（1. 山东省地质测绘院， 山东 济南 250002；2. 山东省地矿局大数据中心， 山东 济南 250002）

　　［摘 要］ 如何融合云计算、大数据、人工智能等先进技术手段，开展对遥感大数据的研究，进行遥感影像智能化处理，为空间智能应用提供更加精准、高效的数据支撑已成为必然，并具有广泛的应用前景。本文介绍了遥感大数据基本特征及研究现状，并运用深度神经网络等算法进行特征提取和目标识别，提出一种基于遥感大数据的智能监测方法，该方法结合了遥感技术和人工智能算法，通过对地表和大气信息的获取、分类和分析，实现了对城市环境、自然资源和生态系统的全面监测和管理。此外，开发了一套基于云计算和分布式处理的智能监测平台，该平台支持灵活的数据集成、可视化展示和实时预警功能，并已成功应用于城市的监测和管理任务中。

　　早在2007年，数据库界的第三位图灵奖得主，美国资讯工程学家James Gray指出，人类科学研究活动已经进入第四范式，即数据密集型科学［1］。随着数据量的爆炸式增长，计算机将不仅仅能做模拟仿真，还能进行分析总结，得到理论。也就是说，过去由伽利略、爱因斯坦、牛顿等科学家从事的工作，未来可以由计算机来做。近年来，全球大数据的发展人处于活跃阶段，根据统计，到2025年全球数据量将增加至163 ZB，年复合增长率达到30%。我国政府高度重视大数据的发展，自2014年以来，我国国家大数据发展战略的谋篇布局经历了四个不同阶段：预热阶段、起步阶段、落地阶段、深化阶段［2］。

　　众所周知，大数据具有典型的4V（Volume、Velocity、Variety、Value）特征［3-5］。在遥感和对地观测领域，尤其是近些年全球各类遥感卫星的不断升空，人类通过遥感手段对地球的观测能力达到空前水平。遥感影像数据呈现指数级增长；遥感数据类型日益多元化；遥感数据获取的周期越来越短；遥感数据在农业、林业、生态环境、地质灾害等领域的应用价值不断体现。可以说遥感数据具有明显的“大数据”特征［6］。但是，遥感数据智能处理相关技术研究在国内尚处于起步阶段，现有遥感解译方法存在诸多问题，遥感变化监测方法多为目视解译法，遥感信息处理能力比较低下［7］。深度学习方法开始使用，大数据处于起步阶段，人工智能处于探索阶段。

　　随着大数据、云计算、人工智能、深度学习等智能技术不断成熟，遥感影像智能化处理已经成为发展趋势，为监测提供了新的途径。融合多源大数据、人工智能与地理遥感技术，建立遥感智能系统：为空间智能应用提供更加精准、高效，更具有洞察、预见，整体系统的技术已成为必然，并具有广泛的应用前景。

　　要实现基于遥感大数据开展智能监测关键技术研究，需要解决的第一个问题就是如何高效存储、管理遥感大数据。分布式存储是目前公认有效的大数据存储管理方法［8-9］，目前国内外已有多种基于分布式存储的大数据存储管理系统。

　　基于分布式存储技术实现遥感大数据的存储与管理的主要目的是整合多源异构海量遥感大数据并构建空间大数据库，基于数据质量评价与控制技术，通过遥感大数据获取、加工处理、融合处理，建立空间遥感大数据平台，为遥感大数据信息提取和变化监测提供基础保障。一是对结构化数据、元数据等利用关系型数据库管理系统（DBMS）进行空间扩展，使其具有存储栅格影像数据的能力；二是对非结构化数据利用分布式文件系统实现对其存储与管理；三是对半结构化数据基于No SQL技术实现对其存储与管理。

　　在解决遥感大数据存储、管理的问题后，如何使遥感大数据更好地应用才是从业者的最终目标。研究如何基于遥感大数据快速、智能、准确的提取出对地表多尺度、多时相、多层次全面反映的各种相关信息是十分必要的［10-11］。基于深度学习的遥感大数据信息提取技术，概括起来主要包括以下五个方面：一是影像预处理、特征提取、分析特征检测变化、后处理、精度评价技术；二是深度学习Segnet 算法的图像分割技术；三是面向语义分割的深度全卷积网络建模优化技术；四是基于概率图模型的语义分割优化技术；五是超分辨率的高分辨率图像重建技术。

　　遥感大数据时代的信息提取是以数据驱动下的信息分析模型为主要特征，深度学习是目前适用于这种需求的最优算法。

　　由于数据共享方面存在的问题，信息壁垒尚未完全打通，遥感大数据样本库、知识库不够完善，基于深度学习算法的遥感大数据信息提取技术仍处于实验研究阶段。未来，随着数据共享、数据标准的不断开放与完善，遥感大数据信息提取技术必将得到更为广泛的应用。

　　目前，全球卫星数量超过千颗，遥感信息获取能力大大加强，成像方式的日益多样化。遥感大数据应用落地的最终途径还是变化检测，通过变化检测应用于执法、土地保护、地质灾害监测等领域。

　　遥感大数据变化检测技术的研究概括起来主要包括四个方面，一是影像特征提取、特征变化检测、后处理、精度评价技术；二是基于堆栈降噪自动编码器网络的变化检测技术；三是基于分支卷积神经网络变化检测技术；四是基于阴影提取算法与去噪增强算法的变化检测结果修正技术。在利用深度神经网络处理遥感大数据变化检测时，快速、高效地获取训练样本是一个比较重要的问题。

　　利用高分辨率影像，基于感知深度依赖影像数据与知识关联划分特征层级，用于支持感知层次递进的特征归一化映射，同时建立特征渐进增强的尺度归一化模型，映射以空间尺度与维度为载体的各层次感知特征要素，生成语义信息高度组织化的多层次特征图［12］。构建综合多层次特征图约束的渐进自学习区域化网络，通过端到端训练生成面向滑坡目标的检测网络，输入待分析的目标高分影像数据至检测网络，从渐进增强影像特征的角度进行目标的针对性检测，最后输出目标影像表现。

　　众多学者提出了不少基于深度神经网络的变化检测方法，例如深度信度网络、栈式自编码神经网络、卷积自编码等［13-14］。深度学习技术的发展，尤其是卷积神经网络、递归神经网络和深度神经网络，为像素级变化检测方法注入了新的旺盛生命力［15］。

　　充分利用深度学习Segnet算法的图像分割技术、面向语义分割的深度全卷积网络建模优化技术、基于概率图模型的语义分割优化技术与高分辨率图像重建技术建立深度学习算法库，对高分遥感大数据形成发现、识别与提取，开发了遥感大数据智能检测平台，平台总体建设架构如图1所示。

　　本文基于遥感大数据、地理信息数据、专题数据、兴趣点（point of interest，POI）等数据构建了空间大数据库，以山东省济南市为例，见表1。

　　该平台基于深度学习算法的图像分割技术与高分辨率图像重建技术实现了遥感大数据的信息自动提取，如图2所示。

　　平台基于堆栈降噪自动编码器网络的变化检测技术和基于分支卷积神经网络变化检测技术实现了遥感数据的变化监测，如图3所示。

　　本文在简单描述遥感大数据研究现状的基础上，重点论述了智能监测关键技术研究的三个方面，即遥感大数据分布式存储技术、遥感大数据信息提取技术和遥感大数据变化检测技术。最后以济南市为例，介绍了遥感大数据智能监测平台建设及应用情况，实现了变化的快速发现。但在实际应用中存在多源高精度数据获取难度大、自动化智能解译程度低等问题，未来需要在海量多源异构遥感大数据快速获取，遥感大数据的自动分析和数据挖掘进行深度研究，并在智慧城市建设、生态环境监测、地质灾害防治等多专题应用方面进行深度融合。

　　目前，我们仍处于“数据大爆炸”的初期。遥感大数据的智能监测是遥感技术在大数据背景下的发展趋势，随着遥感技术的不断发展，遥感数据获取的方式和精度不断提高，遥感数据的种类和来源也越来越多。如何将来自不同传感器、不同分辨率、不同时间段的遥感数据进行融合，以提高遥感数据的综合利用效能，是未来研究的重点之一；如何利用机器学习、深度学习等技术对遥感大数据进行分析和预测，从海量遥感数据中挖掘出有价值的信息，也是未来研究的热点之一。

　　随着5G/6G 时代的到来，数据传输能力将得到大幅提升，加上各类航空航天卫星、雷达、无人机等多种手段快速获取数据以及人工智能、大数据分析挖掘算法的不断完善，基于遥感大数据的智能监测将得到更为高效、广泛、精准的应用。该系统需要具备多源遥感数据融合、数据挖掘与分析、智能决策等功能，以实现对自然资源、环境、灾害等领域的全面监测和预警。

　　［4］ 李国杰，程学旗. 大数据的研究现状与科学思考［J］. 中国科学院院刊，2012，27（6）：647-657.

　　［5］ 于广婷，刘同文，曹发伟，等. 地质大数据轻量化集成展示与专题应用研究［J］. 测绘通报，2021（11）：140-144.

　　［6］ 李德仁，张良培，夏桂松. 遥感大数据自动分析与数据挖掘［J］. 测绘学报，2014，43（12）：1211-1216.

　　［8］ 罗敬宁，刘立葳. 遥感大数据分布式技术研究与实现［J］. 应用气象学报，2017，28（5）：621-631.

　　［9］ 谭娟，白鹤峰，陈勇，等. 开放式遥感数据服务系统架构技术研究［J］. 武汉大学学报（信息科学版），2015，40（7）：950-956.

　　［10］ 付琨，孙显，仇晓兰，等. 遥感大数据条件下多星一体化处理与分析［J］. 遥感学报，2021，25（3）：691-707.

　　［11］ 张兵. 遥感大数据时代与智能信息提取［J］. 武汉大学学报（信息科学版），2018，43（12）：1861-1871.

　　［12］ 张继贤，顾海燕，杨懿，等. 高分辨率遥感影像智能解译研究进展与趋势［J］. 遥感学报，2021，25（11）：2198-2208.

　　［13］ 龚健雅，许越，胡翔云，等. 遥感影像智能解译样本库现状与研究［J］. 测绘学报，2021，50（8）：1013-1022.

　　［14］ 张继贤，顾海燕，杨。