AI+遥感技术己经在自然资源典型地物类型识别、耕地保护和执法监察中已得到初步应用，并展现出广阔的发展前景。
图1 深度卷积神经网络模拟人脑快速遥感影像识别
遥感成为自然资源调查监管重要手段
遥感能够全面、立体、快速、有效地探明地上和地下自然资源的分布情况，这使其逐步成为从多维和宏观角度去认识世界的重要的方法和手段。近年来，我国已逐步形成低空、航空和航天卫星遥感一体化数据采集、处理和应用等较为完备的遥感监测体系，目前遥感已经广泛应用在国土、规划、水利、农业、林业、海洋、测绘、气象、生态环境、航天、地质、军事、矿产等领域。
国家信息化发展战略纲要明确提出“加强陆地、大气、海洋遥感监测，提升对我国资源环境、生态保护、应急减灾、大众消费以及全球观测的服务保障能力”，遥感成为推动自然资源部统一行使全民所有自然资源资产所有者职责和统一行使所有国土空间用途管制和生态保护修复职责的重要手段。主要体现在：
1.基于遥感数据作为重要工作底图，结合遥感专题信息提取结果，开展自然资源调查监测评价，统一掌握各类自然资源范围、数量、质量等方面的存续、变化状况。
2.利用全天候、多时相遥感监测手段，及时开展区域范围耕地、林地、草地、湿地、海域、海岛等国土空间用途，转用政策实施和监测监管体系建设提供数据和技术支撑。
3.结合遥感影像分析识别重点生态修复的区域，通过阶段性监测评估手段，统筹山水林田湖草整体保护、系统修复、综合治理，提升国土空间生态保护修复治理能力。
4.综合运用合成孔径雷达测量、高分辨率卫星遥感、无人机遥感、机载激光雷达测量等多种新技术手段，准确排查地质灾害隐患点，提升防灾减灾管理能力和现代化水平。
5.充分利用低空无人机和多时相遥感监测手段，完善立体化的违法行为发现渠道和处置模式，建立快捷有效的核查指挥和快速反应机制，提升自然资源执法督察的科学性和时效性。
目前，遥感数据采集技术逐渐成熟，但准确的遥感专题信息提取主要靠全人工目视解译实现，迫切需要自动化的高精度遥感影像信息提取技术实现快速的目标识别和信息提取，为自然资源调查监测快速提供高精度产品成果。
AI+遥感技术提升自动化影像识别和分析能力
2012年，Hinton等人在ImageNet比赛上利用多层卷积神经网络成功对包含一千多个类别的一百万张图片进行了训练，分类错误率只有15%，比第二名低了近11个百分点，此后深度学习卷积网络的图像的目标检测、分割，语音识别和自然语言处理等在交通、医疗、金融、无人驾驶、物流、家居和零售等领域得到较多的应用。随着技术的不断革新以及计算机硬件特别是GPU的发展，将使得图像识别、分类的准确度和效率大幅提升，进而减少大量的人工工作量。
借助卷积神经网络在图像识别领域的应用技术，关于AI+遥感的图像识别和信息提取研究不断开展。基于R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、SPPnet、SSD、YOLO等算法的遥感目标检测技术能够快速识别遥感影像中的特定目标地物类别。其中，Faster-RCNN是一个准实时的端到端的深度学习检测算法，相比其他方法，在精度和检测速度都得到了大大提升。基于Faster-RCNN技术的遥感影像目标检测正被应用于遥感影像的违法建筑物、树木、单株作物、自然灾害隐患点、桥梁等地物目标检测。基于FCN、Deeplab、PSPNet、DeconvNet、Segnet、Unet等算法的遥感影像分割和分类技术相比原有的非监督分类、监督分类和面向对象遥感影像分类技术，能够大幅提升分类精度。目前最常用的基于UNet算法的遥感影像分割算法，能够准确实现建筑物、植被等多地物类别的分割和分类处理。另外基于LinkNet的遥感道路提取技术能够快速提取大面积道路信息，相比传统人工采集或目视判读技术大幅提升道路更新效率。基于PointNet的点云分类、基于RestNet等算法的高光谱遥感影像分类、基于SRGAN算法的遥感超分辨率重建等多种技术实现多源遥感数据质量改进和信息提取。
目前，基于AI+遥感信息提取的产品主要面向遥感影像目标检测和遥感影像分割，产品形态多以云服务或按照项目定制训练模型为主，多数AI+遥感产品暂未提供通用的模型训练产品。接下来，随着技术的不断发展，针对用户数据特定的时相、分辨率、区域和地物类别等特征，提供通用性的训练数据制作功能，模型训练功能和数据成果预测功能等完整的AI+遥感影像识别和信息提取整体解决方案和产品，将在提升影像信息提取效率的同时，大幅提升成果精度。
AI+遥感的信息提取逐渐得到广泛应用，如规划部门在“全国大棚房问题专项整治行动”项目中利用AI+遥感技术快速实现大棚房的识别监测，准确率达到90％以上，同时，相比传统人工判读花费数月时间，AI+遥感技术大幅提升识别效率。自然资源部门利用AI+遥感技术进行疑似违章建筑提取和耕地保护应用，相比人工影像比对方式大幅提高监察频率。多种探索和应用使基于AI+遥感技术进行自然资源全要素，高效准确、常态化、低成本监管成为可能。
基于AI+遥感的自然资源调查监测应用
遥感影像是自然资源调查、监测和管理的重要数据源，基于深度学习的遥感影像信息提取大幅提升遥感数据解译和信息提取的精度和效率，为提升自然资源调查监管决策能力，建立高效、完善的自然资源遥感监测服务体系提供更为先进的技术手段。AI+遥感的影像目标检测、自然资源类别分割分类、自然资源多时相变化检测将为开展国土空间、资源变化、自然环境和综合治理等卫星遥感监测，为自然资源管理、生态保护和修复、地质灾害应对、综合治理、督察执法等提供重要的技术支撑。基于AI+遥感的自然资源调查监测典型应用包括：自然资源目标检测，自然资源定量信息提取，自然资源变化检测和多源遥感信息处理等。
1.AI+遥感目标检测
国土空间用途管制是以用途管制为主要手段进行国土空间开发保护，保护耕地、林地、草原、河流、湖泊、湿地等自然生态用地，即保障各自然资源类别严格按照规划进行使用和用途改变规划。地质环境防灾减灾工作的重点是快速识别地质灾害隐患点。生态修复与执法监察均为快速识别待重点生态修复区域和违法用地使用情况。以上应用场景的目标识别主要靠人工影像判读和实地调查为主。
基于AI的目标检测技术能够精确找出遥感影像中所有感兴趣的目标类别和场景，快速确定它们的位置和大小，从而准确识别多种自然资源目标和场景类别，通过判定重点自然资源目标的位置和相互关系，辅助国土空间用途管制、生态修复、地质灾害防治和执法督察。
图2 基于AI+遥感的建筑物识别和滑坡点识别
2.AI+遥感的自然资源定量信息提取
自然资源调查监测要求统一掌握各类自然资源的范围、数量、质量和变化状况，同时自然资源的精细化管理也要求快速掌握自然资源各类别的现状情况，原有的基于遥感影像地物分类技术主要靠人工目视判读或者半自动分类方式，精度和效率急需快速提升。
图3 基于U-net的遥感影像建筑物分割提取
通过基于AI的影像分割和分类技术，能够快速实现高分辨率遥感影像的高精度分类，快速自动化的获取各自然资源类型的边界和定量化指标，辅助自然资源调查监测评价，实现自然资源定量化、精细化管理。
3.AI+遥感变化检测
自然资源执法监察与耕地保护要求对用地量大、违法用地量多面广的地区开展变化自动比对分析、自查回传、成果核查智能化全天候督察。以往国土执法督察主要靠基于不同时相的遥感影像，由专业遥感监测专家利用人眼目视判读，在影像上对建筑物逐一比对，效率低，存在人工误差。基于AI的影像变化检测技术，能够快速发现特定时间内区域面积内的自然资源类别变化，辅助国土空间规划监测评估、耕地保护和执法督察等。
图4 基于AI+遥感变化检测提取新增建筑物
4、基于AI的多源遥感数据处理
除了基于AI的遥感影像目标检测、影像分割、分类和变化检测技术，通过基于AI的多源遥感数据的处理和优化技术，能丰富保障全天候遥感监测的数据资源和质量，进一步提升全天候遥感监测辅助自然资源管理的综合实力。主要包括：
（1）基于AI的三维点云处理，主要包括基于卷积神经网络的LiDAR点云配准技术和LiDAR点云精细化分类技术，相比基于影像的分割分类技术，能够进一步提升建筑物和地形起伏区域的分类精度，进一步提升自然资源管理的准确程度。
（2）基于AI的遥感影像质量优化，通过基于卷积神经网络的遥感影像超分辨率重建和去云等处理，对现有数据资源进行优化处理，提升基于影像的自然资源信息判读精度。
（3）基于AI的高光谱影像处理，高光谱影像能够精细化反应多种自然资源类别的细微特征，通过基于AI的高光谱遥感影像分类处理，精细化获取自然资源类别分类成果，辅助自然资源精细化管理。
小结
以低空无人机、航空摄影和航天传感器为主的空天一体化遥感，能多维、宏观地为自然资源调查监测提供重要的数据资源；借助卷积神经网络在图像识别领域的应用技术，关于AI+遥感的图像识别和信息提取研究不断开展。
目前，AI+遥感已在自然资源典型地物类型识别、耕地保护和执法监察中得到初步应用，并展现出了广阔的发展前景：
基于AI+遥感的目标检测技术，实现了典型自然资源场景和类别的存在以及合理性，辅助规划监测评估、执法监察和地质灾害隐患排查；AI+遥感的地物精细化分割分类，实现了自然资源类别的定量化提取，辅助自然资源精细化监测和管理；通过AI+遥感变化检测，实现了耕地保护和全天候遥感执法，同时能够定量化监测自然资源类型变化。基于AI的高光谱分类、点云分类、影像高分辨率重建和去云等技术，实现了多源遥感数据处理，为自然资源调查监测提供高质量数据资源和更丰富的方法手段。
AI+遥感的多种技术和应用必将加强陆地、大气、海洋遥感监测，提升对我国资源环境、生态保护、应急减灾、大众消费以及全球观测的服务保障能力。
