原文题目：《畅想下一个十年的新技能——遥感AI解译技能》

本文编辑：36氪石亚琼

任何一种颠覆性新技能由愿景到成熟运用，从“思想火花”到“物质成品”，都应具备三个最为显著的特色：1、可以切实地办理人类活动中的至少一类问题；2、在一定范围内具有普适性和复用性；3、具备经济代价或社会效益。

遥感技能出身于20世纪60年代，经由几十年的迅速发展，成为一门实用的，前辈的空间探测技能，但仍旧面临诸多制约。
未来十年，遥感是否可以深刻地影响社会发展，切实办理了生产生活中的问题，兼具普适性和经济代价，其关键点在于对遥感数据的解译和运用，人工智能技能与遥感的结合或许是一把打开未来遥感行业运用大门的金钥匙。

遥感与人工智能

遥感，从字面上来看，可以大略理解为迢遥的感知，泛指统统无打仗的远间隔探测，传统遥感解译技能对精准快速的处理效果不理想，对风雅化状态剖析缺少有效手段。
最为掣肘的是图像解译方法紧张依赖人工判读和半自动化软件解译，这使得遥感运用无法从根本上分开其劳动密集型的“传统”。

2015年至今，环球已发射并处于事情状态的对地不雅观测卫星数量从223颗大幅增长增至710颗，随之而来的是卫星遥感数据剖析市场的扩大。
据卫星咨询公司NSR预测，到2027年，环球卫星数据剖析市场总额将达到181亿美元。

多元遥感数据量的激增，遥感数据剖析市场的巨大前景和传统遥感技能的瓶颈三者之间的沟壑急需一种全新的高效、精准、便捷的技能手段来填平。
人工智能是打算机学科的一个分支，二十世纪七十年代以来与空间技能、能源技能被并称为天下三大尖端技能。
如今，空间技能的前沿运用之一——遥感技能与人工智能技能的结合，将人工智能赋能遥感技能，贯穿海量多源异构数据从处理剖析到共享运用的全链路，在大幅缩短遥感图像解译周期、提高解译精准度的同时催生新的遥感运用领域，促进遥感技能运用的变革，

人工智能+遥感

伴随着人工智能技能近年来的发达发展和广泛运用，遥感技能对新型解译能力的急迫需求，越来越多的高科技公司和科研院校已动手考试测验利用深度学习办理海量遥感影像的解译问题，并取得了一些阶段性进展，付诸于遥感行业运用上。
如商汤科技今年在WGDC上发布的SenseEarth智能遥感在线解译平台和其背后作为支撑的SenseRemote智能遥感解译系列产品。

然而，虽然现阶段人工智能与遥感技能的结合已经取得了一些进展，在部分运用处景中利用深度学习技能解译遥感影像的处理精度、效率和自动化程度都有较为明显的提升，我们却不得不正视目前成果的局限性和未来发展所面对的巨大寻衅。

首先，目前大部分人工智能遥感运用均采纳监督学习的方法，利用此类技能对海量遥感数据进行智能解译的根本是前置的对同样海量的特定解译工具已标注样本的演习事情，而这不仅须要大量的打算资源和风雅的设计能力，更主要的是在构建模型过程中对遥感数据已标注样本的需求。
而遥感运用处景极为丰富和多样，乃至同一解译工具在不同空间、韶光维度下所展现出不同的特性使得数据样本的繁芜性呈几何倍数的增长，导致目前不可能涌现一个机构可以将大部分遥感运用领域中精确标注的样本凑集成库，从而进行演习出有效的解译模型。

以遥感技能发展较为领先的农业遥感行业为例，运用包括作物分类识别、估产、长势剖析、田地土壤墒情、病虫害防治等十数个详细运用处景，其他暂且按下不表，单就农作物分类识别而言，地球上共有植物39万余种，个中被人类利用的栽造就物约2300种，农作物约90余种，我国常见的农作物有60多种，同一种别农作物在不同地区乃至相同地区不同地理环境下所呈现的特色各不相同，这种繁芜性使得基于监督学习办法通过深度学习方法得到的遥感智能解译模型很难具备普适性和复用性。

其次，遥感数据来源的多元异构化，不同遥感平台如旋翼无人机、固定翼无人机、有人机、附近空间飞艇、低轨卫星、高轨卫星；不同载荷成像机理如可见光、SAR、高光谱；不同的空间韶光光谱分辨率、精度、时效性等等都给遥感数据的同等性处理带来巨大的寻衅，如何利用多源异构数据构建“一张图”式的运用处景，使得人工智能技能可以便捷地办理海量异构数据时空信息提取剖析困难的问题将是破局遥感行业发展桎梏的重中之重。

末了，鉴于人工智能遥感技能发展的综合性，其发展不仅仅依赖遥感与人工智能自身的技能迭代和发展，打算机技能、存储技能、航天技能、互联网共享技能乃至数学、神经科学等与之干系联各个领域的技能与理论改造都会一定程度上影响着人工智能遥感行业的前行速率，这类似于一个弘大繁芜的系统工程，个中任何一个环节既可能成为制约成分，也可能是发展助力。
这使得人工智能+遥感技能在产生广泛的经济效益前，存在着漫长的研发周期和成本风险。

人工智能遥感的未来

样本积累

鉴于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，利用云、区块链等新兴网络共享技能在某种共赢机制下，将散落在各个行业领域中政府机构、科研院所和公司中的遥感样本关联整合起来，互为补充，同时利用数据仿真技能的发展，共同构建属于大行业范畴的解译模型库大概是办理智能遥感技能发展中样本不敷的路子之一。
但这须要一个良好的商业模式，让参与各方在付出的同时均能获益；须要一个良性健全的家当生态圈，让数据资源、打算资源、科研资源可以无阻滞的流动起来；须要一个长远的布局和规则，使得这种整合康健的运转下去。
无疑这是非常困难的。

所幸我们已然看到了业内干系企业的考试测验和努力。
比如商汤科技的SenseEarth平台的方案中提到“在未来，一个轻量级在线样本演习平台系统将依托SenseEarth搭载上线，希望借此与用户将产生更多的互换与互助。

无监督学习

从另一个角度来看，目前深度学习的根本是对大量被精确标注的构造化样本数据的演习。
只管我们处在一个信息爆炸、被各种数据淹没的时期，但这些数据尤其是遥感数据大部分是未经标注和整理的，这意味着这些数据对付大多数目前的监督式学习来说并不可用，纵然现在已经有大量免费和公开的标签数据集，涵盖了各种各样不同的种别，但事实证明他们对人工智能解译遥感数据的浸染依然存在很大的局限性。

标注样本集或许过小、或许标注存在偏差，在演习一个繁芜的遥感解译模型时，利用小数据集可能会导致所谓的过度拟合，这是由于大量可学习参数与演习样本强关联所导致的，终极我们得到的可能是一个仅适用于这些演习样本的模型，而不是从数据中学习一样平常观点的模型。

无监督学习算法将会是办理遥感数据标注样本稀缺的主要技能发展方向，与监督学习需事前辈行标注分类截然不同的是，他可以很好的帮助我们根据种别未知无标注的演习样本办理遥感数据解译中的各种问题。
在面对海量遥感数据时，我们要处理面对的不在是进行构造化标注完善的各种样本，而是遥感数据本身。
大略来说，无监督学习使得机器本身代替我们对影像数据集进行聚类和剖析，例如遥感图像中有着汽车、飞机、船舶、建筑、道路等多种可检测目标，监督学习的方法是先将这些目标标注出来，提取特色进行演习，而后依据演习结果进行目标识别，无监督学习则是机器根据自身归纳的这些目标包含的人类可能无法理解的算法视角特色进行聚类，而后由人类或者相对大略单纯的特色比对模型进行一类工具的识别。

决策型的人工智能解译

在实际业务场景我们须要给出的每每是一个综合性办理方案，这意味着解译模型的建立必须基于领悟不同平台、不同载荷、不同时相和不同尺度的异构遥感数据，以多种别针对性的剖析方法共同发挥浸染得出结论。
而以往的人工智能遥感大多是对传统数字图像处理方法的迁移，乃至仅以统计学的理念来办理问题。
随着人工智能技能的发展，决策型的智能技能将成为未来的主流发展目标之一，这里的决策所指并不仅是利用成果帮助用户进行判断，而是在智能解译数据时让系统自带决策功能。
就如人的学习和思维一样，在剖析问题时，利用“履历”自主的选择判断依据。
用何种数据类型，哪些不那么范例却行之有效的特色，针对性的对特定场景进行其包括专业性网络模型的适配、异构实体网络的自主构建、多多关联关系的动态优化等。

在未来，我们已经对细分目标工具建立了足够多离散的智能解译模型时，或许须要一种可以将数量弘大的模型库总结归纳的方法， 一个可以实现自我学习迭代，自我决策的系统，基于积累的模型设计履历，可以进一步将模型模块化，并建立一个模型搜索空间，通过增强学习，在搜索空间中探求与自身问题更匹配的针对性模型，他可以被理解成各种网络的网络，模型的模型，分散到聚合，繁复到简约，专业到大众，将使得人工智能遥感真正成为可以被广泛深度利用，办理现实繁芜业务问题，进而开拓崭新运用处景，产生巨大经济代价与社会效益的新型技能手段。

每一次智能技能水平的飞跃都带来社会生产力的巨大进步，我们也由此见证了云打算、大数据、物联网、人工智能等信息技能的爆发所创造的市场机遇以及由此催生的巨大变革。
AI+遥感解放了劳动力，使遥感运用本钱从经济上和专业性上得到了大幅降落，遥感技能不再是专业职员在专业领域的专业运用，如“旧时王谢堂前燕,飞入平凡百姓家”一样，其将真正成为普惠大众，大家得益的工具。

遥感AI解译技能，下一个十年的颠覆性技能，看似迢遥，实则正在悄然发生……