?
当运用科技手段将原本需要人工才能完成的工作转由计算机网络、大数据、物联网和人工智能等技术实现的时候，我们习惯将这种变化称为“智能化”。这一模式运用到自然资源调查监测遥感解译工作中，我们便叫它“智能遥感解译”。
?
?
为更好地服务国土空间开发与用途管制等自然资源管理工作，近年，自然资源部第三地理信息制图院深耕智能遥感解译技术，研发了一套智能化生产系统——自然资源深度学习遥感智能解译平台。平台利用空间信息、人工智能等先进技术，将调查监测工作与人工智能技术深度融合，可以大幅缩短遥感影像解译周期，提高解译精准度，减少人工工作量，提高生产效率40%左右。目前，已应用到国土利用动态全覆盖遥感监测、地理国情监测等多个国家级、省级重大工程。
?
?
类人化工作模式彰显智能
平台基于该院自主国家发明专利成果“一种深度学习模型性能评价方法及系统”研发，主要包括“一门户、四系统”。资源共享门户就像人的大脑，负责储存和分发数据；云雪分析评估系统、地理信息数据生产系统、遥感变化检测系统和遥感目标检测系统四个系统类似于人的四肢躯干，各有所长，分工执行任务。在工作过程中，资源共享门户支持所有系统进行数据共建共享，而共建共享过程也会让资源库丰富强大，并促进系统自动识别解译能力越来越强。
平台分“样本制作、模型训练、影像推理”三个环节工作。简单来讲，就是先以《自然资源调查监测体系构建总体方案》为基础构建样本库，再通过模型训练环节的学习与训练，让系统熟练掌握“工作技能”，最后由系统对影像进行推理，独立开展智能遥感解译工作。整个过程与人类的学习工作过程十分类似。此外，平台还具备二次开发接口、即时在线分析等定制化应用，能为时空大数据智慧管控和动态分析提供持续支撑。
云雪识别火眼金睛
在卫星遥感影像上，云和雪都具有高反射率特性，在影像上看起来都是一片亮白，传统方法无法很好地将云雪区分开，需要花费大量的人力对每景影像逐个勾绘云雪图斑、统计面积占比信息。
为解决这一问题，该院开展了云雪智能识别研究，形成了无人值守的全自动云雪智能分析工艺，并在四川1:1万无图区测绘项目的影像统筹环节应用。作业人员只需要在下班前为系统指定测区影像存储路径，设置面积阈值、波段重组和平滑容差等参数信息，系统便能自动进行云雪矢量范围提取并输出云雪占比统计信息，第二天一早就可以直接获得测区影像云雪覆盖情况。云雪智能识别全面解放了生产力，实现大数据遥感影像中云雪的高精度快速检测，提升工作效率近20倍。
要素提取快速高效
基于遥感影像开展自然资源要素提取是调查监测工作中最基础、最繁琐的工作，依靠传统人机互动进行识别解译，不仅效率较低，而且过多主观判断的加入也容易导致标准执行不统一。
为解决测区水体要素生产工作量大、人工采集耗费时间长等问题，该院不断优化生产工艺，构建解译专家知识库，推出了人机融合智能生产工艺，即：整景智能提取-局部实时更新-综合动态研判。首先由机器智能快速地对整景影像进行核心要素的全面识别提取，再为局部解译效果不是很好的区域进行重点识别提取，最后由作业人员进行综合判断。通过这一工艺，形成了水体数据集，可以实现不同区域、不同影像源、不同时相的遥感影像中河流、湖泊和坑塘等水体的快速自动提取，生产效率相比传统作业模式提高近20%，减轻生产人员工作负担的同时提升了遥感解译生产的科学性和时效性。
地物变化自动感知
随着山水林田湖草整体保护、系统修复、综合治理，自然资源遥感应用正在实现从周期性调查到动态化监测的转型，传统的作业模式很难满足时效性需求，迫切需要提升变化信息提取技术。
为更好地服务自然资源变化的智能感知和成果信息化质检，该院融合地理信息技术与人工智能，形成了贯穿生产与质检工序的建（构）筑物变化自动感知工艺，并在全国地理国情监测省级监测、国土利用动态全覆盖遥感监测和卫片执法遥感监测等项目中开展了实际应用。利用时序多源遥感影像和历史矢量数据，分别在生产工序和质检工序适配不同类型指标的训练模型，作业员只需轻轻一点，系统便自动进行不同尺度、不同场景、不同时间序列的建（构）筑物变化检测，自动生成数据图。结果显示，相较于传统多时相影像人工目视对比，生产效率提升了近20%，质检效率提升了近40%，而且成果质量更高。
结合新时期测绘地理信息“两支撑、一提升”工作定位，未来，该院将继续加强科技创新，深入研究测绘科技在服务自然资源调查监测、自然资源开发利用与保护、国土空间用途管控、地质灾害防治、自然资源督察等工作中的技术支撑作用，不断提高综合保障能力。
预览时标签不可点收录于合集#个上一篇下一篇