引 言
近年来，地观测技术的进步促使遥感影像数据以惊人的速度呈几何级数增长。这些数据，因其时效性高、覆盖面广、类型多样、分辨率丰富，已成为地表信息提取、资源与生态环境变化监测等多个领域的有力工具，展现出巨大的应用价值。然而，随着遥感影像数据量的迅猛增加以及数据种类的持续增多，对数据快速而精确解读的方法和技术提出了更高的挑战。同时，大量原始拍摄数据的积累与有效信息提取之间的矛盾问题愈发显著。目前，我国正致力于打造国内国际双循环相互促进的新发展模式。在这一过程中，无论是推动国内社会经济建设的进步、对资源环境的实时监测与评估，抑或是助力全球的可持续发展、构建人类命运共同体，都离不开区域乃至全球尺度上的地理空间信息支持。因此，对多源遥感信息的快速解读能力的要求愈发迫切。
得益于大数据、云计算、人工智能等技术的持续发展，深度学习在图像识别领域实现了显著的突破。2015年，微软的研究团队对外宣称，其机器学习系统在ImageNet 2012分类数据集中的图像识别错误率已降至4.94%，这一成绩甚至低于人眼识别的5.1%错误率。此后，针对一般图像处理的深度学习框架与模型迅速崛起，它们所推动的图像识别技术已在公共安全、生物科学、工业制造、农业种植、交通运输以及医疗卫生等多个领域得到广泛实施。在这些应用中，许多技术已深入民众日常生活，比如人脸识别技术、车牌号码的自动识别、指纹验证、食品质量检测以及医学心电图的分析识别等。高性能计算技术不断进步，图像识别功能也随之增强，其应用领域广泛，发展潜力巨大。
遥感技术领域，近年来开始采用深度学习技术来辅助场景解析、地物目标探测以及土地覆盖类型的划分等工作。研究者们通过建立海量的样本数据集来训练深度学习模型，从而显著提升了遥感图像中特征提取的效率。然而，智能遥感解析系统的实际应用和商业化水平，相较于人脸识别、指纹识别等常见图像解析技术，仍存在较大差距。遥感影像的解读工作包括场景辨识、目标探测、地物归类、变化监测以及三维重构等多个层面的任务。在提取区域或全球尺度的大范围地物信息时，必须依赖多种来源的遥感数据，包括不同类型的传感器、不同时间点的数据以及不同尺度的信息。然而，目前所建立的样本库在处理多源异构遥感影像时存在困难，主要问题可以概括为以下五个方面：首先，不同样本库采用了不同的分类体系，这使得基于这些样本库训练出的深度学习模型难以共享样本集，进而导致在处理样本库覆盖范围之外的数据时出现分类误差；其次，预设的样本种类难以全面涵盖区域或全球地表环境的多样性，当遇到新的类别时，模型的解读系统无法灵活扩展，从而引发误判；再者，样本在空间上的分布未能充分体现不同区域的地理环境特点，导致模型对局部地区的特征过度拟合，进而削弱了深度学习模型在大范围应用时的泛化能力；此外，现有的样本库大多模仿了ImageNet的模式构建，对遥感影像的多尺度、多传感器、多时相特性反映不足，且多数样本库缺乏地理位置和时间属性，这削弱了模型的稳健性；最后，现有的样本大多是分别针对场景、目标和像素构建的，尚未形成涵盖场景-目标-像素的综合样本集。
构建一个庞大且多样化的遥感影像样本资源库是进行大规模不同结构遥感影像高精度智能识别的根本。此库需遵循统一的分类标准，包含分布均匀的多尺度、多源传感器和多时相的遥感影像。它还需具备样本种类和类别可动态扩充以及样本自动优化的功能，同时还要满足对场景、目标、像素等不同级别进行精确解读的需求。本文针对多源异构遥感影像地物信息智能解译的迫切需求，在深入剖析现有样本集现状及其存在的问题之后，提出了一个遥感影像智能解译样本库的建设方案（如图1所示）。整体技术流程涵盖了标准编制、技术方案规划、项目执行、应用服务等多个关键步骤，特别是技术方案规划阶段，它包括样本理念模型构建、样本类别模型构建、样本结构模型构建以及样本收集策略设计；而在项目执行阶段，则主要涉及样本库的建立、样本的协同收集以及共享服务平台的开发。样本分类与编码的标准是在对样本概念及其分类模型进行深入研究的基础上确立的，这一标准旨在全面指导样本的采集、管理、共享和应用等各个环节。本研究提出的方法，旨在为多源遥感影像样本库的构建提供有益的参考，并助力于大范围遥感影像的智能化解读。
图1 遥感影像样本库设计与建设技术流程
遥感深度学习样本集建设现状
遥感影像的解读涵盖了场景辨识、目标探测、地物归类、变化监控以及三维建模等多个层面的工作。这些任务均能依托多样化的影像资料（如不同类型的传感器、不同时间点的数据、不同分辨率的图像）来完成。为了确保解读的准确性，面向智能解读的样本库必须全面展现这种多源数据的特性。目前，已经收集了大量的遥感图像解析样本数据集，但总体而言，这些样本集面临分类标准不一致、解析样本数量有限、种类不够丰富、图像来源单一以及图像尺寸固定等问题，这些问题已经对大范围、多源、异构遥感图像的解析效率和品质产生了严重影响。
常用公开遥感解译样本数据集
当前，用于遥感解译的样本数据各有侧重，旨在满足各类解译任务的需求，涵盖了诸如场景分类、地物目标检测、地物要素分类以及变化检测等多种类型。具体来说，这些样本数据集包括但不限于公开的常用场景分类、目标检测、地物要素分类和变化检测等几类数据集。表 1 详细列出了这些数据集的具体内容和关键指标。
表1 部分常用公开样本集
请注意：以下任务属于场景分类；针对目标进行检测；进行地物分类；以及实施变化监测。
表1显示，此类样本主要涉及场景分类与目标提取，而在地物目标检测（像素分割）以及变化检测方面，样本数量相对较少，不足以支撑多级信息的解读。特别是场景分类样本数量占据多数kaiyun全站网页版登录，在遥感信息解译过程中，常被用作后续目标检测和地物分类任务的解译模型初始化及训练数据。然而，这些场景样本大多基于RGB影像，导致难以满足包含更多光谱信息的遥感模型训练需求。场景样本的尺寸普遍偏小，这导致解译模型在强调地物局部特征的同时，难以捕捉到更大范围场景的特点。目标识别样本的标注方法因不同数据集中目标类别的差异而有所区别，存在着标注方法不统一、类别划分不一致的问题。在应用过程中，若要实现跨数据集的共享使用，就必须对类别进行综合处理。地物要素分类样本数量有限，这是因为标注费用高昂且分类体系尚未统一。目前，样本中缺乏多光谱、高光谱、红外、SAR、激光雷达以及多视角等多种类型传感器的数据，这限制了大规模多源影像的解译。在变化检测方面，样本数量尤为稀少，而且大多数样本仅针对单一地物的变化进行标注，未能充分考虑现实情况中多种地物组合变化的可能性，因此也不适用于实际业务应用。此外，样本集样本数量相对稳定，在深度学习模型训练中仅使用有限规模的样本块，这会限制解译模型感知视野的广度，从而不利于大规模遥感影像信息的提取。
为了适应对大规模样本库的多样化需求，应当构建以各类任务为导向的遥感影像解读样本数据模型，该模型不仅能够满足各个任务独立应用的需求，还能确保不同任务或不同传感器之间的数据能够高效地进行组织和索引。
样本分类
目前，多数遥感影像智能解译的样本集均针对特定的应用场景与解译目标进行构建，而这些样本集在分类体系上各不相同。
地表覆盖分类主要依据的是联合国粮农组织（Food and Agriculture Organization of the United Nations, FAO）所制定的《地表覆盖分类体系》（Land Cover Classification System, LCCS），这一体系根据地表覆盖的属性组合来划分类别，同时具备较高的灵活性和扩展能力。美国地质调查局发布的《遥感数据土地利用与土地覆盖分类体系》、我国制定的《地理国情监测内容与指标》(CH/T 9029—2019)、《中国全球测图地表覆盖产品分类(30 m、10 m)》等标准，均借鉴了LCCS分类方法。国际标准化组织依照FAO的LCCS制定了两个国际标准，分别是《地理信息分类系统-第1部分：分类系统结构》（ISO 19144—1）和《地理信息分类系统-第2部分：土地覆盖元语言》（LCML，ISO 19144—2）。我国采用等效采纳标准的方式，将ISO 19144—1翻译并纳入为国家标准《地理信息分类系统》（GB/T 30322）。某些数据集在进行分类时，借鉴了《土地利用现状分类》（GB/T 21010—2017）以及《地理信息兴趣点分类与编码》（GB/T 35648—2017）等多项国家标准。
这些样本集在样本类别的界定（如命名、语义）、层级划分以及相互间的兼容性等方面存在显著差异，导致其开放性和可扩展性受限，进而使得样本集的共享与综合应用变得困难。
样本采集方法
常见的样本标记软件包括LabelMe和LabelImg等，这些工具适用于对小型全色或RGB图像进行目标识别或场景分类的样本标记。在处理大型遥感图像时，必须先将图像分割成小块，而且它们不支持变化监测、像素级分割等样本的标记，也不支持制作多光谱、多角度等类型的样本。某些地理信息系统，例如ArcGIS和QGIS，具备对多光谱图像进行标注的功能，然而，它们输出的标签通常是矢量格式，因此在使用深度学习模型之前，必须先将这些标签的格式进行转换。像素级影像分割的样本标注通常借助专门的软件（例如ENVI、ERDAS）进行，这主要通过人工或半自动的方式进行。人工标注又分为专业人员和众包两种，前者虽然标注质量上乘，但效率相对较低；而后者虽然效率较高，但标注质量却参差不齐。像ImageNet这样的项目，则是在众包标注完成后，再由专业人员对标注结果进行审核。
各类地物实体在各个地理环境中的分布存在不均衡现象，比如在东南亚地区水资源充沛，而中亚地区则以草原和荒漠为主。在采样过程中，务必考虑到地理环境对要素分类空间分布所产生的影响，确保每个地理空间区域内都有充足的不同类别和数量的样本，这样才能确保解译结果的准确性。目前所用的样本集，尤其是用于地物分类的样本，普遍依赖局部区域内的少量影像资料来构建。这种样本在类型和数量上的空间分布并不均衡，进而引发了机器学习模型在分类过程中的错误判断。
总体而言，迫切需要探讨针对不同地貌景观类型样本的分布研究策略，同时开发专用的遥感影像样本搜集设备，从而提高样本采集的质与效。
样本数据管理与共享服务
目前，遥感影像样本集多由遥感领域的研究者或学术机构编制而成，这些数据文件一般保存在局域网服务器上，或者存储在诸如GitHub等公共资源平台，亦或是百度云、Google Drive等云存储服务中。这些平台会提供下载链接，供获得相应授权的用户下载并使用。集成多个样本集的用户需分别从不同渠道获取相关数据，而这些数据集的分类及定义存在差异，导致用户必须投入大量精力进行整合。这种现象不仅影响了工作效率，还可能在一定程度上削弱了训练模型的泛化性能。尽管众多目标检测数据集中都包含了“飞机”这一类别，然而这些样本的图像清晰度、采集的时节以及采集的地点各不相同，因此，基于这些样本所训练出的模型在解读结果上可能会受到影响。
因此，迫切需要构建一个遥感信息解读样本平台，以便对各类传感器、不同时期、不同尺寸的遥感样本数据进行综合管理、持续更新以及网络化服务，从而有效应对全球或区域范围内样本数据的整合与交流难题。
任务驱动的遥感影像智能解译样本库设计
通过前文的分析，我们可以明确，构建一个能够有效支持广泛范围、多源、异构遥感影像智能解析的样本库，必须攻克以下几项核心技术：一是基于“任务导向”的遥感影像解析样本模型；二是构建一个统一且可扩展的遥感解析样本分类架构；三是实现一种能够支持全局数据关联的组织与索引方法。样本模型需包含多种传感器类型、不同时相及不同尺度的遥感图像，分类体系需具备样本类型及类别动态扩充的能力，同时数据组织与索引设计需满足跨区域和跨类别快速检索索引的需求。
面向任务的样本模型
本研究聚焦于场景识别、物体定位、地表物体分类、变化监测以及三维模型构建等多种解译工作，并据此确立了各类样本的具体类型，例如：
场景分类样本涉及计算机视觉中的图像分类任务，旨在为航空或航天遥感影像自动赋予特定的语义类别标签，以促进对机场、码头、立交桥等场景与目标的快速查找。这一过程是高分辨率遥感影像理解的基础环节，近年来在遥感领域的研究中备受关注，成为热点话题。场景数据涵盖了局部或区域性的影像资料，同时还包括了与之相对应的分类性文本标签。
目标检测涉及对图像中的多个特定物体（诸如建筑物、车辆、飞机等）进行定位，同时对这些物体的类别进行识别和预测。这一过程涉及目标图像、目标位置的坐标框数据以及目标分类的详细信息。鉴于遥感图像中包含的物体种类繁多，解译模型在区分或确定某些样本中较为细分的物体类别时，有时会遇到困难。因此，我们必须全面考量目标地物的地理位置、观测时间、地表形态、地块布局特征，以及其在影像资料中呈现的斑块尺寸等因素，有时还需附上示例图片以供进一步阐释。
地物分类样本，通过遥感影像的语义分割技术，旨在将遥感影像中的各个像素点与事先设定的地表覆盖类型进行对应。这种技术涉及影像数据本身，以及与之相对应的逐像素分类的栅格分类信息数据。
用于检测变化情况的样本，旨在确定并区分同一地点在不同时间点的变化细节。这要求获取前后两个不同时间段的影像资料，并依据一个统一的分类体系对标签影像的图斑属性进行详细标注。同时，针对每一种变化类型，必须制定出恰当的判断标准和规范要求，并在需要时提供相应的示例以供参考。
该样本集为立体多视类型，主要由密集匹配数据集构成，旨在利用多视角遥感影像来构建三维地表模型。其原始数据涵盖了多视影像，以及相应的相机内外方位参数、影像覆盖区域的地面真实值参考数据（主要指激光点云或高等级三维地表模型）。借助自动配准技术，将影像与高程数据精确匹配，进而生成样本数据。
图2展示了样本类型的逻辑模型。遥感影像解译样本由地物（像素分割）样本、目标样本和场景样本三者组成。地物样本具体分为平面影像产生的平面样本和立体多视影像产生的立体多视样本。平面样本进一步细分为单时相样本和变化检测样本。在逻辑上，目标由像素构成，场景由目标构成，然而这三种样本的采集过程是各自独立进行的。同一地点能够收集到多种任务所需的样本，这些样本能够根据它们所处的具体位置进行匹配，而且，不同种类的任务还可以整合来自不同传感器的数据。
图2 样本类型逻辑模型
统一可扩展样本分类体系
鉴于区域或全球范围内地物信息的繁复与多变，难以预先设定全面的样本类型，因此遥感影像智能解译样本的归类需采用开放式的框架，并确保其具备扩展性。为了克服由于样本库中现有类型不全面导致的解译模型认知局限性问题，本研究探讨了能够支持新类别灵活拓展的分类体系（如图3所示）。本项目的核心在于依照《地理信息分类系统》这一国家标准的规范，搭建起一个全面的分类体系结构，随后，再依据前文所阐述的特定任务类别对其进行进一步的拓宽与深化。
图3 样本分类框架
《地理信息分类系统》（GB/T 30322，与ISO19144—1《地理信息—分类系统—第1部分：分类系统结构》标准等效）的框架结构分为两个级别，首先，在第一级别中，它运用二分法来界定主要的地表覆盖类型；其次，在第二级别中，它通过模块化的层级结构，为每个类别分配环境属性和技术属性，并借助这些属性的多样组合来确立子类。依据模块的层级属性，能够构建出便于检索的分类属性表格。每个属性都配备有反映类别层次和层级间从属关系的标识编码，便于检索使用。通过扩充层次模块的属性定义，能够灵活地拓展新类别的定义，并且允许用户创建特定任务的分类实例。
在上述基础上，针对目标识别任务中涉及到的动态目标和静态目标（详见表2），对“人造地表和相关区域”的第一级和第二级进行了范围扩充，进而构建了完整的分类体系。这一分类体系的具体每个任务分类体系云开·全站体育app登录，都是该完整分类体系的一个具体实例。
表2 场景样本分类实例
本框架能够支持各类样本的分类：
地表覆盖地物样本的类别划分实例。此分类方法能够包括目前所有的地表覆盖类型，并且能够实现现有各类像素样本的分类与本文提出的分类体系之间的类别对应和转换。以《地理国情普查内容与指标》（第一次全国地理国情普查，GDPJ 01—2013）为例，其中对阔叶林的界定为：主要由双子叶乔木树种构成的森林，其总面积占比超过65%。存在两种主要类型：一种是冬季会落叶的落叶阔叶林，亦称作夏绿林；另一种则是全年常绿的常绿阔叶林，亦被称为照叶林。在这两种类型中，“树林”这一概念与附录表1属性表中的A12（自然植被区域）和A3（树木）相对应；而“占65%以上”这一比例则与A10（60~70%）相对应；“阔叶”这一特征则与D1（阔叶）相对应；“常绿”这一属性则与E1（常绿）相对应；至于“冬季落叶”这一特性，则与E2（每年落叶）相对应。因此，在地理国情分类体系内，“阔叶林”这一类别可以被对应为“A12、A3、A10、D1、E1以及E2”等分类代码。
场景样本分类的具体实例如下。该分类选取了先前提到的分类体系的一部分，具体可参照表2中的内容。在综合考量了现有开源样本数据集中的分类类别之后，该分类体系包括9个一级类别，23个二级类别以及119个三级类别。
目标识别样本的分类实例涉及从上述分类体系中选取子集，具体可参照表3进行说明。表3汇总了多个开源样本数据集中不同分类场景的样本分类，其中包含两个主要类别，十个次级类别，以及多达109个三级类别。
表3 目标样本分类实例
支持全局关联的数据组织与索引
遥感影像的智能解读通常涉及多个任务的相互关联，针对特定地物，常常需要运用多种类型的样本，或者通过某一类样本来完成多个不同的任务。鉴于此，本研究提出了一种基于数据集的遥感影像解读样本数据组织模型（如图4所示），旨在实现支持全面关联的样本组织和索引。
图 4 样本数据组织模型
本模型所采用的数据集涵盖了像素分割、目标识别、场景分析、变化监测以及多视角等多个领域的样本数据，且每个数据集都配备了详尽的元数据。这些数据集由特定类别的样本实例构成kaiyun.ccm，每个实例通过样本表进行详细描述，并为每个样本分配了独一无二的标识码，以便于对样本进行全流程的管理和追踪。
样本表详细记录了样本的各类基础信息，诸如像素分割样本表中涵盖了样本的唯一标识编码、样本所属的数据集、样本的具体尺寸、样本所处的区域、样本的拍摄日期、样本的标注详情（包括质量、采集者、标注日期等）、影像资料的存储路径、影像资料的类型，还有影像的通道数量、影像的分辨率、使用的传感器以及样本的具体用途（如训练、验证、测试等）。目标样本涵盖了目标的标识数据，而变化检测样本则包含了不同时间段的影像资料，立体多视样本则加入了深度数据等。针对不同的解读需求，我们可以将这些特征要素进行有效融合，进而实现多维度语义的搜索以及数据层面的分析。
数据集的元信息、样本的详细数据以及样本的类别信息等均被保存在关系型数据库内，而数据实体则以文件形式存放在文件系统中。在此基础上，我们针对数据集、场景样本、目标样本、地物分类样本、变化检测样本和立体多视样本等，确立了各自的属性结构，并对分类总表以及不同类别样本的分类表也定义了相应的属性结构。表4和表5分别展示了数据集属性表和场景样本属性表的结构示例。
表4 数据集属性表
基于网络互操作的样本采集与共享服务
构建遥感影像智能解译样本库是一项持续性的任务，需充分利用现有的各类样本数据集，对这些数据进行归一化整合，并纳入样本库。同时，还需构建一个能够支持样本持续扩展和精细化的工作机制以及相应的支撑平台。鉴于此，本文提出了一个多源异构样本整合的技术路径，并设计了面向互联网用户的众包样本标注与共享服务平台架构。
已有样本归一化整合
图5展示了样本整合处理的技术流程。首先，我们必须将现有样本的类别与本研究提出的分类体系进行语义对应；接着，按照本项目的统一编码规范和数据库架构进行数据转换，并基于多维度查询的语义构建样本索引；最终，将样本集的元数据信息，诸如版权信息等，存入相应的元数据表中，以便于样本质量的追踪和权属的确认。
图5 多源样本数据整合技术流程
众包样本采集
样本库的构建离不开样本标注这一核心环节。为了应对全球或区域层面广泛样本数据的收集难题，本研究提出了一种依托网络互操作技术的样本采集平台。该平台能够实现样本的众包式协同收集与标注、在线质量检验以及功能的持续拓展。遥感解译样本的判读与标注环节，依赖于地学领域的专业知识，因此现阶段样本的收集主要依赖专业人员进行手工采集。这种方式不仅效率低下，成本高昂，而且由于标注人员专业认知的差异性，导致样本标注质量参差不齐。为了提升样本采集的效率和质量，本研究提出了一种结合自动和半自动标注的方法。采用已有样本数据对深度学习模型进行训练以实现自动解码，随后对解码效果进行精确度评定，并通过人机协作进行修正和优化。借助影像交互分割等算法，大幅提高了解码效率。同时，通过合理分配不同级别的专业人员执行在线审核工作，最终将符合标准的样本补充到样本库中。具体的技术流程图可参考图6。
图 6 自动/半自动结合标注
样本共享服务平台
为应对大规模样本共享服务的挑战，本研究提出了一个依托遥感解译样本的开源共享平台，该平台能够实现多维度语义查询、统计分析以及数据共享服务。图7展示了该遥感影像样本共享服务平台的整体架构，它涵盖了基础设施层、数据存储层、数据服务层以及应用层。在基础设施层中，包含了分布式存储阵列、GPU集群、文件系统、数据库系统以及网络环境等组成部分。依托分布式弹性大规模存储阵列，确保全球范围内海量遥感影像样本集实现高效率的吞吐量及可扩展性管理；同时，借助GPU集群，满足深度学习模型计算需求及在线多并发访问的快速响应。数据存储层具备多尺度、多类型样本数据的存储、扩展、维护以及版权保护功能。服务层能够实现遥感影像样本的多维语义查询，并能进行样本数据的发布服务，同时对外界提供具备互操作功能的数据访问接口。应用层支持用户自由注册，并依据版权规定执行权限控制。在此功能之上，它还提供了样本信息的录入、验证、多维度语义查询、数据提取以及可视化等服务。此外，依托时空数据关联分析、样本综合统计分析和知识挖掘等模型，应用层还能为用户实现样本的在线分析和应用。
图7 遥感影像样本共享服务平台总体框架
结论
本研究聚焦于应对大规模遥感智能解译的需求，对现有样本数据集的现状进行了详尽分析，并指出了其中存在的诸多问题，进而提出了一种基于任务驱动的遥感解译样本库设计方案。本文根据所提出的方案，对已收集的73个开源样本数据集进行了标准化处理和映射转换，成功建立了包含256万个样本的数据库。该数据库涵盖了场景分类、目标识别、单一/多因素分类、变化监测以及三维多视角重建等多种遥感智能解译任务。同时，它还包含了多种遥感影像传感器类型，如多光谱、高光谱、合成孔径雷达（SAR）以及三维多视角影像。
在前期工作的基础上，我们成功构建了遥感样本的在线采集与共享平台，并初步实现了网络协同样本采集以及样本查询等各项功能。
接下来，我们将持续扩大样本库规模，同时加速推进样本采集与共享服务平台的构建，以支持全球范围内的众包样本搜集。此外，我们将实现样本的在线验证与录入、多维度语义查询以及统计分析等功能，从而为利用机器学习技术进行遥感影像智能解读提供坚实的保障。
