( M! l3 o1 Y0 ~( A% s- Z+ s! o% t
01 什么是遥感数据" _ w: Z5 w6 C- N# T
遥感（remote sensing）是指非接触的，远距离的探测技术。一般指运用传感器/遥感器对物体的电磁波的辐射、反射特性的探测。 # a3 |" z! L6 O
作为一种重要的对地观测技术，它为我们研究和理解地球表面提供了主要的数据来源。
. ~) }+ m2 W2 j- S& T# c8 w) s 目前遥感数据呈现出高中低分辨率、多光谱、高光谱、SAR、街景及LiDAR激光点云等多源数据共存的情况，为遥感监测及其他多领域应用提供了基本数据保障。 ; t# }& B- P6 T
它们是如何产生的呢？
% Y! Z; o& h1 S7 y: J; I- y' F 02 遥感数据的采集方式0 B% k) H3 ~5 X" k
获取遥感数据的装备主要包括遥感平台和传感器。根据遥感平台的高度，可将遥感技术划分为航天遥感、航空遥感以及地面遥感。[2]
5 }+ j* p; ~( ^+ S8 h8 z4 ~6 ^ 1. 航天遥感 : }! V0 {! M: a- m0 @* U$ P
以载人飞船、太空站、人造卫星等各种太空飞行器为平台，搭载照相机、多谱段扫描仪、合成孔径雷达等传感器的遥感技术系统。 + w/ S' |( [8 ]4 O2 h; [+ a( t
2. 航空遥感
+ Q+ i9 Y; H6 O/ ]2 Z0 e8 ~& q 利用飞艇、飞机、气球等平台完成对地观测任务的遥感技术系统。
' p% r6 L7 G! l% \0 N9 X0 c 3. 地面遥感
- i# G" B( U' }, D. h' D) H 将地物波谱仪或各种传感器安装在船、车、高塔等平台上的遥感技术系统；比如我们上一期提到的[激光雷达（LiDAR）点云数据知多少？]。 ' {! i8 o) y' ~" y/ C a% d
传感器方面，可利用可见光、红外线、微波等探测仪器，通过摄影扫描、信息感应、传输和处理等，来识别地面物体的性质和运动状态。 ( H% y4 M" T1 O: w9 ]1 ?" @+ F4 m7 ^
03 遥感数据特点" N+ _% @9 v7 i" `8 \+ G
遥感数据主要有如下特点：
C6 n! M. u" b1 j5 { ● 感测范围大，具有综合、宏观的特点； ' Y2 U5 \2 b5 N7 z7 B: U! ~
● 信息量大，具有手段多、技术先进的特点；
" P7 j) I/ ?! \( |8 J8 U! C ● 获取信息快，更新周期短，具有动态监测的特点； , Q6 r; C: H8 }
● 用途广、效益高。[3] : a4 H, @9 G& D0 Z9 j
随着遥感技术的进步，获取的数据精度越来越大，达到亚米级别，人工识别已不能满足需求，智能提取技术正在快速发展。 * W( m* Q3 l0 f
遥感和人工智能的结合，可以实现更大范围、更加丰富、更加精细的多种地表的时空要素信息，而这些信息可以给广泛的应用行业提供了赋能可能性。
: V; Z7 {8 j2 U- O& l DOTA数据集样本预览（图源：网络）从深度学习角度来看，遥感数据还存在以下几个问题： 3 m3 e9 ^0 Z9 x+ T' {+ W, X3 Y
1. 原始高分辨率遥感图像难以获取。
# p; i1 b8 [3 u! n1 i' {/ U O 对于光学遥感数据集来说，由于遥感图像采集过程中大气扰动、噪声、传感器抖动等因素的影响，使获取的数据存在不确定性等影响，真实的高分辨率图像难以获得。 " R |$ ?* G; b) D! ]
2. 遥感图像较自然图像，细节丢失更为严重。
* ~# M/ x; V7 }7 l7 p8 L/ M 通常，光学遥感图像单个像素所代表的实际距离超过5m，导致图像中细节损失，重建困难。 , s% O1 Y- ^& ]+ u
3. 遥感图像场景内容差异较大。 7 e M% v, S9 y: ?
遥感拍摄往往涉及到多种地貌，因此会拍摄到多种场景内容，导致样本的多样性。因此，遥感数据集对于单个场景的贡献也被削弱。
9 Y- K2 v! [- _1 P/ e. g3 X2 c2 | 4. 遥感图像同一场景下，目标物空间大小差异较大。 + T9 b# o1 a# m9 d
在一幅遥感图像中往往包含多个目标，且这些目标物的尺寸大小都不相同，如在街道场景中车辆可能只占了几个像素，房屋占了几百个像素，在卷积的过程中，可能丢失小目标的特征，从而影响SR结果的准确性。
) ?' H$ v% r+ Z) o/ p. @: ?, J 那目前遥感领域常见的任务类型有哪些呢？
8 S$ T1 b* \ K. t. H4 Z0 p5 q 04 基于深度学习的遥感信息提取的任务类型
9 v) s5 P: `4 g8 k0 D/ M 1. 遥感图像的目标检测
/ Z; Y1 r- g: M+ o* h6 i 将深度神经网络应用于遥感图像的目标检测，增强了算法图像纹理感知能力和目标变化适应能力，在检测性能上有了较大的提升，且可用于检测复杂物体。 7 I0 N" Y' ]- P/ B7 d
但该方法仍受限于图像分辨率、天气和计算能力等因素，提高其对外界环境的适应性仍是研究的难点。
" K$ ]0 m I. G* j, ? 2. 遥感地物分割
* C0 e0 e) ~3 f7 l% L; | 遥感图像分割是基于地理对象进行图像分析的关键和重要步骤， 在遥感图像中，它通常被视为景观变化检测和土地利用/覆被分类的辅助手段，可通过输入卫星遥感影像，自动识别道路、河流、庄稼、 建筑物等，并且对图像中的每个像素进行标注。
5 e: [2 i. D. h) _9 L' C- R 3. 遥感变化检测 3 `4 C- H) q0 w( P# \
变化检测是对地物或现象进行多次观测从而识别其状态变化的过程， 实时检测地表变化信息。目前，遥感变化检测技术已成功应用于环境保护、城市规划、军事侦察等领域 。
3 Y" e" ^% g8 O {& n- Y 基于神经网络的遥感图像分割结果（图源：参考资料[2]）那遥感数据可以用来干什么？ ; L2 _* w o( s2 Y+ [
05
0 B3 B2 K4 ^: T: y! e 遥感数据的应用方向 . I$ d9 G4 B% m3 L( l
遥感技术广泛用于军事侦察、导弹预警、军事测绘、海洋监视、气象观测等； : i* [& }# n4 d1 f' `
在民用方面,遥感技术广泛用于地球资源普查、植被分类、土地利用规划、农作物病虫害和作物产量调查、环境污染监测、海洋研制、地震监测、城市土地/建筑规划、地形图更新等方面。 ' A* R- s& J/ u: O
06
( _0 {5 W6 }* E 遥感数据集资源
1 k2 @6 E& ~9 ]. w+ D! q OpenDataLab平台已经上架了系列经典的遥感数据集，并且对DOTA V2.0数据集进行了标准化，不仅提供了丰富的数据集信息、流畅的下载速度，还统一了脚本格式，免去大家处理数据格式的麻烦，快来体验吧！
! q! j' k0 Q) @0 ^, ] · DOTA V2.0 J0 ?! A) ?/ C* P
https://opendatalab.com/91
# z( ?: `- s8 O · DOTA V1.5
$ ]( E |! i5 `( G8 ]+ g0 } @1 F https://opendatalab.com/90
: v, G0 o; ~0 F- [ · DOTA V1.0 : {4 x9 I. u# n% ~6 M+ |. Y
https://opendatalab.com/89
7 w" C& N% a$ ^: [7 W6 D, n3 x1 i7 g · UCAS-AOD
3 G5 | \ n! m" z7 q https://opendatalab.com/102 8 i) T; t4 e$ z1 l! h- D. N; l+ ~
· xBD 8 p. ?+ {1 F3 O M( C* c% {
https://opendatalab.com/94
' |2 K7 F i8 B/ G. ?% t$ k( q' I 参考资料：
* [- r+ j& ~# w& w8 G [1]https://mp.weixin.qq.com/s/pCJsEuQ5gKTwVudMWjfTpw
1 v. R/ j, N4 n6 h. f [2]刘伟权,王程,臧彧,胡倩,于尚书,赖柏锜. 基于遥感大数据的信息提取技术综述[J]. 大数据,2022,8(02):28-57. - x; W2 \3 d& b0 I% z R9 N0 b( }
[3]李正,刘薇,张凯兵. 基于机器学习的遥感图像超分辨综述[J]. 计算机工程与应用,2021,57(13):8-17. 来源：OpenDataLab，作者：专注于AI 数据遥感地信考研书籍介绍：
' b7 ?3 ?! r- |! S: m
! @' S7 i# A- F" t! s- P4 m+ q 点下方可免费获取地信遥感考研资料 ; ?/ o$ ?/ ~% H+ @: A
- D) _; [- n2 ^! I% z) m& u
0 [ I) p% U* l+ x- z: [ ; m% h# M' _0 X$ Q% B7 T$ h9 u1 f
广告 : d7 D/ p: U1 t# t
V% u5 @$ x5 q& Q3 [/ ? - D ?( X, O2 r6 e3 p
点我可免费咨询: M; n% ~% i l/ V* ~- q5 j* U- a
可获取免费资料
; p' b# e1 ]/ Y3 i
6 t3 L/ n9 L' j6 \% ~* A( { " c4 r, k( o3 \
, T T: t' \3 G, `4 t, z 9 E/ \% [, x" e
" a& R% \& @, f3 ]
4 n6 G2 P2 v0 d9 ~& z
# F' H. s4 |/ l% J$ c0 H
8 U) {! V: f! V7 n$ F6 F) A$ y. @. G s7 i
| 
