随着人工智能的发展和落地应用，以地理空间大数据为基础，利用人工智能技术对遥感数据智能分析与解译成为未来发展趋势。本文以遥感数据转化过程中对观测对象的整体观测、分析解译与规律挖掘为主线，通过综合国内外文献和相关报道，梳理了该领域在遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘以及遥感开源数据集和共享平台等方面的研究现状和进展。首先，针对遥感数据精准处理任务，从光学、SAR等遥感数据成像质量提升和低质图像重建两个方面对精细化处理研究进展进行了回顾，并从遥感图像的局部特征匹配和区域特征匹配两个方面对定量化提升研究进展进行了回顾。其次，针对遥感数据时空处理与分析任务，从遥感影像时间序列修复和多源遥感时空融合两个方面对其研究进展进行了回顾。再次，针对遥感目标要素分类识别任务，从典型地物要素提取和多要素并行提取两个方面对其研究进展进行了回顾。最后，针对遥感数据关联挖掘任务，从数据组织关联、专业知识图谱构建两个方面对其研究进展进行了回顾。

除此之外，面向大智能分析技术发展需求，本文还对遥感开源数据集和共享平台方面的研究进展进行了回顾。在此基础上，对遥感数据智能分析与解译的研究情况进行梳理、总结，给出了该领域的未来发展趋势与展望。

引言

近几年来，国内外人工智能的发展和落地应用如火如荼，促成这种现象的原因可以归纳为两个关键词，即“大数据”与“高算力”。在地理空间数据分析与应用领域，这种变化也正在发生着，比如在国家高分辨率对地观测重大科技专项（简称“高分专项”）等国家重大任务的推动下，我们可获取的地理空间数据越来越多，另外，以“云+端”架构为代表的高性能计算框架也在不断发展，促进了算力的提升。在此背景下，以地理空间大数据为基础，利用人工智能技术挖掘其深层信息、赋予其更多的应用模式，将成为未来地理空间数据分析应用领域发展的长期主题。

发展遥感数据智能分析技术的目的是将长期积累的遥感数据转化为对观测对象的整体观测、分析、解译，获取丰富准确的属性信息，挖掘目标区域的演化规律，主要包括遥感数据精准处理、遥感数据时空处理与分析、遥感目标要素分类识别、遥感数据关联挖掘等。此外，面向大智能分析技术发展需求，遥感开源数据集和共享平台方面也取得了显著进展（陈述彭等, 2000; 宫辉力等, 2005）。

遥感数据精准处理方面，遥感数据精准处理的目的是对传感器获取的光谱反射或雷达散射数据进行成像处理和定标校正，恢复为与地物观测对象某些信息维度精确关联的图像产品。传统方法需要根据卫星、传感器、传输环境、地形地表等先验模型，以及外场定标试验获取定标参数，建立精确的成像模型将观测数据映射为图像产品。随着传感器新技术的发展和分辨率等性能的提升，先验模型的建立越来越困难，外场定标的难度和消耗也越来越大，并且成像处理和定标校正获取的模型和参数与传感器的耦合，只能以一星一议的方式实现，无法多星一体化实现。如何在传统方法的基础上，构建观测数据到精准图像产品的深度学习网络结构，设置面向不同应用的图像优化指标体系，以大量历史数据和标注结果作为输入，实现网络结构对传感器物理模型和参数的精确重构和逼近，形成基于人工智能技术的多星一体化遥感图像精准处理能力。

遥感数据时空处理与分析方面，多时相影像相比单一时相的遥感影像，能够进一步展示地表的动态变化和揭示地物的演化规律。然而，一方面受限于遥感自身的时间分辨率与空间分辨率之间的不可兼得；另一方面受气象、地形等成像条件的影响，光学传感器获取的遥感影像往往被云层及其阴影覆盖（特别是在多云多雨地区，如我国西南地区），而难以获取真实的地面信息。这样的数据缺失，严重限制了遥感影像的应用；特别是对于多时相影像的遥感应用（如森林退化、作物生长、城市扩张和湿地流失等监测），云层及其阴影所导致的数据缺失将延长影像获取的时间间隔、造成时序间隔不规则的问题，加大后续时间序列处理与分析的难度。因此，进行遥感影像的时间与空间维度的处理与分析对提高遥感影像数据的可用性、时间序列分析水平和遥感应用的深度广度具有重要意义。

01国际研究现状1.1遥感数据精准处理

利用智能手段开展数据预处理技术，国外将智能技术用于遥感数据（光学、SAR、光谱）配准、校正等的工作。

1.1.1光学/SAR 精细化处理

遥感图像为遥感应用分析提供了数据基础，可广泛应用于农林监测、城市规划、军事侦察等领域，遥感数据质量是决定其应用性能的关键。评价遥感数据质量的指标包括图像时间/空间分辨率、图像幅宽、空间特征、光谱特征、辐射几何精度等。高质量遥感影像具有高分辨率、高信噪比等特点。提升遥感影像质量的方法可大致分为两类，一是改进传统成像算法聚焦得到高质量图像；二是将已有的低质量的图像通过去噪去云以及超分辨率重建等技术得到高分辨率高质量图像。与传统的 SAR成像算法比较，基于深度学习的SAR 成像算法可以简化成像过程。Rittenbach等人（2020）提出 RDAnet 神经网络从原始雷达回波数据训练聚焦得到SAR图像，网络经过训练可以匹配距离多普勒算法的性能，算法将SAR成像问题处理为监督学习问题，RDAnet是第一个基于深度学习的SAR 成像算法。Gao等人（2019）提出了一种基于深度网络的线谱估计方法，并将其应用于三维 SAR成像，大大加快了成像过程。Pu（2021）提出了一种深度 SAR 成像算法，减少了 SAR 的采样量，并且提出了一种基于深度学习的 SAR 运动补偿方法，可以有效地消除运动误差的影响。仅依赖遥感卫星载荷能力推动图像分辨率提升，使得高分辨率图像成本大幅提高，给遥感图像大规模应用力带来困难。以超分辨、图像重构等为代表的图像级和信号级处理方法为遥感图像分辨率和质量提升提供了另一种可行的技术途径。Wei 等人（2021）提出了基于 MC-ADM 和基于 PSRI-Net 的两种参数化超分辨率 SAR 图像重建方法，根据预先设计的损耗，深度网络通过端到端训练来学习，可应用于得到高质量 SAR 超分辨率图像的参数估计。Luo 等人（2019）提出了一种基于卷积神经网络的SAR 图像超分辨率重建的方法，针对浮点图像数据采用深度学习对 SAR 图像进行重建，可以更好地重建SAR图像。针对非生成对抗网络在光学遥感图像超分辨重建以及噪声去除中出现的信息损失和对比度降低的问题，Feng（2020）提出了利用生成对抗网络对小波变换域光学遥感图像进行超分辨重建以及噪声去除的方法。Xiong（2021）提出了一种适应于遥感图像超分辨的改进超分辨率生成对抗网络(Super-resolution GAN, SRGAN)，增强了模型在跨区域和传感器的迁移能力。Bai 等人（2021）提出一种改进的密集连接网络遥感图像超分辨重建算法。Dong等（2020）提出了一种改进的反投影网络实现遥感图像的超分辨率重建。Tao（2020）提出了一种以 DPSRResNet 作为其超级解析器的 DPSR 框架的遥感图像超分辨重建算法。Yang 等（2020）提出了一种多尺度深度残差网络(MDRN)用于从遥感图像中去除云。Wang 等（2021）构建了 SAR 辅助下光学图像去云数据库,建立了基于条件生成对抗网络的 SAR 辅助下的光学遥感图像去云模型,实现了SAR辅助下光学图像薄云、雾、厚云等覆盖下地物信息的有效复原与重建。

目前，人工智能在遥感数据处理和图像质量提升方面的应用主要得益于机器学习技术的引入。基于GAN 网络的方法试图利用生成器克服原始高分辨率遥感图像难以获取的问题，另一些无监督的学习方法则通过学习图像质量退化前后关系试图获取原始的高分辨率遥感图像。由于迁移学习可以从其它域样本中获得先验信息，并且在目标域中进一步优化，借鉴迁移学习和零样本学习的思路可以尝试解决遥感图像质量提升的问题。由于作用距离远，遥感图像分辨率和清晰度相对于自然图像仍有一定的差距，这导致遥感图像细节丢失相对较为严重。

为了从遥感图像中获取更为丰富的信息，需要对遥感图像空间特征进行提取（注意力机制、局部-全局联合特征提取等），需要对遥感图像目视效果进行可视化增强（边缘增强、小波变换等）。此外，面向图像细节特征解译的需求，还需要对遥感图像中的弱小目标和细微结构进行检测、提取和增强（弱小目标检测等），提升遥感图像中细节缺失造成的信息损失。

1.1.2光学/SAR 定量化提升

可见光、SAR、高光谱等遥感图像的定量化提升主要体现在几何、辐射、光谱、极化等几个方面，通过寻找稳定点来消除成像过程中产生的畸变，改善图像质量，使数据产品能够定量化反映地物的真实信息，以达到定量化提升的效果。在国际主流研究中，神经网络技术主要被应用在提升图像匹配精度方面，并以此带动几何定位精度定量化提升。得益于机器学习方法的引进，遥感图像匹配技术获得了系统性发展，匹配精度获得了显著进步。典型的两种方法为局部特征点匹配方法和区域匹配方法。与全局特征相比，局部特征点与遥感图像获取的大场景松耦合，对大场景的仿射变化、辐射/亮度变化噪声水平不敏感。目前，基于特征点匹配的遥感图像质量提升技术取得了一系列研究成果。典型的特征点匹配包括关键点检测和描述子提取两个部分。深度学习应用于局部特征点匹配可以分成三个阶段，形成了三类代表性方法。第一类方法重点关注和解决关键点检测问题，即如何检测得到特征点的方向、位置、以及尺度信息。关键点检测中响应图的构建是重点，关键点检测的数量和准确性依赖于特征准确、信息丰富的响应图。Savinov 等人（2017）提出了无监督学习的神经网络训练方法，该方法首先将遥感图像目标像素点映射为实值响应图，进而排列得到响应值序列，响应序列的顶部/底部像素点即可以视为关键点。Ma 等人（2019b）采用由粗到细的策略，先用一个卷积神经网络计算近似空间关系，然后在基于局部特征的匹配方法中引入考虑空间关系的匹配策略，同时保证了精度和鲁棒性。第二类方法重点关注和解决描述子提取问题，即用一组特征向量表示描述子，描述子代表了特征点的信息，可以通过端到端训练获得描述子。描述子训练是获得高精度匹配结果的关键。Simo-Serra 等人（2015）提出了 Deep-Desc 特征点描述子提取方法，该方法中神经网络采用了 Siamese 结构（Chopra等, 2005），构造了一种 128 维的描述子，应用于具有一定差异性的图像对匹配问题，通过比较描述子欧氏距离对图像间描述子的相似性进行衡量。第三类方法关注于联合训练关键点检测模块和描述子提取模块。关键点检测和描述子提取两个模块的协同工作和联合训练是该方法重点解决的难点。Yi 等人（2016）提出了基于 LIFT 网络的联合训练，是最早解决关键点检测和描述子提取的联合训练的网络之一。LIFT 网络的输入是以 SIFT 特征点（Lowe, 2004）所在图像块，LIFT 网络的关键点检测效果也与 SIFT算法类似，鲁棒性较好。Ono 等人（2018）提出的LF-Net，采用 Siamese 结构训练整个网络，通过深层特征提取网络产生特征图。Shen 等人（2019）以LF-Net 为的基础，提出了基于感受野的 RF-Net 匹配网络，该网络实现关键点检测时保留了遥感图像低层特征、部分保留了遥感图像高层特征，在描述子提取中采用了与 Hard-Net（Mishchuk 等, 2017）一致的网络结构。与局部特征点相比，区域特征对整体性表征更加完整，对区域形变、区域变化等的稳定性更好。传统区域特征匹配技术的代表为模板匹配方法。深度学习应用于区域特征匹配形成了两类代表性方法。第一类方法的核心思想是用分类技术解决匹配问题。Han 等人（2015）利用 MatchNet 提取图像区域特征，将三个全连接层得到特征的相似性作为输出，对输出采用概率归一化处理(Softmax)进行分类匹配。Zagoruko 等人（2015）重点解决了对光照变化、观测角度具有很好适应性的区域特征提取问题，提出了基于DeepCompare 网络的区域特征提取方法，该方法的匹配性能对于不同时间空间获取的遥感图像具有极佳的稳定性。第二类方法的核心思想是构建合适的描述子解决区域特征匹配问题。Tian 等人（2017）提出了一种 L2-Net网络的区域匹配方，该网络生成了128 维的描述子，在迭代次数较少的约束下，利用递进采样策略，对百万量级的训练样本进行遍历学习，并通过额外引入监督提高学习效率，该网络泛化能力较好。

可见，深度学习网络的引入在特征提取、关键点检测和描述子提取等多方面优化了遥感图像匹配能力。考虑到深度学习网络的持续研究，网络结构、训练方式的更新和进步有望进一步提升遥感图像匹配精度，基于深度学习的遥感图像匹配算法仍然具有相当的研究价值和应用前景。