当传统遥感遇上人工智能,未来会是怎样?
2019年12月27日 由 TGS 发表
246882
0
近年来伴随智慧城市建设、新型城镇化规划的发展进程,以及农林自然资源统计的精细化作业,极大地推动了遥感影像的商业化发展。不过就业内实际情况来看,市场可用遥感数据无论是质与量,仍旧落后于市场日益增长的需求水平,而人工智能技术的出现,恰逢其时。
任何一种颠覆性新技术由愿景到成熟应用,从“思想火花”到“物质成品”,都应具备三个最为显著的特征:1、可以切实地解决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、具备经济价值或社会效益。遥感技术诞生于20世纪60年代,经过几十年的迅速发展,成为一门实用的,先进的空间探测技术,但仍然面临诸多制约。未来十年,遥感是否可以深刻地影响社会发展,切实解决了生产生活中的问题,兼具普适性和经济价值,其关键点在于对遥感数据的解译和应用,人工智能技术与遥感的结合或许是一把打开未来遥感行业应用大门的金钥匙。
遥感与人工智能
遥感,从字面上来看,可以简单理解为遥远的感知,泛指一切无接触的远距离探测,传统遥感解译技术对精准快速的处理效果不理想,对精细化状态分析缺乏有效手段。最为掣肘的是图像解译方法主要依赖人工判读和半自动化软件解译,这使得遥感应用无法从根本上脱离其劳动密集型的“传统”。2015年至今,全球已发射并处于工作状态的对地观测卫星数量从223颗大幅增长增至710颗,随之而来的是卫星遥感数据分析市场的扩大。据卫星咨询公司NSR预测,到2027年,全球卫星数据分析市场总额将达到181亿美元。
多元遥感数据量的激增,遥感数据分析市场的巨大前景和传统遥感技术的瓶颈三者之间的沟壑急需一种全新的高效、精准、便捷的技术手段来填平。人工智能是计算机学科的一个分支,二十世纪七十年代以来与空间技术、能源技术被并称为世界三大尖端技术。如今,空间技术的前沿应用之一——遥感技术与人工智能技术的结合,将人工智能赋能遥感技术,贯穿海量多源异构数据从处理分析到共享应用的全链路,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应用领域,促进遥感技术应用的变革。
传统的遥感图像解译方法主要是人工判读和半自动化软件解译。前者是以专业人员人工作业方式进行判图和分析,效率相对低下、而准入门槛很高;后者是使用软件对图像进行定量分析,其准确率和效率的提升已遇到瓶颈,同时也不可摆脱对终端用户专业知识水平的依赖。凭借在算法和算力方面的持续突破,人工智能已打破遥感应用劳动密集型的“传统”。目前,在多个区域已经落地的智能遥感解译整体解决方案项目中,商汤科技可提供从数据获取、基础平台搭建、算法解译库建设到专题应用等多期分步实施等全生态链的产品服务。
人工智能遥感的未来
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术在某种共赢机制下,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术的发展,共同构建属于大行业范畴的解译模型库也许是解决智能遥感技术发展中样本不足的途径之一。但这需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;需要一个良性健全的产业生态圈,让数据资源、计算资源、科研资源可以无阻滞的流动起来;需要一个长远的布局和规则,使得这种整合健康的运转下去。无疑这是非常困难的。
实际业务场景往往需要给出一个综合性解决方案,这意味着解译模型的建立必须基于融合不同平台、不同载荷、不同时相和不同尺度的异构遥感数据,以多类别针对性的分析方法共同发挥作用得出结论。
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,甚至仅以统计学的理念来解决问题。随着人工智能技术的发展,决策型的智能技术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,在分析问题时,利用“经验”自主的选择判断依据。用何种数据类型,哪些不那么典型却行之有效的特征,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,对细分目标对象建立了足够多离散的智能解译模型时,或许需要一种可以将数量庞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经验,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,在搜索空间中寻找与自身问题更匹配的针对性模型。