遥感卫星影像信息提取

遥感信息提取经历了3个主要发展阶段。第一阶段（20世纪60年代至80年代）主要采用数字信号处理方法完成遥感数据分析任务。Swain P H等人运用统计模型从遥感数据中提取信息，并在此基础上研究了各种数据采集系统，为开发应用于遥感数据分析的统计建模技术奠定了基础。常用的信息提取模型有模糊聚类、目视解译、决策树分类等。然而，由于各地区地形特征不同，统计方法很难应用于不同的区域和环境。1990年，随着“定量遥感时代”的来临，遥感信息提取技术步入了第二阶段。此时，美国EOS（Earth Observation System）卫星开始通过中分辨率成像光谱仪（middle resolution imaging spectrometer，MODIS）提供全球定量遥感产品，使得研究人员可以利用这些产品开发物理模型。与统计模型相比，物理模型可以解决更多不同的应用问题，但物理模型通常基于复杂的非线性方程式，并且需要许多输入参数和先验知识。由于遥感大数据体量巨大、种类繁多、动态多变、冗余模糊，统计模型和物理模型需耗费大量人力资源，且处理效率低。到了21世纪初期，遥感信息提取技术步入第三阶段，包括人工神经网络、支持向量机（support vector machine，SVM）在内的浅层学习方法已被广泛运用于遥感信息提取任务。但是，浅层学习方法中使用的样本数据较小，其建模得到的模型参数的数量也非常有限。因此，这些模型的泛化能力较弱，从而限制了模型的通用性。为了解决上述问题，已有许多学者将深度学习方法应用于遥感数据，如高空间分辨率图像分割、高光谱图像分类、遥感图像变化检测等。深度学习方法侧重于从数据本身提取特征和信息，而不是依靠专家的先验知识，因此可以降低传统遥感信息处理方法对先验知识的依赖性。虽然深度学习方法可以显著提高模型的准确性，但其仍然面临着诸多挑战，如遥感数据体量巨大，存储、读取和分析如此大量的遥感数据非常困难；在实际应用中，接近实时的遥感大数据处理和信息提取非常具有挑战性；遥感图像质量易受到大气影响、环境干扰、传感器抖动等因素的影响，使获取的数据存在不确定性，从而难以从数据中获取有价值的信息。

相关链接