1、相关概念（1）遥感及遥感卫星遥感（RemoteSensing，简称RS），一词由美国海军研究局EvelynL.Pruitt于20世纪60年代创造。在《卫星遥感技术》中，遥感的定义为“不直接接触物体，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理、并最后成像，从而实现对地面各种景物进行探测和识别的一种对地观测综合技术”。
遥感卫星是用作外层空间遥感平台的人造卫星，是应用卫星的最主要类型之一，可以分为大卫星、小卫星等。大卫星的重量大于KG，平均制造成本通常高于万美元；小卫星的重量在-KG，研制成本通常在-万美元；其次还有微小卫星、微卫星、纳卫星、皮卫星。遥感卫星通过对地球系统或物体进行特定电磁波谱段的数字化成像观测，进而获取观测对象多方面特征信息。遥感卫星在用途上区别于导航卫星、通信卫星和科研卫星等，主要应用场景包括资源调查、农业估产、天气与海况预报、防灾减灾和军事侦察等。
（2）空间分辨率
遥感图像上最小单元的尺寸，越小空间分辨率越高，图像中表达的信息就越丰富和精确。
（3）光谱分辨率
传感器在接收目标辐射的光谱时，能分辨的最小波长间隔。光谱分辨率和空间分辨率相互制约，在一定程度上呈负相关。（4）时间分辨率
时间分辨率是指在同一区域进行的相邻两次遥感观测的最小时间间隔，时间间隔大，时间分辨率低，反之时间分辨率高。
2.卫星遥感特点
卫星遥感具有时效性、周期性及数据综合性等特点。
（1）时效性
卫星遥感获取资料速度快、周期短，且不受高山、冰川、沙漠等恶劣条件限制，商业化发展潜力大。
（2）周期性
卫星遥感能动态反映地面事物的变化，遥感探测能周期性、重复地对同一地区进行对地观测，有助于动态跟踪事物变化。
（3）数据综合性遥感获取的数据具有综合性，遥感探测所获取的是同一时段、覆盖大范围地区的遥感数据，这些数据综合地反映了各类事物的形态与分布等信息。
（二）卫星遥感技术应用流程
随着全球遥感卫星发射次数不断增长，卫星遥感上下游各行业新进入者日益增多，卫星遥感行业市场规模逐渐扩大，商业化进程加速推进。卫星遥感技术从应用流程角度可分为卫星遥感影像生成及获取、影像分析、场景应用三个环节，如图所示。卫星遥感技术应用流程1.卫星遥感影像生成及获取：卫星产业呈规模化发展，为商业应用奠定基础卫星遥感影像生成和获取涉及遥感卫星的制造、发射及运营等上游产业，是获取空间信息的根源。当前卫星上游产业呈现规模化发展，为商业应用奠定了基础。
（1）遥感影像数据介绍
卫星遥感影像信息的采集以电磁波作为传播媒介。根据电磁波波长的不同，遥感影像可分为紫外（探测波段0.05-0.38um）、可见光（探测波段0.38-0.76um）、红外（波段0.76-15um）、微波（雷达）（探测波段1mm-1m）遥感影像[1]。紫外遥感影像：指探测传感器波段在0.05-0.38的遥感影像。紫外波段的太阳光被低、中、高层大气分别强烈散射和被大气中的臭氧等微量气体强烈选择吸收，所观测的大气紫外散射光谱对大气密度、大气臭氧、气溶胶及其他微量气体的密度和垂直分布极为敏感。因此，利用紫外光谱观测可以同时遥感整层大气密度和臭氧等的三维分布，在气象的观测上有较大的用处。可见光遥感影像：指探测传感器波段在0.38um-0.76um的遥感影像。可见光是人类眼睛可见光谱段的总称，是最早用来进行遥感的光谱段，也是当前最常用的工作波段，广泛应用于各行各业。红外遥感影像：指探测传感器波段在0.76-15um的遥感影像，又可进一步分为近红外（0.76-3um）、中红外（3-6um）和远红外（6-15um）。近红外和中红外统称反射红外，多用于白天光学摄影。远红外称为热红外或发射红外，主要由于地物自身辐射，用于夜间红外扫描、适用于军事侦察、地热、土壤温度、地质构造等。微波（雷达）遥感影像：指探测传感器波段在1mm～1m的遥8感影像。相较于可见光等遥感影像，微波遥感具有不受光照和气条件等限制实现全天时、全天候对地观测的特点，可以透过地表或植被获取其掩盖的信息，具有极高的空间分辨率，在农、林、水或地质、自然灾害等民用领域具有广泛的应用前景。随着光谱和成像相关技术的提高，遥感影像发展也逐步向多光谱、高光谱演进，光谱波段细分程度越来越细。多光谱遥感影像：指具有两个以上波谱通道的传感器对地物进行同步成像的遥感影像。探测波段在可见光和红外波段，波段划分为几个、十几个窄波进行探测，不连续，不能覆盖全部波段范围，他将物体辐射反射的电磁波信息分成若干波谱段进行接收与记录。
高光谱遥感影像：指利用多个波段窄且光谱通道连续的遥感方法对地物成像的遥感影像。探测波段在紫外到中红外波段，与多光谱相比，覆盖全部范围。其光谱分辨率广，从可见光到短波红外，光谱通道数多达几十至百个以上，且各光谱通道是连续的，因此每个图像像元均具有一条完整的光谱曲线。
（2）发展现状
受益于政策助力和技术发展，我国遥感卫星数量持续增加，并呈现出规模化、低轨化、高分辨率的趋势。下文将针对遥感卫星数量、质量以及数据可得性对当前遥感卫星产业进行简要介绍。
1）数量：遥感卫星数量持续增加，多源遥感数据量激增，市场发展呈规模化多源遥感数据量的激增：随着遥感技术、光学、热红外和微波等技术的发展，多源遥感影像数据量（多时相、多光谱、多传感器、多平台、多分辨率）呈规模化增长，主要有以下特点：
①冗余性：对环境或目标的表示、描述或解译结果相同；
②互补性：信息来自不同的自由度且相互独立；
③合作性：不同传感器在观测和处理信息时对其他信息有依赖关系。
遥感卫星市场呈规模化发展：全球遥感卫星在轨运行数量占在轨卫星数量的比例日益提高，由年的17%增长至年的27%。根据美国忧思科学家联盟的在轨遥感卫星数量的数据中（截至.7），美国排名第一，为颗，中国排名第二，拥有颗遥感在轨卫星，且近年来，国家重大高分专项的加持使得卫星发射成本逐渐降低，卫星遥感技术日渐成熟，为卫星产业应用规模化提供了有利条件。
2）质量：在高分专项加持下，遥感数据质量显著提升，对地观测能力得到加强
高分辨率：随着卫星技术的发展，民用卫星影像的空间分辨率和时间分辨率在高分项目的加持下得到较大程度的提高，为后续的产业化应用提供了丰富的监测手段与数据基础。
低轨化：低轨卫星（高度范围-km）采用更低的轨道，发射载荷效率高于传统卫星；能够快速抵达预定轨道工作，时延10短且链路损耗小，分辨率高；在轨重访周期短，可在更短时间内对同一目标再次侦测，获取更清晰的信息。
小型化：小卫星主要针对于大范围区域进行全方位遥感，小卫星研制周期短，仅需一年时间即可完成从立项研制到发射全过程，而大卫星则至少需要5-8年的时间，阵线长且时间成本高。
3）可获得性：受益于政策支持和数据公开，数据可获得性增强年的《国家民用空间基础设施中长期发展规划（-年）》为国内民用遥感卫星产业发展奠定了坚实的基础，在卫星数据使用方面明确了逐步开放空间分辨率优于0.5米级的民用卫星遥感数据。自此以后，国家在政策上逐步鼓励遥感数据的应用，于年在遥感数据应用方面重点颁布了遥感数据开放的管理办法，推动数据共享、应用推广，遥感数据应用的市场空间进一步打开。此外，欧空局官方公开哨兵二号等数据，支持全球数据下载。哨兵二号主要提供L1C和L2A两种产品数据。L1C产品经过正射校正和亚像元级几何精校正，为天顶表观反射率数据；L2A是对L1C进行大气校正得到的地表反射率数据产品。
2.卫星遥感影像分析：AI助力，从“看得清”到“看得懂”
（1）卫星遥感影像分析技术介绍
卫星遥感影像主要通过分析光学、微波遥感图像中各类地物11的光谱信息和空间信息，选择特征，采用合适算法将特征空间划分为互不重叠的子空间，提取感兴趣的像元数据，其关键包括卫星遥感影像的预处理、智能分析和3S融合可视化分析。卫星遥感影像分析技术发展可分为以下4个阶段：人工分析阶段、计算机辅助阶段、自动化阶段（专家系统）、空间大数据-人工智能-自助分析阶段。
人工分析：依靠人工对遥感飞机等航测航拍数据进行识别、定位和分析，形成报告文档。计算机辅助：使用计算机处理遥感数据辅助人工分析。
自动化：对于遥感特定问题能实现自动化数据处理和分析。空间大数据-人工智能-自助式分析：空间大数据融合激发了一系列数据驱动的创新应用，人工智能技术突破使遥感图像识别更加智能化和普及化，自助式分析提供了高效的探索式分析能力，以上三者的有机结合开拓出空间数据智能的蓬勃发展。
（2）卫星遥感影像的预处理
通常情形下，获取的原始卫星遥感图像无法直接使用，需要先经过预处理。预处理的精度会直接影响人眼对图像视觉特征的敏感程度并间接影响图像处理的精准度与效率。遥感图像预处理技术主要包括辐射校正、几何校正、图像增强等。1）辐射校正
采集图像时，传入传感器的辐射能量包括地物放射、大气层辐射以及地物反射，但因传感器特性上存在差异，造成传感器的探测值与实际光谱辐射值不一致，这种辐射失真即辐射畸变，而消除或修正这种辐射畸变的过程即辐射校正。一般而言辐射校正分为辐射标定、大气校正、地形及太阳高度校正。
辐射定标：指将记录的原始遥感影像像元亮度值转换为大气外层表面反射率（或辐射亮度值），通过标定排除传感器、波普、时间等造成的误差。
大气校正：将辐射亮度或者表面反射率转换为地表实际反射率，其目的是消除大气和光照等因素对地物反射的影响，获得地物反射率、辐射率、地表温度等正式物理模型参数。
太阳高度角及地形校正：通过统计学模型和物理学模型，消除地表地形不同、太阳高度角不同造成的辐射亮度的误差，如图3所示。图3.辐射校正2）几何校正
几何校正是纠正系统或非系统因素引起图像像素相对于地物实际位置产生的挤压、拉伸、扭曲与偏移的几何畸变。传统做法在遥感影像中选择控制点，定位地理坐标，而后建立影像和真实世界的映射函数，以此获得真实坐标信息，最后通过重采样计算变换后像元亮度值，如图4所示。图4.几何校正3）图像增强
图像增强指增强图像中的有用信息，改善图像的视觉效果，图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。图像增强有一系列的不同方法，包括图像融合、图像裁剪、对比度增强等。
图像融合：通过将时间或空间的多源数据按照一定法则合成为高空间分辨率的彩色影像图像。图像融合有两点需求：
①图像空间信息匹配：空间位置、图像行列数一致；
②图像光谱信息匹配：同名像元点的灰度值具有较好的相关性。在空间域代数运算融合比较常用的有Brovey转换法、PBIM融合算法；在变换域比14较流行的有HSI变换融合法，如图5所示。图5.图像融合图像裁剪：选定遥感影像中的一个特定的感兴趣的范围，常用的裁剪方式包括按ROI裁剪和按地图裁剪，而后根据需求进行旋转、放大、缩小等并整理成合适的训练数据集，如图5所示。
图6.图像裁剪对比度增强：通过调整非正态分布的直方图到正态分布，对图像重新分配像素值，使一定范围内的像素数量大致相同，解决图像因对比图过小造成亮度过暗或过亮的问题，改善图像的量，便于分辨地物轮廓并提取信息
图7.对比度增强
（3）卫星遥感影像智能分析
随着人工智能技术的发展，决策型的智能技术将成为未来的主流发展目标之一，其目的是在智能解译数据时让系统自带决策功能，学习人脑思维方式分析问题，利用“经验”自主选择判断依据，针对场景进行包括网络模型的适配、异构实体网络的自主构建、多关联关系的动态优化等，完成指定任务。卫星遥感影像智能分析是通过建立地物的分类、识别、变化深度学习神经网络模型，自动获取、加工、提取遥感影像中像素信息，形成数量、面积、方向，土地性质、长势等对业务领域有价值的信息，实现遥感影像从“看得清”到“看得懂”。
1）人工智能目标检测算法
目标检测算法通过网络模型分析影像前景和背景，提取影像中的感兴趣目标的位置、数目和类别信息。基于深度学习的遥感影像目标检测算法即通过训练适用于多分辨率遥感数据的卷积神经网络模型（如YOLT），分析影像语义特征，提取遥感影像中的感兴趣目标位置，如图8所示。该算法作为是遥感图像分析的一项重要工具，有助于城市规划、交通疏通等重要应用。例如在道路检测场景中，通过训练卷积神经网络模型，提取深度语义特征确定中心线位置并预测像素是中心线的“概率”，从遥感影像中检测道路，并输出矢量化的道路边界和中心线图层。图8.目标检测2）人工智能地物分类算法地物分类通过已训练的分类网络模型对影像特定区域内的土地性质进行解析、分割，以此进一步分析不同位置的土地性质情况。通用的地物分类模型，是基于大量通用数据训练的，能够识别多类地物，模型具有一定的普适性。例如基于知识的决策树分类是以遥感影像数据及其他空间数据为基础，通过专家经验总结、数学统计、归纳方法等，获得分类规则并进行遥感图像分类。这类模型的分类规则易于理解，分类过程也符合人的认知过程。
特殊的地物分类模型，例如对光伏、农作物等做进一步像素分析，以获取其范围、面积、质量等信息，是通过训练适用于多分辨率遥感数据的卷积神经网络模型（如U-net），对图像进行逐像素分类实现图像语义分割，其最大特点就是通过反卷积拼接特征，使得浅层语义信息和深层语义信息能结合起来，可支持多尺度和超大图像的输入，如图9所示。
图9.地物分类转载请注明：http://www.0431gb208.com/sjsbszl/5973.html
