中国科学院院士、武汉大学教授龚健雅。（资料图）

新一轮科技革命和产业变革的大幕早已掀开。作为全球科技竞争的制高点，人工智能已经成为世界主要国家推动科技跨越式发展、实现产业优化升级、赢得全球竞争主动权的关键抓手。在我国，人工智能更是上升到国家战略。

随着人工智能的深入发展及其与各行业的深度融合，跨领域、全格局正在成为新趋势。许多行业可能在这一变革中消失，而其他一些行业则会获得快速发展。遥感是与人工智能紧密关联的领域，应用人工智能技术实现遥感影像的自动解译意义重大。智能遥感解译技术可广泛应用于国土资源与环境监测、农作物监测与估产、森林碳汇估算等许多领域，是国家的战略需求，相关研究和探索一直以来备受关注。

智能遥感解译是深度学习与遥感应用深度耦合的交叉领域

本次人工智能的热潮是从深度学习方法成功用于图像识别等领域开始，并在指纹识别、人脸识别等方面已得到广泛应用。遥感作为一种特殊的图像，早在2013年国内外学者就开始利用深度学习方法进行智能遥感解译的研究，涵盖目标与场景检索、目标检测、地物分类、变化检测、三维重建等多个应用场景，并取得了诸多研究成果。

虽然深度学习方法在场景检索、目标检测等方面取得重要进展，并有部分成果达到了实用化水平。但是由于遥感影像比人脸识别的影像复杂得多，目前智能遥感解译方法并没有得到广泛应用，特别是在自然地物分类方面还难以满足业务化的应用需求，我国地理国情监测和第三次国土资源调查等重大工程主要还是采用人工解译的方法。由于遥感影像和应用具有特殊性，通用人工智能方法在遥感智能解译方面遇到了挑战。

与人工智能的数据、算法及算力三要素相似，智能遥感解译也有三大核心要素，遥感影像样本库、遥感智能解译的算法与模型、能够进行大规模计算的硬件平台。目前算力基础设施可以采用通用硬件平台，但是由于遥感影像的特殊性和应用的多样性，需要构建一个开放、统一基准的影像样本库，和高效、可靠的遥感解译框架与模型。

智能遥感解译研究面临的挑战与可行性对策

尽管目前已有不少利用深度学习方法进行遥感解译的相关研究，但在实际应用上，影像样本库、深度学习框架以及AI算力等方面依然存在着挑战。首先，大规模样本库是遥感智能解译的数据驱动，但目前遥感领域尚无大规模“像素-目标-场景”多层级多任务，涵盖目标检索、目标检测、地物分类、变化检测、三维重建的开放解译样本库，公开数据集缺乏统一格式接口和标准规范，远不能满足遥感智能解译要求，亟需突破已有样本库的不完善造成的模型局限性，使得样本库能够智能扩展与精化，实现样本库的可持续构建。其次，通用深度学习网络难以用于遥感地物分类等应用场景，还没有达到商业化应用水平。在遥感专用深度学习框架模型中，需要顾及多维时空谱特性，满足高效灵活的内存自动扩展、尺度与通道的自适应优选要求。最后，虽然通过遥感深度神经网络可以训练专用模型，但由于算力昂贵且不足的问题突出，在未来数据集丰富后，如何高效利用已有算力解决自然地理要素地物分类等难题仍是很大的挑战。

如何解决这些问题？经过多年的研究，笔者认为有三个对策方向可以参考。第一、围绕多源遥感影像的智能识别与解译，开展适合于遥感影像深度学习训练与测试用的样本库类型动态扩展与自动精化机制研究；第二、针对遥感影像特点和应用需求，研究遥感影像深度神经网络开源架构与模型，构建顾及遥感特性的专用遥感网络模型；第三、依托集约型算力基础设施，如武汉人工智能计算中心，高效利用其公共普惠算力，同时发挥其应用创新孵化以及智能遥感领域人才培养的赋能作用，为智能遥感解译研究提供源源不竭的动力。

武汉大学提供智能遥感解译研究方案

围绕国家重大需求，武汉大学建立了中国第一个测绘遥感学科国家级重点实验室——测绘遥感信息工程国家重点实验室，开展包括航空航天摄影测量、空间信息系统与服务、遥感信息处理、3S集成与网络通信及导航定位与位置服务等在内的针对性研究。具体落实到智能遥感解译研究，我们始终保持探索。2020年，武汉大学测绘遥感信息工程国家重点实验室和遥感信息工程学院申请获批了国家自然科学基金委“空间信息网络”重大计划集成项目“大规模遥感影像样本库构建及开源遥感深度网络框架模型研究”，目标是构建大规模遥感影像样本库和专用遥感深度学习网络框架与模型。项目明确提出了”五个一”的研发目标，即“一套”遥感框架与模型、“一个”样本库、“一套”众包样本采集工具、“一个”开源遥感智能解译社区和“一系列”研究与应用成果。

目前，该项目组与华为保持着深度合作，致力于打造遥感影像样本库（LuojiaSet）和遥感影像专用框架（LuojiaNet），为自然资源监测、社会经济发展评估、灾害应急等重大科研任务提供技术、平台及应用支撑，助力建设中国遥感科研生态圈，推进中国遥感产业化应用。

作为遥感影像样本库，LuojiaSet力图构建完备的遥感影像样本库，持续精化影像样本，使能模型可逐步进化。目前，项目组已完成五大类遥感典型任务的影像样本库概念、逻辑、物理设计，从区域到全球样本数量达500万以上。而遥感影像专用框架——LuojiaNet，与华为昇腾AI计算框架MindSpore团队密切合作打造而成，其可兼容其它计算构架和深度学习框架，具有高效的开发及运行能力，可实现遥感特性嵌入，能处理“大幅面，多通道”遥感影像，通过深度神经网络与遥感知识图谱推理深度耦合，实现遥感特性的全面优化。同时，融合全栈国产AI系统打造的遥感影像样本库及专用框架，在信息数据安全及技术应用的自主性方面，为我国的智能遥感研究筑起了一座牢固的安全堡垒，对于提升我国遥感领域研究竞争力具有重要意义。

从未来产业应用方向来看，人工智能特别是深度学习方法已经在遥感目标与场景识别、信息提取、地物分类、变化检测、三维重建等方面取得重要进展，但还没有达到实用的水平。要进一步解决人工智能方法在遥感自动解译方面存在的问题，需要继续扩大样本数据库，并增加多样性和区域性的样本；另一方面需要设计遥感专用的深度学习神经网络，将光谱信息和地学知识融入到网络中，使之能够有效解决自然地理要素地物分类等难题。这无疑都需要依托于我国人工智能安全自主的核心技术和基础设施的发展，助力智能遥感解译研究等科研创新突破，实现产业生态繁荣。

（作者系中国科学院院士、武汉大学教授） 

分享让更多人看到