)要素分類識(shí)別

經(jīng)典遙感要素分類與識(shí)別方法一般為“單輸入單輸出”的模型架構(gòu)，面向不同目標(biāo)要素、不同模態(tài)數(shù)據(jù)或不同分類識(shí)別任務(wù)時(shí)，通常設(shè)計(jì)不同的專用網(wǎng)絡(luò)模型。而實(shí)際面臨的應(yīng)用場(chǎng)景中，常會(huì)有不同模態(tài)的數(shù)據(jù)供使用，并給出多種類型的決策結(jié)果，例如，人類的感知系統(tǒng)會(huì)結(jié)合聽、說、看等多種輸入，并給出目標(biāo)的位置、屬性等多種信息。而傳統(tǒng)的模型架構(gòu)難以實(shí)現(xiàn)這種“多輸入多輸出”的能力，主要問題在于:1)傳統(tǒng)模型對(duì)新場(chǎng)景、新任務(wù)的適應(yīng)能力不足；2)模型對(duì)各類數(shù)據(jù)的特征提取過程相對(duì)獨(dú)立，難以實(shí)現(xiàn)不同數(shù)據(jù)的特征共享從而實(shí)現(xiàn)性能增益；3)在多輸入多輸出情況下，傳統(tǒng)模型的簡(jiǎn)單疊加會(huì)導(dǎo)致計(jì)算和空間復(fù)雜度的顯著上升，限制其實(shí)用能力。

為了解決上述問題，當(dāng)前的主流發(fā)展方向是多要素目標(biāo)信息并行提取，通過在網(wǎng)絡(luò)模型中探索多模態(tài)數(shù)據(jù)、多任務(wù)多要素特征的共享學(xué)習(xí)，在降低模型復(fù)雜度的同時(shí)提升其泛化能力。

1.3.1 典型遙感目標(biāo)要素提取

傳統(tǒng)的遙感目標(biāo)要素提取方法面向不同目標(biāo)要素時(shí)，通常設(shè)計(jì)不同的專用的方法流程。這種流程設(shè)計(jì)主要解決兩類問題，一是針對(duì)遙感數(shù)據(jù)本身的特征/特性分析，為構(gòu)建適合數(shù)據(jù)特征/特性的模型提供依據(jù)；二是適合遙感數(shù)據(jù)特點(diǎn)的專用網(wǎng)絡(luò)模型構(gòu)建，即以通用的網(wǎng)絡(luò)模型為基礎(chǔ)，構(gòu)建符合遙感數(shù)據(jù)特點(diǎn)的模型，改進(jìn)通用模型在遙感數(shù)據(jù)中的應(yīng)用能力。

遙感數(shù)據(jù)的獲取過程中存在諸多與自然場(chǎng)景圖像不同的影響因素，如電磁波散射特性、大氣輻射特性和目標(biāo)反射特性等，因此對(duì)于數(shù)據(jù)的上述特性的分析和表達(dá)是構(gòu)建有效模型的基礎(chǔ)。Kusk等人(2016)和Malmgren-Hansen等人(2017)通過對(duì)SAR成像時(shí)地形、回波噪聲等要素進(jìn)行建模，實(shí)現(xiàn)基于3D CAD (computer-aided design)對(duì)不同類型地物要素的SAR圖像仿真。Yan等人(2019)通過對(duì)艦船等目標(biāo)進(jìn)行3維模型構(gòu)建，從而生成仿真的目標(biāo)點(diǎn)云數(shù)據(jù)。Ma等人(2019a)提出了一種包含生成和判別結(jié)構(gòu)的網(wǎng)絡(luò)模型，通過對(duì)抗學(xué)習(xí)實(shí)現(xiàn)樣本表觀真實(shí)性的增強(qiáng)。Zhan等人(2018)和Zhu等人(2018)提出了一種針對(duì)高光譜影像分類的生成對(duì)抗網(wǎng)絡(luò)模型。Zhang等人(2018b)設(shè)計(jì)出一種基于條件模型的生成對(duì)抗網(wǎng)絡(luò)，用于遙感圖像中飛機(jī)目標(biāo)的精細(xì)仿真。Yan等人(2019)則基于點(diǎn)云數(shù)據(jù)在3維空間上進(jìn)行船舶模型構(gòu)建，并利用正射投影變換將模型從模型空間投影至海岸遙感圖像上進(jìn)行仿真數(shù)據(jù)生成。為了進(jìn)一步提升仿真對(duì)象和遙感背景間的適配性，Wang等人(2020b)則進(jìn)一步提出利用CycleGAN對(duì)仿真的飛機(jī)目標(biāo)和背景進(jìn)行自適應(yīng)調(diào)整，設(shè)計(jì)了一種用于目標(biāo)檢測(cè)任務(wù)的建模仿真數(shù)據(jù)生成框架。在地物要素分類任務(wù)上，Kong等人(2020)則利用CityEngine仿真平臺(tái)的批量建模特性，首次探索在廣域范圍內(nèi)進(jìn)行城市級(jí)別的場(chǎng)景建模，并發(fā)布了一套用于建筑物分割的遙感仿真數(shù)據(jù)集Synthinel-1。

面向遙感數(shù)據(jù)特點(diǎn)的專用網(wǎng)絡(luò)模型設(shè)計(jì)方面，主要結(jié)合遙感圖像中目標(biāo)旋轉(zhuǎn)、多尺度和目標(biāo)分布特性等特點(diǎn)，針對(duì)性地設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)來提升專用模型性能。Zhou和Prasad(2018)設(shè)計(jì)了一種源域到目標(biāo)域數(shù)據(jù)共現(xiàn)特征聚焦結(jié)構(gòu)，提升高光譜圖像的語(yǔ)義分割效果。Luo和Ma(2018)針對(duì)高光譜圖像語(yǔ)義分割中存在的類內(nèi)特征分布差異，提出了一種均值差異最大化約束模型。Rao等人(2019)設(shè)計(jì)了一種自適應(yīng)距離度量模型，提升高光譜圖像地物要素的分類精度。Kampffmeyer等人(2016)針對(duì)地物要素?cái)?shù)量、空間分布差異大的問題，提出了一種結(jié)合區(qū)域分組與像素分組的模型訓(xùn)練策略，用于國(guó)土資源監(jiān)測(cè)任務(wù)。Liu等人(2017)針對(duì)遙感目標(biāo)尺度差異大的特點(diǎn)，提出基于沙漏網(wǎng)絡(luò)的多尺度特征增強(qiáng)模型，提升光學(xué)遙感圖像的分類精度。Marcos等人(2018)提出了基于旋轉(zhuǎn)卷積構(gòu)建的多源數(shù)據(jù)提取網(wǎng)絡(luò)，通過編碼圖像的旋轉(zhuǎn)不變性特征在多個(gè)數(shù)據(jù)集取得了先進(jìn)的結(jié)果。Peng等人(2020)基于注意機(jī)制和密集連接網(wǎng)絡(luò)有效融合DSM (digital surface model)數(shù)據(jù)和光譜圖像并獲得了更好的分割效果。Hua等人(2021)提出了特征和空間關(guān)系調(diào)節(jié)網(wǎng)絡(luò)，利用稀疏注釋，基于無監(jiān)督的學(xué)習(xí)信號(hào)來補(bǔ)充監(jiān)督任務(wù)，顯著提升了語(yǔ)義分割的性能。

隨著遙感圖像分辨率的提升、網(wǎng)絡(luò)深度的增加和參數(shù)的堆疊帶來性能的提升，與之相伴的是龐大的模型、巨量的參數(shù)和緩慢的算法效率?？紤]到星上遙感數(shù)據(jù)實(shí)時(shí)處理對(duì)計(jì)算資源、存儲(chǔ)資源的限制，一些工作嘗試在保留算法高性能前提下，減少模型參數(shù)，提高算法運(yùn)算速度。Valada等人(2020)利用分組卷積的設(shè)計(jì)思想提出了一種高效的帶孔空間金字塔池化結(jié)構(gòu)，用于高分辨遙感圖像地物要素提取。Valada等人(2020)方法能夠減少87.87%的參數(shù)量，減少89.88%每秒浮點(diǎn)運(yùn)算次數(shù)(floating-point operations per second, FLOPS)。Zhang等人(2019b)基于深度可分卷積設(shè)計(jì)了一種面向合成孔徑雷達(dá)圖像的船舶檢測(cè)算法的特征提取網(wǎng)絡(luò)，大大提升了檢測(cè)速度，是輕量化前的網(wǎng)絡(luò)檢測(cè)速度的2.7倍。Cao等人(2019)利用深度可分卷積設(shè)計(jì)了一種用于提取數(shù)字表面模型數(shù)據(jù)的結(jié)構(gòu)，該網(wǎng)絡(luò)結(jié)構(gòu)無需預(yù)訓(xùn)練模型仍可以快速收斂，將網(wǎng)絡(luò)訓(xùn)練時(shí)間降低50%以上。Wang等人(2019b)提出一種輕量級(jí)網(wǎng)絡(luò)MFNet(multi-fiber network)，實(shí)現(xiàn)對(duì)高分辨率航拍數(shù)據(jù)的地物要素分類任務(wù)的高效推理，相比于輕量級(jí)網(wǎng)絡(luò)ResNet-18，提出的網(wǎng)絡(luò)在分類精度提升的同時(shí)，將參數(shù)量減少了40%，推理速度提高了27%。Ma等人(2020)針對(duì)災(zāi)后損毀評(píng)估任務(wù)，以ShuffleNet v2模型為基礎(chǔ)，設(shè)計(jì)了一種輕量化建筑物提取模型，相比傳統(tǒng)模型，在精度提升5.24%的同時(shí)，速度提高5.21幀/s。

上述方法結(jié)合遙感目標(biāo)要素特點(diǎn)，通過提出專用網(wǎng)絡(luò)結(jié)構(gòu)或特征提取方法，提升傳統(tǒng)模型針對(duì)遙感數(shù)據(jù)的應(yīng)用能力。然而，對(duì)于不同類型數(shù)據(jù)、不同特征/特性，仍缺乏統(tǒng)一的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行表征，因此多要素信息多任務(wù)并行網(wǎng)絡(luò)和模型仍需進(jìn)一步研究。

1.3.2 多要素信息并行提取

多要素信息并行提取方法的研究，主要集中于探索如何在一個(gè)統(tǒng)一模型中實(shí)現(xiàn)多類遙感地物要素目標(biāo)的類別、位置等屬性信息的高精度獲取。如前所述，針對(duì)這種典型的“多輸入多輸出”場(chǎng)景，現(xiàn)有方法重點(diǎn)針對(duì)多模態(tài)輸入數(shù)據(jù)的特征表示和多任務(wù)輸出特征的共享融合兩方面問題開展研究。

特征共享研究方面，根據(jù)模型共享參數(shù)實(shí)現(xiàn)方式的區(qū)別，現(xiàn)有方法可大致分為硬參數(shù)共享(hard-parameter sharing)和軟參數(shù)共享(soft-parameter sharing)兩種。

硬參數(shù)共享方法利用同一個(gè)模型實(shí)現(xiàn)在輸入和輸出端的多任務(wù)分支模型特征共享融合。Liebel等人(2020)面向城市建設(shè)狀況分析任務(wù)，將多個(gè)任務(wù)共享同一編碼器，并分別解碼輸出，實(shí)現(xiàn)同時(shí)輸出建筑物位置和深度信息。Papadomanolaki等人(2019)將地物要素重建模型融合到分類模型中，并約束分類模型訓(xùn)練，來提升分類效果。Khalel等人(2019)則在同一個(gè)網(wǎng)絡(luò)模型中同時(shí)嵌入圖像銳化與地物要素分類兩類任務(wù)的模型。La Rosa等人(2020)設(shè)計(jì)了一種面向農(nóng)業(yè)生產(chǎn)狀況監(jiān)控的多任務(wù)全卷積回歸網(wǎng)絡(luò)。

軟參數(shù)共享方法直接將針對(duì)不同任務(wù)的多個(gè)獨(dú)立網(wǎng)絡(luò)通過參數(shù)加權(quán)連接，實(shí)現(xiàn)多類任務(wù)的共享輸出。Volpi和Tuia(2018)將條件隨機(jī)場(chǎng)擬合結(jié)果與圖像同時(shí)作為數(shù)據(jù)，構(gòu)建類內(nèi)相似度和邊界值預(yù)測(cè)的兩個(gè)分支模型，改善地物要素分類結(jié)果。Zhang等人(2019a)提出了面向極化SAR多通道數(shù)據(jù)的地物要素分類方法，利用獨(dú)立的特征提取網(wǎng)絡(luò)對(duì)幅值和相位信息分別建模，利用分類器進(jìn)行聯(lián)合約束訓(xùn)練，來提升精度。Shi等人(2021)針對(duì)高光譜圖像的多類要素分類任務(wù)，利用多任務(wù)集成學(xué)習(xí)實(shí)現(xiàn)通道選擇，獲取最優(yōu)通道組合。

針對(duì)多模態(tài)數(shù)據(jù)的聯(lián)合特征表示，如圖像紋理特征、3維高程特征和目標(biāo)要素矢量拓?fù)涮卣鞯?，能有效提升各類任?wù)的性能。Chen等人(2019)針對(duì)洪災(zāi)區(qū)域檢測(cè)任務(wù)，提出融合多時(shí)相的多模態(tài)圖像的模型，來提升其檢測(cè)精度。Fernandez-Beltran等人(2018)將SAR圖像和多光譜圖像作為輸入，進(jìn)行無監(jiān)督的地物要素分類。Benson等人(2017)在森林冠層3維高度估計(jì)任務(wù)中，提出利用光譜特性數(shù)據(jù)的方法，能有效改善傳統(tǒng)3維估計(jì)方法的精度。

1.4 遙感數(shù)據(jù)關(guān)聯(lián)挖掘

1.4.1 數(shù)據(jù)組織關(guān)聯(lián)

隨著遙感大數(shù)據(jù)時(shí)代的到來，對(duì)海量多源異構(gòu)遙感數(shù)據(jù)的挖掘與關(guān)聯(lián)分析變得至關(guān)重要。通過將多源遙感影像建立關(guān)聯(lián)，進(jìn)而從時(shí)間、空間等維度進(jìn)行數(shù)據(jù)隱含特征的挖掘與分析應(yīng)用，可以有效提升遙感大數(shù)據(jù)的價(jià)值。

2012年，國(guó)際對(duì)地觀測(cè)組織(Group on Earth Observation, GEO)提出了一套數(shù)據(jù)共享框架體系。其在全球范圍內(nèi)建立一個(gè)對(duì)地觀測(cè)資源的集成平臺(tái)，該平臺(tái)廣泛應(yīng)用于農(nóng)業(yè)、氣候、能源、健康、水資源和天氣等多個(gè)領(lǐng)域(白玉琪和狄黎平，2013)。此外，美國(guó)聯(lián)邦地理數(shù)據(jù)委員會(huì)(Federal Geographic Data Committee, FGDC)創(chuàng)建了美國(guó)國(guó)際空間數(shù)據(jù)基礎(chǔ)設(shè)施(National Spatial Data Infrastructure, NSDI)，設(shè)計(jì)了一種地理空間互操作的參考框架，實(shí)現(xiàn)了位置參考信息和更寬泛的信息集之間的無縫整合。

1.4.2 專業(yè)知識(shí)圖譜構(gòu)建

針對(duì)如何從認(rèn)知的角度實(shí)現(xiàn)各類數(shù)據(jù)的有效關(guān)聯(lián)與分析，部分學(xué)者從地理空間認(rèn)知的角度出發(fā)，通過構(gòu)建地理知識(shí)圖譜理解實(shí)現(xiàn)多源信息的語(yǔ)義理解。目前，基于開放街道地圖(OpenStreetMap，OSM)(Haklay和Weber，2008)的系列圖譜以及基于YAGO2 (yet another great ontology 2)(Hoffart等，2013)的系列圖譜等地理知識(shí)圖譜得到廣泛使用。人們利用OSM數(shù)據(jù)和資源描述框架(resource description framework，RDF)數(shù)據(jù)模型轉(zhuǎn)換方法，構(gòu)建了LinkedGeo-Data(Auer等，2009)，實(shí)現(xiàn)了網(wǎng)絡(luò)數(shù)據(jù)的空間信息自動(dòng)標(biāo)注。部分學(xué)者提出一種新的OSM2KG(Tempelmeier和Demidova，2021)鏈路發(fā)現(xiàn)方法，在OSM節(jié)點(diǎn)和知識(shí)圖譜中構(gòu)建等價(jià)地理信息實(shí)體之間建立身份鏈路。此外，還有部分學(xué)者提出了CrowdGeoKG(crowdsourced geo-knowledge graph)(Chen等，2017b)方法，該方法首先提取OSM中不同的地理信息實(shí)體，再通過Wikidata中的人文地理信息來補(bǔ)充信息。YAGO2基于Wikipedia、GeoNames和WordNet為信息源進(jìn)行構(gòu)建，包含約980萬個(gè)實(shí)體，其中實(shí)體、事實(shí)和事件都錨定在時(shí)間和空間中。一些學(xué)者利用幾何圖形(如直線、多邊形等)實(shí)現(xiàn)地理空間信息的擴(kuò)展表示(Karalis等，2019)，該地理知識(shí)圖譜以官方的行政區(qū)劃信息和OSM數(shù)據(jù)集為數(shù)據(jù)源。部分學(xué)者提出了基于形式化的地理知識(shí)表示框架GeoKG(geographic knowledge graph)，解決了離散知識(shí)表示方法難以表示地理狀態(tài)、演變的問題(Wang等，2019a)。

此外，為實(shí)現(xiàn)圖譜關(guān)系優(yōu)化和關(guān)系分配，Yuan等人(2020)在實(shí)體識(shí)別、關(guān)系嵌入等步驟基礎(chǔ)上，提出了一種面向生物醫(yī)學(xué)領(lǐng)域的，基于非結(jié)構(gòu)化特定上下文的知識(shí)圖譜構(gòu)造方法。Zhao等人(2020a)提出了一種文檔主題信息自動(dòng)提取模型，能夠自動(dòng)識(shí)別文檔標(biāo)題、狀態(tài)、會(huì)議和組織等文檔主題信息。此外，部分學(xué)者(Piplai等，2020)通過相似實(shí)體融合，提出了一種針對(duì)行動(dòng)報(bào)告的信息抽取方法，用于構(gòu)建網(wǎng)絡(luò)安全知識(shí)圖譜。Dessì等人(2021)結(jié)合監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)，提取研究出版物中的實(shí)體和關(guān)系，并以三元組的形式集成到知識(shí)圖譜中。

1.5 遙感開源數(shù)據(jù)集和共享平臺(tái)

1.5.1 遙感領(lǐng)域開源數(shù)據(jù)集

目前，國(guó)際上的遙感解譯樣本數(shù)據(jù)主要是針對(duì)不同的解譯任務(wù)而構(gòu)建的，主要包括場(chǎng)景分類數(shù)據(jù)集、遙感目標(biāo)檢測(cè)數(shù)據(jù)集、地物要素提取數(shù)據(jù)集和變化檢測(cè)數(shù)據(jù)集等幾類，涵蓋了光學(xué)、SAR等傳感器數(shù)據(jù)。

場(chǎng)景分類指的是根據(jù)遙感圖像的場(chǎng)景內(nèi)容，對(duì)圖像進(jìn)行分類，將其標(biāo)注為某個(gè)特定的場(chǎng)景類別。國(guó)際上，常見的開源數(shù)據(jù)集有美國(guó)加州大學(xué)發(fā)布的UC Merced Land Use數(shù)據(jù)集(Yang和Newsam，2010)，該數(shù)據(jù)集包含21類土地利用的圖像數(shù)據(jù)集；有美國(guó)路易斯安那州立大學(xué)發(fā)布的SAT-4和SAT-6數(shù)據(jù)集(Basu等，2015)，涵蓋來自美國(guó)的330 000個(gè)場(chǎng)景圖像；還包括來自德國(guó)人工智能研究中心的EuroSAT數(shù)據(jù)集(Helber等，2018)，包含來自Sentinel-2 衛(wèi)星的27 000幅遙感圖像。

遙感目標(biāo)檢測(cè)是指通過檢測(cè)算法確定圖像是否包含一個(gè)或者多個(gè)預(yù)定類別的目標(biāo)，并提供目標(biāo)的位置信息。國(guó)際上常見的遙感圖像目標(biāo)檢測(cè)數(shù)據(jù)集有DLR(Deutsches Zentrum für Luft-und Raumfahrt)-MVDA (multiclass vehicle detection on aerial images)數(shù)據(jù)集(Liu和Mattyus，2015)、SpaceNet數(shù)據(jù)集(Van Etten等，2018)和xView數(shù)據(jù)集(Lam等，2018)等。DLR-MVDA數(shù)據(jù)集是德國(guó)航空航天中心(DLR)遙感技術(shù)研究所發(fā)布的車輛檢測(cè)數(shù)據(jù)集；SpaceNet是由亞馬遜等多個(gè)國(guó)際組織聯(lián)合發(fā)布的一系列目標(biāo)檢測(cè)數(shù)據(jù)集，涵蓋道路檢測(cè)、建筑檢測(cè)等多個(gè)任務(wù)。xView是由美國(guó)國(guó)家地理空間情報(bào)局構(gòu)建的一套多類目標(biāo)識(shí)別檢測(cè)數(shù)據(jù)集，它包含來自世界各地復(fù)雜場(chǎng)景的圖像，圖像分辨率為0.3 m，具有60類不同類別的目標(biāo)。

遙感圖像地物要素提取任務(wù)是指為遙感圖像中的每一個(gè)像素分配類別標(biāo)簽，實(shí)現(xiàn)像素級(jí)的預(yù)測(cè)。國(guó)際攝影測(cè)量與遙感協(xié)會(huì)發(fā)布的ISPRS (International Society for Photogrammetry and Remote Sensing)數(shù)據(jù)集提供了兩個(gè)機(jī)載數(shù)據(jù)集，該數(shù)據(jù)集包含Vaihingen和Postdam兩個(gè)城市6類地物要素標(biāo)注結(jié)果。Vaihingen是一個(gè)相對(duì)較小的村莊，里面主要是分布著一些獨(dú)立的、小型的建筑物。而Postdam是一座擁有大型建筑、密集居民區(qū)的歷史名城。兩個(gè)城市的數(shù)據(jù)具有不同的建筑風(fēng)格，給地物要素分類任務(wù)帶來了一定的挑戰(zhàn)。

變化檢測(cè)是從不同時(shí)期的遙感數(shù)據(jù)中定量分析和確定地表變化的特征與過程。OSCD (onera satellite change detection)數(shù)據(jù)集(Daudt等，2018)包含2015年至2018年之間從Sentinel-2衛(wèi)星拍攝的24對(duì)多光譜圖像。區(qū)域涵蓋世界各地(巴西、美國(guó)、歐洲、中東和亞洲)。對(duì)于每個(gè)位置，均提供了Sentinel-2衛(wèi)星獲得的13個(gè)波段的多光譜衛(wèi)星圖像的配準(zhǔn)對(duì)。圖像的空間分辨率在10 m，20 m和60 m之間變化。

在SAR圖像樣本集方面，為了解決“SAR圖像目標(biāo)識(shí)別技術(shù)”，美國(guó)多個(gè)研究團(tuán)隊(duì)積極參與協(xié)作，提出了一個(gè)小型MSTAR (moving and stationary target acquisition and recognition)數(shù)據(jù)集(Ross等，1999)，該數(shù)據(jù)集包含40多類車輛目標(biāo)，每個(gè)車輛有72個(gè)不同視角和360度范圍內(nèi)不同方向的樣本。德國(guó)EADS (European Aeronautic Defence and Space company)建立的DOSAR (Dornier SAR)樣本集(Hoffmann和Fischer，2002)包含26幅X波段SAR圖像和521幅紅外圖像。

1.5.2 開源平臺(tái)、社區(qū)和競(jìng)賽

開源是一種面向全球的大規(guī)模協(xié)作工作模式，它以開放共享、合作共贏為宗旨，有效地推進(jìn)了全球化進(jìn)程。目前，已有越來越多的國(guó)際組織致力于建設(shè)開放共享的交流平臺(tái)/社區(qū)，吸引來自全球各地的研究者共享成果。全球知名代碼托管平臺(tái) GitHub上的開發(fā)者數(shù)量已經(jīng)達(dá)到了7 300萬，涵蓋了數(shù)十種語(yǔ)言、框架和領(lǐng)域，成為世界上最大的代碼托管平臺(tái)。Kaggle是由聯(lián)合創(chuàng)始人、首席執(zhí)行官安東尼·高德布盧姆2010年在墨爾本創(chuàng)立的，主要為開發(fā)商和數(shù)據(jù)科學(xué)家提供舉辦機(jī)器學(xué)習(xí)競(jìng)賽、托管數(shù)據(jù)庫(kù)、編寫和分享代碼的平臺(tái)。OCP (open compute project)已經(jīng)成為全球最大的硬件開源社區(qū)之一，制定了數(shù)據(jù)中心基礎(chǔ)設(shè)施領(lǐng)域的諸多開放標(biāo)準(zhǔn)。Stack OverFlow作為全球最大的技術(shù)問答網(wǎng)站之一，主要面向編程人員，提供一個(gè)技術(shù)交流的平臺(tái)。

為促進(jìn)對(duì)地觀測(cè)領(lǐng)域?qū)W術(shù)發(fā)展和成果轉(zhuǎn)化，國(guó)際學(xué)術(shù)組織也在積極致力于舉辦各種學(xué)術(shù)競(jìng)賽。IEEE GRSS(Geoscience and Remote Sensing Society)數(shù)據(jù)融合大賽(data fusion contest)由IEEE GRSS數(shù)據(jù)融合技術(shù)委員會(huì)(Data Fusion Technical Committee, DFTC)組織，自2006年以來已舉辦5屆，旨在評(píng)價(jià)現(xiàn)有方法在利用多源傳感器數(shù)據(jù)解決實(shí)際問題方面的能力。DIUx xView挑戰(zhàn)賽中給定高分辨率的衛(wèi)星圖像，任務(wù)是為圖像中的每個(gè)對(duì)象預(yù)測(cè)邊界框。隨著遙感技術(shù)的發(fā)展，計(jì)算機(jī)視覺領(lǐng)域的國(guó)際頂級(jí)會(huì)議組織也在積極推動(dòng)遙感領(lǐng)域的學(xué)術(shù)進(jìn)展，國(guó)際計(jì)算機(jī)視覺會(huì)議ICCV(IEEE International Conference on Computer Vision)和CVPR(IEEE Conference on Computer Vision and Pattern Recognition)都開設(shè)了遙感領(lǐng)域的Workshop，以促進(jìn)深度學(xué)習(xí)技術(shù)在遙感領(lǐng)域的發(fā)展。SpaceNet-7挑戰(zhàn)賽聚焦于遙感變化檢測(cè)技術(shù)的應(yīng)用，競(jìng)賽任務(wù)要求參賽者使用已建立的多目標(biāo)跟蹤準(zhǔn)確性指標(biāo)跟蹤建筑物的建設(shè)進(jìn)度，從而直接評(píng)估城市化程度。

2 國(guó)內(nèi)研究進(jìn)展

2.1 遙感數(shù)據(jù)精準(zhǔn)處理

傳統(tǒng)遙感數(shù)據(jù)精準(zhǔn)處理技術(shù)需要根據(jù)光譜和電磁信號(hào)在“天—地”鏈路中的傳播模型，建立地表物理信息與觀測(cè)數(shù)據(jù)的關(guān)聯(lián)關(guān)系，從而構(gòu)建逆向模型，利用數(shù)據(jù)處理技術(shù)將觀測(cè)數(shù)據(jù)重新映射為地表物理信息。傳統(tǒng)方法受到各類誤差的影響，圖像清晰度、聚焦質(zhì)量有所退化，輻射、幾何等定量化特征精度也有所下降。

高質(zhì)量遙感影像在氣象、災(zāi)害以及軍事等諸多方面有著廣闊的應(yīng)用前景。實(shí)際成像條件下，大氣擾動(dòng)、目標(biāo)運(yùn)動(dòng)、場(chǎng)景變化和成像系統(tǒng)硬件限制等諸多因素，都制約著遙感圖像的獲取質(zhì)量。實(shí)際圖像往往表現(xiàn)出光學(xué)模糊、運(yùn)動(dòng)散焦、系統(tǒng)噪聲和欠采樣等圖像質(zhì)量退化，使得分辨率、信噪比等遙感圖像關(guān)鍵指標(biāo)難以得到有效保障。深度學(xué)習(xí)網(wǎng)絡(luò)可以實(shí)現(xiàn)去云去噪以及超分辨率重建，獲得高質(zhì)量的遙感圖像。

王軍軍等人(2021)提出了一種新的生成對(duì)抗網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過端到端訓(xùn)練，對(duì)光學(xué)遙感圖像去云，將清晰的光學(xué)遙感圖像從原始含云圖像中恢復(fù)出來。郭保(2021)使用目前在計(jì)算機(jī)視覺領(lǐng)域效果較好的生成對(duì)抗網(wǎng)絡(luò)方法實(shí)現(xiàn)了遙感圖像去云模型。張意等人(2021)結(jié)合注意力機(jī)制、殘差自編碼器結(jié)構(gòu)和感知損失，提出了一種新的基于殘差自編碼器的遙感圖像去噪網(wǎng)絡(luò)(ARED-VGG)，將注意力機(jī)制應(yīng)用于圖像去噪，可以進(jìn)一步使得網(wǎng)絡(luò)更加專注于圖像的重要特征以及細(xì)節(jié)信息。李盛等人(2021)提出增強(qiáng)少樣本學(xué)習(xí)方法解決模糊核未知時(shí)的超分重建問題。張艷等人(2021)針對(duì)遙感圖像超分辨率重建算法特征利用率低、重建速度慢等問題，提出一種基于多路徑特征融合的遙感圖像超分辨率重建算法，提高了重建效率。劉明等人(2020)結(jié)合生成對(duì)抗網(wǎng)絡(luò)提出了一種新的基于自然感知的端到端單向特征提取的去霧方法。李玉峰等人(2021)提出了一種新的基于深度學(xué)習(xí)網(wǎng)絡(luò)的光學(xué)遙感圖像去霧方法，該方法可以有效去除遙感圖像中由于霧霾導(dǎo)致的清晰度下降問題，有效提升了遙感圖像在霧霾天氣狀況下的清晰度。

去云去噪以及超分辨率重建等技術(shù)可以有效獲得高質(zhì)量的遙感圖像，為遙感應(yīng)用提供了良好的數(shù)據(jù)基礎(chǔ)。利用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行遙感圖像去云去噪和超分辨率重建面臨著以下挑戰(zhàn)：遙感圖像難以配準(zhǔn)；低頻信號(hào)易模糊；模擬退化模型與實(shí)際退化模型不符合等。

將深度學(xué)習(xí)等人工智能技術(shù)引入遙感圖像質(zhì)量提升是近幾年最為關(guān)注的研究熱點(diǎn)。我國(guó)也一直重視利用人工智能技術(shù)開展相關(guān)研究工作，與國(guó)際研究現(xiàn)狀類似，主要研究進(jìn)展集中在圖像匹配方面。郭正勝和李參海(2019)通過尋找最大穩(wěn)定極值區(qū)域(maximally stable extremal regions, MSERs)，實(shí)現(xiàn)遙感圖像關(guān)鍵點(diǎn)檢測(cè)，并根據(jù)關(guān)鍵點(diǎn)進(jìn)行圖像特征截取和匹配。廖明哲等人(2020)融合了兩個(gè)通道分別生成的感受野遞增的淺層特征和表征能力更強(qiáng)的高層特征，得到包含有豐富信息的特征圖，用于提高遙感圖像的匹配效率。王少杰等人(2021)將高斯差分圖像DoG (Difference of Gaussian)與VGGNet (Visual Geometry Group Network)網(wǎng)絡(luò)組合起來，構(gòu)成一個(gè)新網(wǎng)絡(luò)，基于新網(wǎng)絡(luò)提取特征圖描述特征點(diǎn)，提取高斯差分圖像中的極大值點(diǎn)作為待配準(zhǔn)特征點(diǎn)，對(duì)兩幅圖像特征點(diǎn)的匹配相似度進(jìn)行計(jì)算。岳國(guó)華和邢曉利(2021)使用仿射變換網(wǎng)絡(luò)對(duì)遙感圖像進(jìn)行空間變換，批量生成訓(xùn)練圖像，將特征提取和匹配放在卷積神經(jīng)網(wǎng)絡(luò)的端到端架構(gòu)中，直接預(yù)測(cè)仿射變換參數(shù)；通過采用校正網(wǎng)絡(luò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)果進(jìn)行改進(jìn)，實(shí)現(xiàn)遙感圖像更加精確的配準(zhǔn)。

張洪群等人(2017)提出了基于深度學(xué)習(xí)的遙感圖像半監(jiān)督檢索，提高了檢索速度和準(zhǔn)確性。蘇燕飛(2018)研究了CNN網(wǎng)絡(luò)中的全連接層特征以及不同聚合大小的卷積層特征，并利用上述特征實(shí)現(xiàn)了圖像配準(zhǔn)。陳恒實(shí)(2020)提出了空間變換網(wǎng)絡(luò)和灰度投影相結(jié)合的遙感圖像配準(zhǔn)方法，利用區(qū)域約束移動(dòng)最小二乘法和卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了遙感圖像精確配準(zhǔn)。劉宇雁(2021)提出了一個(gè)生成對(duì)抗鄰域表征網(wǎng)絡(luò)來替代人工選取圖像塊表征的策略，并在二通道網(wǎng)絡(luò)中設(shè)計(jì)了一個(gè)多層融合網(wǎng)絡(luò)來解決部分冗余點(diǎn)背景相似導(dǎo)致被誤認(rèn)為內(nèi)點(diǎn)的問題。

將卷積神經(jīng)網(wǎng)絡(luò)成功應(yīng)用于圖像配準(zhǔn)，使得圖像配準(zhǔn)技術(shù)又開拓了新的思路。但是針對(duì)一些復(fù)雜圖像，比如配準(zhǔn)圖像有較大的縮放、旋轉(zhuǎn)變換時(shí)，很難實(shí)現(xiàn)圖像間精準(zhǔn)配準(zhǔn)。此外，當(dāng)計(jì)算圖像融合特征時(shí)，兩個(gè)特征的權(quán)重是固定的，在一定程度上限制了數(shù)據(jù)和方法的適用范圍。

除了幾何定量化提升，輻射、極化定量化提升方面也逐漸滲透了一些神經(jīng)網(wǎng)絡(luò)思想，但尚未形成體系研究。劉李等人(2017)基于長(zhǎng)期輻射定標(biāo)場(chǎng)輻射測(cè)量數(shù)據(jù)的積累，通過對(duì)定標(biāo)場(chǎng)實(shí)測(cè)數(shù)據(jù)和遙感圖像的映射學(xué)習(xí)，建立出定標(biāo)場(chǎng)表觀反射率模型，預(yù)測(cè)傳感器待成像時(shí)刻的定標(biāo)場(chǎng)表觀反射率，得到遙感圖像的絕對(duì)輻射定標(biāo)結(jié)果。上官松濤(2021)利用結(jié)合統(tǒng)計(jì)計(jì)算和深度神經(jīng)網(wǎng)絡(luò)方法，實(shí)現(xiàn)了基于星載極化SAR大數(shù)據(jù)的極化穩(wěn)定特征提取，據(jù)此完成了極化失真定量化估計(jì)。楊進(jìn)濤等人(2019)利用深度神經(jīng)網(wǎng)絡(luò)提取建筑物統(tǒng)計(jì)特征，據(jù)此完成基于建筑物的無場(chǎng)化輻射定標(biāo)和輻射質(zhì)量定量化評(píng)估?；谏窠?jīng)網(wǎng)絡(luò)等人工智能方法進(jìn)行遙感數(shù)據(jù)定量化提升已經(jīng)起步，仍需經(jīng)過大量試驗(yàn)和長(zhǎng)期探索系統(tǒng)性形成基于人工智能的遙感數(shù)據(jù)定量化提升能力。

2.2 遙感數(shù)據(jù)時(shí)空處理與分析

伴隨著國(guó)家“高分專項(xiàng)”計(jì)劃的實(shí)施與無人機(jī)技術(shù)的飛速發(fā)展，我國(guó)已經(jīng)初步構(gòu)建了空天地一體化的對(duì)地觀測(cè)網(wǎng)絡(luò)，生產(chǎn)出多源、多模態(tài)、多時(shí)空分辨率和多專題的遙感數(shù)據(jù)。并且隨著我國(guó)遙感科學(xué)與應(yīng)用研究國(guó)際化程度的不斷提高，國(guó)內(nèi)的遙感研究幾乎已經(jīng)緊跟國(guó)際先進(jìn)水平，并在某些領(lǐng)域引領(lǐng)研究潮流。在遙感數(shù)據(jù)時(shí)空處理與分析方面，一方面保持著對(duì)國(guó)際研究進(jìn)展的緊密跟隨與并跑，另一方面保持國(guó)家應(yīng)用的特色。

2.2.1 緊跟或領(lǐng)跑國(guó)際研究

在深度學(xué)習(xí)等智能計(jì)算快速發(fā)展的背景下，借鑒深度學(xué)習(xí)在自然圖像或醫(yī)學(xué)圖像的時(shí)空處理與分析算法(如超分辨率重建、視頻預(yù)測(cè)等)，遙感數(shù)據(jù)的時(shí)空分析研究能快速遷移并適用。加上我國(guó)遙感研究基礎(chǔ)較好，往往能快速?gòu)?fù)制并超越國(guó)外研究水平。如Zhang等人(2018a)借助卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了通用的時(shí)間—空間—光譜聯(lián)合的數(shù)據(jù)重建框架，用于修復(fù)云影遮擋、傳感器故障等引起的數(shù)據(jù)缺失；Zhou等人(2020)利用Sentinel-1微波數(shù)據(jù)與Landsat數(shù)據(jù)之間的時(shí)序轉(zhuǎn)換關(guān)系，提出了用微波數(shù)據(jù)輔助光學(xué)影像重建的時(shí)間序列修復(fù)方法。

2.2.2 保持中國(guó)特色

隨著“將論文寫在祖國(guó)大地上”思想的深入人心，在遙感數(shù)據(jù)時(shí)空處理與分析方面，國(guó)內(nèi)的研究更加關(guān)注于國(guó)內(nèi)區(qū)域、國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)和國(guó)家實(shí)際應(yīng)用需求。在研究范圍上，一方面保持著全球視野，另一方面快速開展國(guó)內(nèi)區(qū)域的適用和優(yōu)化。隨著國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)的不斷豐富，數(shù)據(jù)源也逐步轉(zhuǎn)換到國(guó)產(chǎn)的GF-1、GF-2、GF-6、ZY-3等衛(wèi)星數(shù)據(jù)。緊跟國(guó)家高質(zhì)量農(nóng)業(yè)發(fā)展的思路，面向精準(zhǔn)農(nóng)業(yè)應(yīng)用，開展地塊尺度的精細(xì)遙感農(nóng)業(yè)應(yīng)用(Sun等，2019)。

2.3 遙感目標(biāo)要素分類識(shí)別

得益于深度學(xué)習(xí)強(qiáng)大的特征表達(dá)能力，國(guó)內(nèi)研究學(xué)者同樣開展了典型地物要素提取的相關(guān)工作，基于遙感數(shù)據(jù)的多光譜、高地物復(fù)雜度、高類間相似和類內(nèi)差異性等特點(diǎn)構(gòu)建專用的方法和策略。楊建宇等人(2019)利用遙感圖像的光譜和空間特征信息基于SegNet(Badrinarayanan等，2017)對(duì)遙感圖像中的農(nóng)村建筑物覆蓋區(qū)域進(jìn)行提取。類似地，考慮到編碼器—解碼器結(jié)構(gòu)在訓(xùn)練數(shù)據(jù)較少情況下的有效性和魯棒性，研究人員(徐昭洪 等，2019；蘇健民 等，2019)改進(jìn)了網(wǎng)絡(luò)結(jié)構(gòu)，并成功應(yīng)用到建筑物分割和地物要素分類中。針對(duì)編碼器結(jié)構(gòu)中特征分辨率降低，有效感受野不足以及語(yǔ)義上下文信息較為薄弱的問題，一些學(xué)者針對(duì)性地進(jìn)行了相應(yīng)的研究工作。廖旋等人(2019)在遙感序列圖像和多視角圖像地地物要素提取問題中，提出將圖像的分割先驗(yàn)與模型深層特征相融合的策略,解決序列圖像前/背景的分割歧義和分割一致性問題。洪亮等人(2020)基于面向?qū)ο髨D像分析方法，引入了局部方差準(zhǔn)則，通過對(duì)全局分割和局部分割融合處理解決遙感圖像的多尺度分割。

遙感任務(wù)往往存在較高的關(guān)聯(lián)性，例如，地物要素分類任務(wù)與邊緣檢測(cè)任務(wù)以及高度估計(jì)任務(wù)和表面法線估計(jì)任務(wù)等。不同任務(wù)的特征分布和類間差異可以對(duì)相似任務(wù)提供一定程度上的促進(jìn)作用，因此，基于多任務(wù)集成方法可用來提升遙感目標(biāo)要素分類識(shí)別的性能。多任務(wù)集成方法源于多任務(wù)學(xué)習(xí)，針對(duì)地物要素的編解碼結(jié)構(gòu)，Wang等人(2020a)使用共享編碼器從遙感圖像中提取特征，然后構(gòu)建不同的局部獨(dú)立的解碼器結(jié)構(gòu)實(shí)現(xiàn)地物要素的分類、邊緣提取與深度估計(jì)等，此外，邊緣提取的結(jié)果也用于輔助其他任務(wù)的正則化約束。Zhang等人(2017)面向具有多個(gè)光譜通道的高光譜圖像，通過探索其光譜通道之間的相關(guān)關(guān)系，并將相鄰?fù)ǖ赖南嗨菩约s束用于不同類任務(wù)的模型訓(xùn)練，來提升高光譜圖像中目標(biāo)的檢測(cè)精度。Li等人(2015)針對(duì)圖像中超像素的生成和分類，利用多個(gè)不同任務(wù)的互補(bǔ)特征，提升超像素的分類精度。

考慮到遙感數(shù)據(jù)通常包含多種數(shù)據(jù)源信息，多模態(tài)數(shù)據(jù)中豐富的特征在大圖幅遙感場(chǎng)景應(yīng)用范圍下的目標(biāo)要素分類任務(wù)中能夠帶來有價(jià)值的信息。因此，研究遙感圖像中多種不同模態(tài)數(shù)據(jù)的特征提取同樣成為一個(gè)重要的研究方向。多模態(tài)學(xué)習(xí)的關(guān)鍵問題是如何對(duì)多模態(tài)的數(shù)據(jù)和特征進(jìn)行有效的聯(lián)合學(xué)習(xí)。Mou和Zhu(2018)基于迭代的密集連接編解碼卷積神經(jīng)網(wǎng)絡(luò)提取多光譜數(shù)據(jù)和激光雷達(dá)數(shù)據(jù)，實(shí)現(xiàn)準(zhǔn)確的邊界推斷和要素分類。Peng等人(2020)提出基于注意機(jī)制和密集連接網(wǎng)絡(luò)有效融合數(shù)字表面模型信息和光譜圖像并獲得了更好的分割效果。Zhao等人(2020b)分別用兩個(gè)不同的編解碼網(wǎng)絡(luò)提取光學(xué)和紅外影像的分割預(yù)測(cè)結(jié)果并融合，實(shí)現(xiàn)了對(duì)最終預(yù)測(cè)精度的進(jìn)一步優(yōu)化。此外，一些方法提出在不改變?cè)心Ｐ偷幕A(chǔ)上，引入輔助的數(shù)據(jù)或先驗(yàn)信息作為額外的監(jiān)督信息，在新的學(xué)習(xí)階段與原有學(xué)習(xí)階段產(chǎn)生的結(jié)果進(jìn)行融合，以進(jìn)一步改善模型的性能。例如，孫晨等人(2018)利用卷積神經(jīng)網(wǎng)絡(luò)獲取多光譜數(shù)據(jù)的初次分割結(jié)果后，引入數(shù)字表面模型信息，作為額外的空間信息，以多階段聯(lián)合學(xué)習(xí)的方式進(jìn)一步細(xì)化初次分割的結(jié)果，最終得到更加精細(xì)化的分割效果。

2.4 遙感數(shù)據(jù)關(guān)聯(lián)挖掘

2.4.1 數(shù)據(jù)組織關(guān)聯(lián)

各類遙感數(shù)據(jù)由于位置、尺度等差異，在各種投影坐標(biāo)系統(tǒng)和球面格網(wǎng)系統(tǒng)中會(huì)存在顯著的不同。不同數(shù)據(jù)集在多樣化的空間參考框架下，難以在空間上進(jìn)行關(guān)聯(lián)，給統(tǒng)一時(shí)空框架下各類數(shù)據(jù)的關(guān)聯(lián)分析帶來困難。

針對(duì)上述問題，吳立新等人(2013)提出了一種地球系統(tǒng)空間格網(wǎng)(earth system spatial grid, ESSG)的概念，實(shí)現(xiàn)多源數(shù)據(jù)在多空間參考、多尺度等條件下的關(guān)聯(lián)。鄧巧華等人(2015)提出了一種基于全球剖分網(wǎng)格GeoSOT的多源遙感數(shù)據(jù)空間關(guān)聯(lián)方法，該方法同時(shí)考慮了遙感數(shù)據(jù)本身的特性與GeoSOT剖分網(wǎng)格所具有的無縫無疊、多尺度的特性，根據(jù)剖分網(wǎng)格將遙感數(shù)據(jù)塊進(jìn)行統(tǒng)一的劃分和組織，從而實(shí)現(xiàn)多源遙感數(shù)據(jù)的結(jié)構(gòu)化關(guān)聯(lián)。

2.4.2 專業(yè)知識(shí)圖譜構(gòu)建

專業(yè)知識(shí)圖譜通常用于輔助各種復(fù)雜的分析應(yīng)用或決策支持，高精度的知識(shí)圖譜有利于幫助應(yīng)用取得更好的效果。面向特定應(yīng)用領(lǐng)域的專業(yè)知識(shí)圖譜中實(shí)體通常屬性復(fù)雜，其重點(diǎn)在于如何更精確地識(shí)別、提取和關(guān)聯(lián)特定領(lǐng)域的實(shí)體。

孫晨等人(2018)基于最大熵模型實(shí)現(xiàn)對(duì)中文命名實(shí)體的抽取。傳統(tǒng)機(jī)器學(xué)習(xí)算法對(duì)中文實(shí)體識(shí)別存在準(zhǔn)確率低、泛化能力差的問題。為此，王子牛等人(2019)將基于轉(zhuǎn)換器的雙向編碼表征(bidirectional encoder representations from transformers， Bert)和神經(jīng)網(wǎng)絡(luò)相結(jié)合，基于大規(guī)模未標(biāo)注語(yǔ)料預(yù)訓(xùn)練模型提出了一種新的命名實(shí)體識(shí)別方法。王仁武等人(2016)將深度置信網(wǎng)絡(luò)運(yùn)用于中文商務(wù)領(lǐng)域，提出了一種自動(dòng)提取知識(shí)實(shí)體及其相互關(guān)系的方法。在企業(yè)領(lǐng)域?qū)嶓w識(shí)別中，數(shù)據(jù)集規(guī)模往往較小。楊波和廖怡茗(2021)在實(shí)體識(shí)別任務(wù)前進(jìn)行了詞嵌入預(yù)訓(xùn)練，實(shí)現(xiàn)了面向企業(yè)動(dòng)態(tài)風(fēng)險(xiǎn)構(gòu)建知識(shí)圖譜的功能。周炫余等人(2021)提出了一種基于Bert預(yù)訓(xùn)練模型的全連接和卷積神經(jīng)網(wǎng)絡(luò)，面向教材和百度百科中的初中數(shù)學(xué)知識(shí)數(shù)據(jù)構(gòu)建了知識(shí)圖譜。知識(shí)圖譜也可以應(yīng)用于自然災(zāi)害應(yīng)急任務(wù)中，杜志強(qiáng)等人(2020)對(duì)災(zāi)害應(yīng)急中的事件、應(yīng)急任務(wù)、災(zāi)害數(shù)據(jù)和模型描述方法等核心元素進(jìn)行了歸納與定義，設(shè)計(jì)了一種自然災(zāi)害應(yīng)急知識(shí)圖譜構(gòu)建方法。

2.5 遙感開源數(shù)據(jù)集和共享平臺(tái)

2.5.1 遙感領(lǐng)域開源數(shù)據(jù)集

隨著人工智能技術(shù)在遙感領(lǐng)域的深入發(fā)展，國(guó)內(nèi)相關(guān)的高校和科研機(jī)構(gòu)陸續(xù)構(gòu)建了一批高質(zhì)量的遙感圖像解譯數(shù)據(jù)集。

在遙感圖像目標(biāo)檢測(cè)領(lǐng)域，NWPU VHR-10 (Northwestern Polytechnical University Very High Resolution-10)數(shù)據(jù)集(Cheng等，2014)于2014年由西北工業(yè)大學(xué)發(fā)布，包含10類常見的地物目標(biāo)。該數(shù)據(jù)集共包含800幅高分辨率遙感圖像，目標(biāo)標(biāo)注方式為水平框標(biāo)注。西北工業(yè)大學(xué)發(fā)布另一個(gè)較大規(guī)模的數(shù)據(jù)集是DIOR (detectIon in optical remote)數(shù)據(jù)集(Li等，2020)，DIOR數(shù)據(jù)集包含23 463幅圖像和192 472個(gè)實(shí)例，覆蓋20個(gè)常見目標(biāo)類別。數(shù)據(jù)集中圖像大小為800×800像素，空間分辨率為0.5—30 m，標(biāo)注方式依然為水平框標(biāo)注。武漢大學(xué)發(fā)布了包含15類目標(biāo)的DOTA (dataset for object detection in aerial images)數(shù)據(jù)集(Xia等，2018)，包含從Google Earth在內(nèi)多個(gè)平臺(tái)上采集的圖像，圖像的尺寸為800—4 000像素不等，標(biāo)注方式為帶方向的旋轉(zhuǎn)框標(biāo)注方式。高分辨率SAR艦船檢測(cè)數(shù)據(jù)集(AIR-SARShip)(孫顯 等，2019)發(fā)布3 000余幅圖像，圖像分辨率包括1 m和3 m，成像模式包括聚束式和條帶式，極化方式為單極化，場(chǎng)景類型包含港口、島礁和不同等級(jí)海況的海面，目標(biāo)覆蓋運(yùn)輸船、油船和漁船等十余類近千艘艦船。以上數(shù)據(jù)集都是針對(duì)通用目標(biāo)檢測(cè)提出的數(shù)據(jù)集，為推進(jìn)高分辨率遙感圖像解譯算法由檢測(cè)定位向精細(xì)分類發(fā)展，近期，中國(guó)科學(xué)院空天信息創(chuàng)新研究院牽頭，聯(lián)合廈門大學(xué)、德國(guó)卡爾斯魯厄理工學(xué)院等國(guó)內(nèi)外高校，發(fā)布了面向目標(biāo)細(xì)粒度識(shí)別的大規(guī)模遙感圖像數(shù)據(jù)集FAIR1M(Sun等，2022)，數(shù)據(jù)集標(biāo)注的實(shí)例數(shù)量超過100萬，目標(biāo)實(shí)例涵蓋了來自全球百余個(gè)城市、鄉(xiāng)村、機(jī)場(chǎng)和港口等場(chǎng)景中各種角度、尺度的典型目標(biāo)。

在地物要素提取方面，GID (Gaofen image dataset)(Tong等，2020)是一個(gè)用于土地利用和土地覆蓋分類的數(shù)據(jù)集，包含來自中國(guó)60多個(gè)不同城市的150幅高質(zhì)量圖像，覆蓋面積超過了5萬平方公里。iSAID (instance segmentation in aerial images dataset)數(shù)據(jù)集(Zamir等，2019)是由武漢大學(xué)發(fā)布的包含15類地物要素標(biāo)注的數(shù)據(jù)集。此外，還有針對(duì)于水體、建筑等單類典型目標(biāo)提出的數(shù)據(jù)集。

2.5.2 開源平臺(tái)、社區(qū)和競(jìng)賽

數(shù)據(jù)集的發(fā)展有效促進(jìn)了國(guó)內(nèi)學(xué)者科研技術(shù)的發(fā)展，各個(gè)方向上都涌現(xiàn)出了大量?jī)?yōu)秀的算法。為了將這些優(yōu)秀的算法成果發(fā)揮出更大的價(jià)值，國(guó)內(nèi)科研院所和機(jī)構(gòu)積極推動(dòng)開源平臺(tái)和開放競(jìng)賽的建設(shè)。

OSGeo (open source geospatial foundation)中國(guó)中心是地理空間領(lǐng)域開源的技術(shù)、數(shù)據(jù)和知識(shí)共享平臺(tái)，其鏈接了多個(gè)科研項(xiàng)目網(wǎng)站，同時(shí)網(wǎng)站上還集成了大量的在線科學(xué)計(jì)算工具，包括地理、測(cè)繪、電力、物理、化學(xué)、環(huán)境、大氣、農(nóng)業(yè)、機(jī)械和建筑等。在科研創(chuàng)新方面，依托武漢人工智能計(jì)算中心的算力，武漢大學(xué)打造了遙感專用框架LuojiaNet，針對(duì)大幅面、多通道遙感影像，在整圖分析和數(shù)據(jù)集極簡(jiǎn)讀取處理等方面實(shí)現(xiàn)了技術(shù)突破。

在競(jìng)賽方面，“天智杯”人工智能挑戰(zhàn)賽、“昇騰杯”遙感影像智能處理算法大賽、全國(guó)人工智能大賽、高分遙感智能解譯大賽等國(guó)內(nèi)研究機(jī)構(gòu)舉辦的比賽也在如火如荼地開展。其中，由中國(guó)科學(xué)院空天信息創(chuàng)新研究院聯(lián)合IEEE GRSS 和ISPRS兩個(gè)國(guó)際學(xué)術(shù)組織舉辦的高分遙感圖像解譯大賽(Gaofen Challenge)已經(jīng)面向國(guó)際開放參賽，五年間吸引來自全球20多個(gè)國(guó)家的3 000余支隊(duì)伍參加，推動(dòng)創(chuàng)新人才培養(yǎng)和科研隊(duì)伍建設(shè)，促進(jìn)了高分領(lǐng)域技術(shù)交流合作和應(yīng)用轉(zhuǎn)化。

3 國(guó)內(nèi)外研究進(jìn)展比較

3.1 遙感數(shù)據(jù)精準(zhǔn)處理

基于人工智能開展遙感圖像精細(xì)化處理研究，研究思路大致分為兩類，一是改進(jìn)傳統(tǒng)成像算法，基于深度學(xué)習(xí)的SAR成像算法可以簡(jiǎn)化成像過程，得到高質(zhì)量聚焦圖像；二是將已有的低分辨率的遙感圖像通過基于機(jī)器學(xué)習(xí)的超分辨率重建技術(shù)得到高分辨率高信噪比圖像。國(guó)外已經(jīng)開展了基于深度學(xué)習(xí)改進(jìn)遙感圖像成像算法方面的研究工作，國(guó)內(nèi)相關(guān)研究工作開展較少，更多研究工作集中在遙感圖像超分辨率和高質(zhì)量重建方面。在超分辨率重建方面，國(guó)內(nèi)和國(guó)際上解決思路和研究途徑基本一致；在去云去霧去噪方面，國(guó)內(nèi)結(jié)合星載光學(xué)實(shí)際數(shù)據(jù)開展的工作相對(duì)更為豐富。

深度學(xué)習(xí)等人工智能方法具有很好的特征提取和特征表達(dá)能力，基于深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)特征提取和特征描述，進(jìn)而定量化提升遙感圖像幾何精度已經(jīng)成為主流研究思路，國(guó)內(nèi)外學(xué)者研究思路和進(jìn)展基本一致。受傳統(tǒng)特征檢測(cè)器啟發(fā)，基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取在全監(jiān)督、半監(jiān)督和無監(jiān)督環(huán)境下提取特征點(diǎn)。這種優(yōu)勢(shì)在遙感圖像配準(zhǔn)精度提升方面具有很大的潛力。但是，基于深度學(xué)習(xí)的方法也面臨一些亟待解決的新問題。比如無監(jiān)督學(xué)習(xí)中多時(shí)相場(chǎng)景存在成像條件差異大等難點(diǎn) (尺度變換、灰度變化、局部畸變和噪聲影響等)，在有限數(shù)據(jù)集支撐下很難全面解決上述難點(diǎn)。針對(duì)這一問題，國(guó)外學(xué)者提出了一個(gè)以孿生網(wǎng)絡(luò)為基礎(chǔ)的框架，從目前研究進(jìn)展來看，基于該基礎(chǔ)框架有望解決困難條件下遙感圖像匹配問題，并在此基礎(chǔ)上拓展出更多的成果。

3.2 遙感數(shù)據(jù)時(shí)空處理與分析

受益于深度學(xué)習(xí)的快速發(fā)展與國(guó)產(chǎn)遙感對(duì)地觀測(cè)體系的逐步建設(shè)，國(guó)內(nèi)的遙感數(shù)據(jù)時(shí)空處理與分析已經(jīng)緊跟甚至在某些領(lǐng)域超越國(guó)際水平。然而，從遙感時(shí)空處理與分析的數(shù)據(jù)源來說，國(guó)內(nèi)的相關(guān)研究也表現(xiàn)出獨(dú)有的特色。1)遙感數(shù)據(jù)源的質(zhì)量。受衛(wèi)星傳感器設(shè)備成像水平與衛(wèi)星平臺(tái)定軌定姿水平的限制，國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)的幾何定位和輻射光譜質(zhì)量均低于國(guó)際水平，這給后續(xù)的數(shù)據(jù)時(shí)空處理與分析帶來了更大的挑戰(zhàn)。2)遙感數(shù)據(jù)的時(shí)相。相對(duì)于國(guó)際衛(wèi)星(如Landsat與Sentinel系列)，國(guó)產(chǎn)衛(wèi)星往往難以保持相對(duì)穩(wěn)定的重返周期，造成多時(shí)相遙感數(shù)據(jù)時(shí)間間隔的混亂；3)遙感時(shí)空處理與分析的場(chǎng)景。從農(nóng)業(yè)應(yīng)用場(chǎng)景來說，面向我國(guó)西南山地復(fù)雜耕作環(huán)境與多云雨天氣條件,我國(guó)作物生長(zhǎng)監(jiān)測(cè)對(duì)時(shí)空重建數(shù)據(jù)要求更高的時(shí)空分辨率。這些條件都在一定程度上制約了智能遙感算法在國(guó)產(chǎn)遙感數(shù)據(jù)上的適用，但不可否認(rèn)的是其也促進(jìn)了國(guó)內(nèi)遙感時(shí)空處理與分析水平的提升。

3.3 遙感目標(biāo)要素分類識(shí)別

隨著深度學(xué)習(xí)的發(fā)展，對(duì)遙感目標(biāo)要素分類識(shí)別提出了更高的要求。遙感大數(shù)據(jù)場(chǎng)景下，獲取數(shù)據(jù)的載荷手段更加豐富，但不同類型載荷獲取的數(shù)據(jù)其成像機(jī)理、特征分布和表觀特性等差異顯著，且遙感探測(cè)手段覆蓋范圍廣、場(chǎng)景復(fù)雜、地物要素類別多樣、目標(biāo)尺度差異大以及表觀特征變化復(fù)雜，導(dǎo)致不僅不同類別目標(biāo)的特征差異大，同類目標(biāo)在不同載荷數(shù)據(jù)中呈現(xiàn)的特征也差異明顯。典型的地物要素提取方法，包括遙感數(shù)據(jù)和要素特性分析方法和遙感專用模型構(gòu)建方法，存在著較大的局限性，已經(jīng)無法滿足當(dāng)前遙感目標(biāo)要素分類識(shí)別的要求。目前，國(guó)內(nèi)外均展開了對(duì)多要素信息并行提取方面的相關(guān)研究，相比國(guó)外研究工作，部分國(guó)內(nèi)相關(guān)研究工作開展了基于國(guó)產(chǎn)遙感數(shù)據(jù)的研究，并取得了不錯(cuò)的成果。此外，現(xiàn)有方法或模型的創(chuàng)新思路主要依賴數(shù)據(jù)、模型簡(jiǎn)單疊加或融合，難以從根本上解決多要素聯(lián)合學(xué)習(xí)的問題，發(fā)展基于多目標(biāo)多任務(wù)特征共享的遙感目標(biāo)要素分類識(shí)別方法，已成為國(guó)內(nèi)外研究學(xué)者的研究熱點(diǎn)。

3.4 遙感數(shù)據(jù)關(guān)聯(lián)挖掘

國(guó)內(nèi)外研究現(xiàn)狀表明，數(shù)據(jù)關(guān)聯(lián)技術(shù)已主要應(yīng)用在機(jī)器理解和大規(guī)模異構(gòu)信息語(yǔ)義集成與互操作等領(lǐng)域方面。領(lǐng)域知識(shí)圖譜在部分專業(yè)方向取得了較為成功的研究成果和應(yīng)用，但在遙感應(yīng)用領(lǐng)域，領(lǐng)域知識(shí)仍存在著系統(tǒng)化不足、結(jié)構(gòu)化表示困難等問題，同時(shí)在深度推理和靈活性方面也存在著一定的阻礙。盡管當(dāng)前基于遙感數(shù)據(jù)、全球化專題圖的研究效果越來越好，數(shù)據(jù)仍存在著被零散應(yīng)用，僅用于特定區(qū)域的特定專題，無法構(gòu)成知識(shí)體系，無法實(shí)現(xiàn)知識(shí)積累、更新和優(yōu)化等一系列問題。

3.5 遙感開源數(shù)據(jù)集和共享平臺(tái)

在開源數(shù)據(jù)集方面，在深度學(xué)習(xí)發(fā)展初期，國(guó)外的遙感開源數(shù)據(jù)集相對(duì)來說發(fā)展更快，但基本也是圍繞一些較基礎(chǔ)的任務(wù)，目標(biāo)類別及傳感器類型較單一。隨著國(guó)內(nèi)科技的發(fā)展，西北工業(yè)大學(xué)、武漢大學(xué)和中國(guó)科學(xué)院空天信息創(chuàng)新研究院等高校/科研機(jī)構(gòu)也積極致力于開源數(shù)據(jù)集的建設(shè)，在目標(biāo)類別、任務(wù)類型和樣本規(guī)模等方面持續(xù)創(chuàng)新。

在共享平臺(tái)方面，國(guó)內(nèi)外積極推進(jìn)科學(xué)技術(shù)成果的應(yīng)用轉(zhuǎn)化，致力于建設(shè)開放、共享的解譯平臺(tái)，打通人工智能技術(shù)在該領(lǐng)域從學(xué)術(shù)研究、系統(tǒng)研發(fā)和成果應(yīng)用到持續(xù)改進(jìn)的完整應(yīng)用鏈路，實(shí)現(xiàn)產(chǎn)學(xué)研協(xié)同推進(jìn)的良好遙感智能生態(tài)環(huán)境。此外，國(guó)內(nèi)的研究機(jī)構(gòu)也在積極將國(guó)產(chǎn)化技術(shù)引入開源平臺(tái)中，打破國(guó)外技術(shù)壟斷現(xiàn)象。

4 發(fā)展趨勢(shì)與展望

4.1 遙感數(shù)據(jù)精準(zhǔn)處理

隨著近幾十年遙感衛(wèi)星的蓬勃發(fā)展，遙感數(shù)據(jù)精確處理技術(shù)迎來了高速發(fā)展，光學(xué)和微波遙感數(shù)據(jù)成像處理以及定標(biāo)校正的精度大幅提高，圖像產(chǎn)品分辨率提高1個(gè)數(shù)量級(jí)、幅寬提高1—2個(gè)數(shù)量級(jí)、幾何定位精度優(yōu)于10 m、輻射精度優(yōu)于1 dB(微波)/10%(光學(xué))。然而，基于精確模型和參數(shù)測(cè)量的方式仍需要耗費(fèi)大量的人力物力和時(shí)間成本，一星一議的處理和定標(biāo)模式制約了協(xié)同應(yīng)用能力提升?，F(xiàn)有技術(shù)探索驗(yàn)證了通過人工智能技術(shù)實(shí)現(xiàn)高精度遙感數(shù)據(jù)處理的可行性，通過構(gòu)建與成像誤差影響機(jī)理相適應(yīng)的神經(jīng)網(wǎng)絡(luò)，通過大量歷史數(shù)據(jù)和標(biāo)注結(jié)果訓(xùn)練學(xué)習(xí)，正向/逆向逼近地物物理信息和成像數(shù)據(jù)特征之間的映射關(guān)系，并通過結(jié)果循環(huán)迭代實(shí)現(xiàn)網(wǎng)絡(luò)模型參數(shù)與傳感器狀態(tài)的動(dòng)態(tài)一致、實(shí)現(xiàn)圖像質(zhì)量的持續(xù)提升。

4.2 遙感數(shù)據(jù)時(shí)空處理與分析

隨著智能計(jì)算與遙感大數(shù)據(jù)技術(shù)的發(fā)展，遙感數(shù)據(jù)時(shí)空處理與分析的發(fā)展區(qū)域主要集中體現(xiàn)在以下幾個(gè)方面：

1)多源多模態(tài)遙感數(shù)據(jù)的協(xié)同分析。遙感大數(shù)據(jù)提供了豐富的數(shù)據(jù)源，這些數(shù)據(jù)往往具有不同的時(shí)間、空間和波譜等優(yōu)勢(shì)，如何發(fā)揮多源數(shù)據(jù)的聯(lián)合優(yōu)勢(shì)，是當(dāng)前遙感時(shí)空分析的重點(diǎn)發(fā)展方向。

2)對(duì)遙感機(jī)理的探究。當(dāng)前智能計(jì)算方法多源于統(tǒng)計(jì)學(xué)習(xí)領(lǐng)域，因此其對(duì)遙感輻射傳輸機(jī)理的探究和利用相對(duì)較少，這在一定程度上限制了方法性能的提升。因此加強(qiáng)對(duì)遙感過程的理解與模擬，將遙感機(jī)理融入智能計(jì)算過程將提升遙感時(shí)空處理與分析的能力。

4.3 遙感目標(biāo)要素分類識(shí)別

現(xiàn)有的研究工作雖然能一定程度上實(shí)現(xiàn)在同一模型框架中同時(shí)提取或解譯多類地物要素，然而其本質(zhì)上仍主要以提升時(shí)間或空間代價(jià)，來提升模型對(duì)多類要素的泛化能力。在實(shí)際應(yīng)用中面臨的多載荷、多要素和多任務(wù)聯(lián)合解譯場(chǎng)景中，所面臨的問題更加復(fù)雜，因此探索新的模型框架和特征表征方式，尤其是針對(duì)多任務(wù)、多模態(tài)一體化聯(lián)合學(xué)習(xí)成為未來遙感目標(biāo)要素分類識(shí)別領(lǐng)域的發(fā)展趨勢(shì)。

4.4 遙感數(shù)據(jù)關(guān)聯(lián)挖掘

機(jī)器理解和大規(guī)模異構(gòu)信息語(yǔ)義集成與互操作等應(yīng)用場(chǎng)景不斷證實(shí)遙感影像數(shù)據(jù)挖掘具有廣闊的應(yīng)用前景。但存在的一些問題仍有待進(jìn)一步研究：1)如何直接從數(shù)字圖像上建模數(shù)據(jù)挖掘模型，在空間圖形和圖像數(shù)據(jù)上實(shí)現(xiàn)一體化的管理及操作勢(shì)在必行。2)隨著新型遙感衛(wèi)星的增多,衛(wèi)星數(shù)據(jù)也相應(yīng)持續(xù)增多。同時(shí)用戶在海量的衛(wèi)星數(shù)據(jù)中尋找需要的數(shù)據(jù)會(huì)耗取大量的時(shí)間。如何基于內(nèi)容快速查詢檢索,從而提供高效的可視化數(shù)據(jù)挖掘環(huán)境顯得十分重要。3)遙感數(shù)據(jù)具有諸多特點(diǎn)，使用單一技術(shù)對(duì)其進(jìn)行處理可能存在知識(shí)漏缺的風(fēng)險(xiǎn)。因此在對(duì)遙感數(shù)據(jù)分析時(shí)，盡可能地融合多種不同空間數(shù)據(jù)挖掘技術(shù)對(duì)遙感數(shù)據(jù)進(jìn)行分析有利于解決漏缺隱含知識(shí)的難題。4)“維數(shù)災(zāi)難”現(xiàn)象阻礙了高維數(shù)據(jù)的索引及聚類的發(fā)展。對(duì)于大規(guī)模高維空間而言，應(yīng)開發(fā)自適應(yīng)無參數(shù)的聚類算法，而不是人為確定聚類算法的輸入?yún)?shù)。同時(shí)通過高效的索引技術(shù)來提高空間數(shù)據(jù)的處理效率也極為重要。

4.5 遙感開源數(shù)據(jù)集和共享平臺(tái)

當(dāng)前，隨著計(jì)算機(jī)視覺領(lǐng)域的蓬勃發(fā)展，遙感領(lǐng)域的開源數(shù)據(jù)集和共享平臺(tái)也快速發(fā)展起來。相比于自然場(chǎng)景，遙感數(shù)據(jù)具有其獨(dú)特的屬性。多分辨率、多要素、多時(shí)相和多傳感的特性使得遙感圖像智能解譯更具有挑戰(zhàn)性。因此，在了解空天大數(shù)據(jù)特點(diǎn)的基礎(chǔ)上，構(gòu)建適合本領(lǐng)域的智能模型、方法和解譯系統(tǒng)，是充分發(fā)揮空天大數(shù)據(jù)效益的有效途徑。未來要繼續(xù)依托于這些獨(dú)特屬性，形成更適合遙感領(lǐng)域相關(guān)研究的數(shù)據(jù)集和平臺(tái)。

致 謝本文由中國(guó)圖象圖形學(xué)學(xué)會(huì)遙感圖像專業(yè)委員會(huì)組織撰寫，該專委會(huì)更多詳情請(qǐng)見鏈接：http://www.csig.org.cn/detail/2446。