中國科學院院士、武漢大學教授龔健雅。（資料圖）

新一輪科技革命和產業變革的大幕早已掀開。作為全球科技競爭的制高點，人工智能已經成為世界主要國家推動科技跨越式發展、實現產業優化升級、贏得全球競爭主動權的關鍵抓手。在我國，人工智能更是上升到國家戰略。

隨著人工智能的深入發展及其與各行業的深度融合，跨領域、全格局正在成為新趨勢。許多行業可能在這一變革中消失，而其他一些行業則會獲得快速發展。遙感是與人工智能緊密關聯的領域，應用人工智能技術實現遙感影像的自動解譯意義重大。智能遙感解譯技術可廣泛應用於國土資源與環境監測、農作物監測與估產、森林碳匯估算等許多領域，是國家的戰略需求，相關研究和探索一直以來備受關注。

智能遙感解譯是深度學習與遙感應用深度耦合的交叉領域

本次人工智能的熱潮是從深度學習方法成功用於圖像識別等領域開始，並在指紋識別、人臉識別等方面已得到廣泛應用。遙感作為一種特殊的圖像，早在2013年國內外學者就開始利用深度學習方法進行智能遙感解譯的研究，涵蓋目標與場景檢索、目標檢測、地物分類、變化檢測、三維重建等多個應用場景，並取得了諸多研究成果。

雖然深度學習方法在場景檢索、目標檢測等方面取得重要進展，並有部分成果達到了實用化水平。但是由於遙感影像比人臉識別的影像復雜得多，目前智能遙感解譯方法並沒有得到廣泛應用，特別是在自然地物分類方面還難以滿足業務化的應用需求，我國地理國情監測和第三次國土資源調查等重大工程主要還是採用人工解譯的方法。由於遙感影像和應用具有特殊性，通用人工智能方法在遙感智能解譯方面遇到了挑戰。

與人工智能的數據、算法及算力三要素相似，智能遙感解譯也有三大核心要素，遙感影像樣本庫、遙感智能解譯的算法與模型、能夠進行大規模計算的硬件平台。目前算力基礎設施可以採用通用硬件平台，但是由於遙感影像的特殊性和應用的多樣性，需要構建一個開放、統一基准的影像樣本庫，和高效、可靠的遙感解譯框架與模型。

智能遙感解譯研究面臨的挑戰與可行性對策

盡管目前已有不少利用深度學習方法進行遙感解譯的相關研究，但在實際應用上，影像樣本庫、深度學習框架以及AI算力等方面依然存在著挑戰。首先，大規模樣本庫是遙感智能解譯的數據驅動，但目前遙感領域尚無大規模“像素-目標-場景”多層級多任務，涵蓋目標檢索、目標檢測、地物分類、變化檢測、三維重建的開放解譯樣本庫，公開數據集缺乏統一格式接口和標准規范，遠不能滿足遙感智能解譯要求，亟需突破已有樣本庫的不完善造成的模型局限性，使得樣本庫能夠智能擴展與精化，實現樣本庫的可持續構建。其次，通用深度學習網絡難以用於遙感地物分類等應用場景，還沒有達到商業化應用水平。在遙感專用深度學習框架模型中，需要顧及多維時空譜特性，滿足高效靈活的內存自動擴展、尺度與通道的自適應優選要求。最后，雖然通過遙感深度神經網絡可以訓練專用模型，但由於算力昂貴且不足的問題突出，在未來數據集豐富后，如何高效利用已有算力解決自然地理要素地物分類等難題仍是很大的挑戰。

如何解決這些問題？經過多年的研究，筆者認為有三個對策方向可以參考。第一、圍繞多源遙感影像的智能識別與解譯，開展適合於遙感影像深度學習訓練與測試用的樣本庫類型動態擴展與自動精化機制研究﹔第二、針對遙感影像特點和應用需求，研究遙感影像深度神經網絡開源架構與模型，構建顧及遙感特性的專用遙感網絡模型﹔第三、依托集約型算力基礎設施，如武漢人工智能計算中心，高效利用其公共普惠算力，同時發揮其應用創新孵化以及智能遙感領域人才培養的賦能作用，為智能遙感解譯研究提供源源不竭的動力。

武漢大學提供智能遙感解譯研究方案

圍繞國家重大需求，武漢大學建立了中國第一個測繪遙感學科國家級重點實驗室——測繪遙感信息工程國家重點實驗室，開展包括航空航天攝影測量、空間信息系統與服務、遙感信息處理、3S集成與網絡通信及導航定位與位置服務等在內的針對性研究。具體落實到智能遙感解譯研究，我們始終保持探索。2020年，武漢大學測繪遙感信息工程國家重點實驗室和遙感信息工程學院申請獲批了國家自然科學基金委“空間信息網絡”重大計劃集成項目“大規模遙感影像樣本庫構建及開源遙感深度網絡框架模型研究”，目標是構建大規模遙感影像樣本庫和專用遙感深度學習網絡框架與模型。項目明確提出了”五個一”的研發目標，即“一套”遙感框架與模型、“一個”樣本庫、“一套”眾包樣本採集工具、“一個”開源遙感智能解譯社區和“一系列”研究與應用成果。

目前，該項目組與華為保持著深度合作，致力於打造遙感影像樣本庫（LuojiaSet）和遙感影像專用框架（LuojiaNet），為自然資源監測、社會經濟發展評估、災害應急等重大科研任務提供技術、平台及應用支撐，助力建設中國遙感科研生態圈，推進中國遙感產業化應用。

作為遙感影像樣本庫，LuojiaSet力圖構建完備的遙感影像樣本庫，持續精化影像樣本，使能模型可逐步進化。目前，項目組已完成五大類遙感典型任務的影像樣本庫概念、邏輯、物理設計，從區域到全球樣本數量達500萬以上。而遙感影像專用框架——LuojiaNet，與華為昇騰AI計算框架MindSpore團隊密切合作打造而成，其可兼容其它計算構架和深度學習框架，具有高效的開發及運行能力，可實現遙感特性嵌入，能處理“大幅面，多通道”遙感影像，通過深度神經網絡與遙感知識圖譜推理深度耦合，實現遙感特性的全面優化。同時，融合全棧國產AI系統打造的遙感影像樣本庫及專用框架，在信息數據安全及技術應用的自主性方面，為我國的智能遙感研究筑起了一座牢固的安全堡壘，對於提升我國遙感領域研究競爭力具有重要意義。

從未來產業應用方向來看，人工智能特別是深度學習方法已經在遙感目標與場景識別、信息提取、地物分類、變化檢測、三維重建等方面取得重要進展，但還沒有達到實用的水平。要進一步解決人工智能方法在遙感自動解譯方面存在的問題，需要繼續擴大樣本數據庫，並增加多樣性和區域性的樣本﹔另一方面需要設計遙感專用的深度學習神經網絡，將光譜信息和地學知識融入到網絡中，使之能夠有效解決自然地理要素地物分類等難題。這無疑都需要依托於我國人工智能安全自主的核心技術和基礎設施的發展，助力智能遙感解譯研究等科研創新突破，實現產業生態繁榮。

（作者系中國科學院院士、武漢大學教授） 

分享讓更多人看到