遥感影像作为对地球遥远的感知，无时不刻都在记录着这个美丽星球的变化，但地球上的地物种类丰富、何其浩瀚，如何将其分门别类、科学统计，为地球的生态保护、可持续发展做出贡献呢？

高分2号遥感图像AI自动解译–1m，山西 750平方公里范围 | 箩筐遥感

在上期的《遥感智能之监督分类VS非监督分类》一文中，我们介绍了在遥感智能分类中的两大基础分类模式，监督分类与非监督分类，但两者的目标始终是一致的——都是在海量遥感影像中更快、更精准地获取有效信息。正式为了这个目标，更多深度学习方法也来到这个赛道；另一方面，遥感产业链也在发生变化，更高分辨率、更多对地观测数据获取手段；更为丰富的地物模型库、训练样本也在不断积累。

这些接踵而来的变化，又为遥感智能分类带来怎样的趋势和挑战？

深度学习在计算机视觉领域的巨大成功，遥感智能分析提供了重要机遇；机器学习创新，也为遥感影像分类带来更多思路。近年来这些算法被广泛应用在遥感领域，在大范围目标自动快速检测、复杂场景精细分类、地表参数快速识别等方面展示了巨大优势和发展潜力，不断提升智能影像分类效率与质量，为遥感大数据的智能信息提取带来发展契机。

例如基于对象的图像分割（OBIA），就摆脱了监督与非监督分类的像素归类思维模式，将分类对象作为主要目标，让分割成果更具有意义。因为无论是监督分类还是非监督分类，都是通过为每个像素指定一个类别进而实现影像分类，但像素之间是离散而独立的，其大小、形状都相同，没有相邻概念。

 OBIA将高分辨率影像分割成矢量对象 | 开源地理空间基金会中文分会

OBIA根据几何图形、面积、颜色、形状、纹理、相邻等要素进行分类，将图像分割成矢量对象。这样的分割模式更接近于人类视觉工作方式，可以克服以像素为目标分类的传统影像模式带来的一些问题，如椒盐效应。

在基于像素的精细空间分辨率图像分类中，图像上常会出现像盐和胡椒粉末散落的噪点，这是因为以像素为目标的分类过于精细，实际上它们可能属于同一种地物类型，例如河流、屋顶、农田等，本质上，这也是过度拟合的问题。OBIA的分类思路，就避免了这种情况出现，更适合应用于目前高分辨率遥感影像的智能分类中。

椒盐效应常见于基于像素的精细空间分辨率图像分类：(a) 加利福尼亚郊区土地覆盖的无监督分类；(b) 使用基于对象的分类器对同一区域进行分类。| Maggi Kelly

通过这种方式，不仅可以对影像目标区域区分和生成更有意义的矢量对象，在土地覆盖、湿地分类应用中，可实现更高的制图精度；并且在图源分辨率更高、光谱类型更多样化的情况下，如DEM, DSM、NIR，甚至Lidar数据，生成更高级的图像分类。

在深度学习方向上，一些研究人员针对遥感数据的特殊性，开始尝试将自然图像语义分割网络模型迁移到遥感影像地物分类中来，探索将遥感的多波段辐射信息、光谱信息与空间纹理信息融合，力求达到最优的遥感信息深度挖掘和利用，由此，语义分割（Semantic segmentation）也参与到遥感影像分类中来。

语义分割的概念最早由Ohta等人于1978年提出，将其定义为：为图像中每个像素分配一个预先定义的表示其语义目标类别的标签，是将标签或类别与图片的每个像素关联的一种深度学习算法，用来识别构成可区分类别的像素集合。

语义分割的常用方法是创建SegNet，该网络基于卷积神经网络 (CNN) 架构。

卷积神经网络 (CNN) 的典型架构。在像素级别上分类，而不是对整个图像分类，可追加一次CNN的逆向实现。上采样过程的执行次数与下采样过程相同，以确保最终图像的大小与输入图像相同。最后使用一个像素分类输出层，将每个像素映射到一个特定类。这就形成了一个编码器-解码器架构，从而实现语义分割。

CNN 在每一层执行图像相关的功能，然后使用池化层（绿色）对图像进行下采样。对于网络的前半部分，此过程会重复多次。此图形前半部分的输出后面紧接着同等数量的反池化层（橙色）。

语义分割应用预遥感影像的不同在于，让计算机根据图像的语义来进行分割，通过训练神经网络让机器自动识别道路、河流与建筑物等，并对图像中每个像素进行矢量化标注，随着训练加深，预测准确率也不断提升。

多谱段卫星图像的语义分割

作为计算机视觉与遥感空间影像的交叉领域，基于深度学习的视觉算法会给遥感影像分类扩展新的应用场景和提升效率水平，这些新算法和思路，与遥感影像本身的地理空间特征、光谱波段分析结合，也在激发该领域新的纵深发展趋势。

2007年，图灵奖得主，著名的计算机科学家吉姆·格雷在科学方法的一次革命演讲中提出了科学研究的第四类范式：数据密集型科学发现，也就是大数据范式，这是继传统的实验范式、理论范式、仿真范式之外，人类认知领域的一种全新方式，简单来说，就是归纳，演绎，类比，大数据四种方式。

当前，遥感影像数据获取手段不断多源化，分辨率也在不断提升，已经达到亚米级，这都对遥感影像智能分类意味着更多可能性——丰富空间特征支持计算机视觉实现更多，例如提高地表覆盖分类制图精度；卫星星座对地观测的重访周期大大缩短，积累了大量的存量时空数据，增量变化影像也在不断更新，都在推动进入遥感大数据时代，为遥感智能分类、地物样本的先验知识积累，提供了训练和认知的数据基础。

我们知道，影像的每个像元都对应固定的地面坐标、地物或部分地物，部分种类的地物总在相应的空间中存续或随着时间发生变化，这让分析者可以从时空维度去建立融合深度神经网络的智能分类与信息提取模式。

依靠深度神经网络来呈现不同类型的土地覆盖中包含的上下文信息，积累同一解译对象在不同空间、时间维度下所展现出不同的特性数据样本；并通过真伪标记和样本选择提高深度模型的可迁移性，真正实现从数据中学习一般概念的地物数据模型。

这仅是一个开始，现实世界复杂性，需要更多模型参数与学科知识参与进来，提升遥感影像分类的普适性与通用性。

不同行业、不同场景对海量遥感影像分类量化需求是多样性的，可能是对某一类综合体进行分类量化，例如农田、道路等；也可能需要对细分类别，并对其不同状态进行识别分类量化与预测评估，例如农田中的小麦分类繁多，并有不同的生长阶段。现实世界的复杂性，使得基于监督学习方式通过深度学习方法得到的遥感智能解译模型的普适性和复用性低于预期。

但遥感图像本身就包含了丰富的数据属性。充分利用数据属性，融合地学中丰富的地表自然属性、学科属性与社会属性，发展记录目标对象或地类的样本标记数据、图像元数据及其地理学属性、背景和其他关联大数据信息平台，构建面向对象的遥感知识库 —— 以单一地物或者地物组合体为关注对象为基础，记录其特征性的存在背景和关联数据，成为遥感智能分类广泛应用的另一大重点趋势：不仅为深度神经网络提供基础图像及对应的属性类别、位置信息，还提供了地物对象的物理、社会特征和学科等辅助信息。

在此驱动下，深入扩展基于遥感时空大数据平台的开放标注与算法融合的数据密集认知范式，将标记图像类型与位置的样本库，扩展到包括遥感图像元数据信息、样本目标的图像属性、物理属性、地理学属性、社会属性等在内的知识样本库，是提升样本普适性的重要途径。

同时，我们在之前的《遥感智能之监督分类VS非监督分类》中也提到，现阶段构建人工智能遥感解译深度学习算法模型对海量标注样本的依赖，有限的标记样本可能会降低算法的训练精度，特别在森林资源分类、大规模农业种植结构等应用场景，因此，对某一类个体区分成为建立更精细化模型的前提。

例如，农作物分类识别而言，地球上共有植物39万余种，其中被人类利用的栽培植物约2300种，农作物约90余种，我国常见的农作物有60多种，同一类别农作物在不同地区甚至相同地区不同地理环境下所呈现的特征各不相同，同一种类的农作物在不同生长阶段表现出的光谱特征也有细微差异，例如，油菜花在接近开花、半开花、全部盛开等各个生长阶段，光谱特征都不尽相同。对这些农作物进行深入的学科研究，借助沉淀的植物种类的数据模型与训练样本，不仅能够实现精准的遥感影像机器分类，更能进一步实现精准的农作物估产预测，在农业信贷、金融等领域都能实现广泛应用。

基于遥感地物光谱特性的复杂种植结构农作物机器分类：该区域同时存在开花与未开花的油菜花地，模型可以很好地区分开，只提取出已开花的菜地区域 | 箩筐遥感

无论是数据密集型科学发现的大数据AI认知范式，还是遥感知识库、专业地物模型库的积累，都需要多源、海量遥感数据支持，能够允许各地的科研者在同一时空环境下，基于地理坐标对特定地物进行标记与训练。

然而，在构建面对海量机器学习、训练需求的超大规模时空云平台时，也面临诸多挑战，如多源时空数据融合、海量数据底层驱以及算力瓶颈等。

由于地表场景和观测目标的复杂性，在单一数据源无法满足信息提取要求时，常常通过多源数据融合来解决问题，如在解决遥感图像中山区阴影和水体混淆的问题中引入数字高程模型数据，所以，多源遥感时空数据的支持、管理、实时处理与融合，是关键环节。

另一方面，遥感智能底层的数据驱动与算力问题。由于卷积神经网络在不同分块图像（栅格影像）中感受到的视野差异，将导致分块预测结果在接边处存在差异，采用免切片的影像数据进行训练，可有效提升分类精准度与效率，但这带来的挑战是，处理超大规模的遥感图像大幅增加了训练和预测、结果输出等多个环节的工程化操作。因此，如何在有限的硬件资源条件下保证工程化实施，也是平台系统发展和生态化的一大重点。