Page 139 - 土木工程的测绘技术与应用研究

第六章 测绘地理信息新技术应用

5. 场景分类
遥感图像的场景分类试图通过地面物体的空间排列和结构模式的变化，将
给定的遥感图像进行正确的分类，在城市资源管理、农业监测、自然灾害检测

和地理数据获取等领域发挥着重要的作用。卷积神经网络（convolutional neural
network，CNN）中的多层卷积层可以逐层深入地提取语义信息，从本质上解决
了基于手工特征做场景分类的缺点。其中比较具有代表性的方法有基于迁移学习
的方法、基于注意力机制的方法、基于多尺度特征变换的方法等。2020 年 Sun

等使用门控双向网络聚合提取图像特征，2021 年 Ma 等改进 CNN 骨架网络，得
到能够更好地抽取遥感图像特征的 SceneNet。这些方法不仅摆脱了对人工的依赖，
能够实现端到端的场景分类识别，训练出的模型还具有更高的精确度和泛化能力，
人工智能已经成为该领域不可或缺的一部分。

6. 其他应用
经过多年的发展，卫星遥感与人工智能、大数据、云计算等前沿技术已经充
分融合。智能遥感的应用不仅仅局限于能源勘测、环境监测、地质灾害监测等方
面，还成为气象、海洋、安防、城市规划建设等领域的基石，为政府科学决策、

科研院校研究和社会公众关注应用提供专业遥感信息服务。卫星遥感技术的应用
如图 2-3 所示。例如，2019 年年底的蝗灾从非洲蔓延到中南亚，破坏性和扩散性
极强，为了提前做好防范，估计损失，我国利用遥感图像处理软件对蝗灾区及其
周围的多光谱影像进行一系列预处理，通过算法计算，得到巴基斯坦不同地区遭

受蝗灾之后的植被受损情况，提醒当地居民提前做出防范举措。地球海洋物产丰
富，但是随着海岸带资源的大幅开发，海岸带资源环境面临严峻考验。通过卫星
遥感技术，可以将多时相遥感资料叠加对比，明确变化的时间、程度和范围，这
为政府部门制定和修改相关法律法规提供了指导，为海洋资源的科学开发利用提

供了保障。然而，当前针对遥感图像解译的深度学习算法仍面临众多问题和挑战。
当前越来越多的遥感应用对实时性提出了更高的要求，但现有深度学习算法主要
针对光学遥感图像解译展开，而 SAR、高光谱等多源遥感数据因为其辐射特征、
数据分布有较大差异，难以使用统一的算法进行处理，这要求研究者们根据数据

特性提出有效算法。此外，单一数据源开展目标信息解译存在一定的不可靠性和
不准确性。

127