遥感大数据时代下的图像检索意义

美国前副总统阿尔·戈尔(Al Gore)于1998年首次提出“数字地球”的概念，为人们勾勒出一个虚拟地球蓝图。数字地球的提出改变了人们认识地球的传统时空观念，是对真实地球及其相关现象的统一性的数字化重现，提供了人类定量化研究地球、认识地球、科学利用地球的先进工具。数字地球技术用数字化手段管理地球数据，进而支持环境监测、灾害管理、森林预警、农情监测、城市规划等众多领域的实际应用。20世纪中后期，对地观测技术、大规模并行处理器、高宽带网络、基于网络的分布式计算操作系统以及海量空间数据存储和压缩处理技术等，为数字地球和数字城市的建设和发展提供了强有力的硬件和技术支撑。

21世纪以来，随着物联网、云计算、人工智能和5G/6G通信等技术的快速发展以及信息基础设施的构建和完善，全球数据呈指数级增长，数以亿万计的各类传感器获取的数据量级已达PB(petabyte)、EB(exabyte)甚至ZB(zettabyte)级。Nature和Science分别于2008年和2011年出版了专刊Big Data和Dealing With Data探讨对大数据的研究，标志着人类进入全球大数据时代。2012年，美国奥巴马政府正式发布和启动“大数据研究和发展倡议”(big data research and development initiative)，即国家信息基础设施计划(national information infrastructure，NII)，其意义堪比美国政府1993年提出的信息高速公路计划。我国原科技部部长徐冠华院士指出，未来应该在大数据平台、智能信息处理算法和主动服务模式等方面开展创新性研究、拓展科学事业、发展新的方法论，以应对地球观测数据获取能力飞速增长对信息高效、快速服务的重大需求。据统计，2018年全球智能手机用户已达26亿，其中中国智能手机用户总量超过7亿；物联网的提出促使城市拥有了上千万个智能传感器，截至2018年，中国城市已拥有2000多万个视频摄像头，可提供PB和EB级的连续图像。目前，无论是科研机构、政府部门还是商业领域，都已经意识到大数据作为社会经济发展要素和战略资产的重大意义，将其视为挖掘信息和知识的宝藏；而大数据科学作为一个横跨信息科学、社会科学、网络科学、心理学、经济学等诸多领域的新型交叉学科，已经成为各行各业的研究热点[2]。

在遥感和对地观测领域，目前人类对地球的综合观测能力达到空前水平，特别是21世纪以来，亚米级(0.1～0.5m)空间分辨率遥感卫星纷纷上天，推动各国开启了商业高分辨率遥感卫星的新时代，掀起了全球高分辨率遥感卫星研制新高潮[3]。美国国家航空航天局(national aeronautics and space administration，NASA)宣布斥资1000亿美元发展其空间探测计划；欧洲实施启动了全球环境与安全监测(GMES)计划，法国、意大利和德国等国争先恐后发展了各自的对地观测计划。此外，俄罗斯、加拿大、日本、印度也都在极力发展自己的对地观测计划。在我国，在高分辨率对地观测国家重大专项和空间数据基础设施卫星计划的支持下，国产高分辨率遥感卫星迎来密集发射期，我国相继发射了资源系列、遥感系列和高分系列高分辨卫星，用于满足正常需求和基于特定任务目标需求的快速响应、持续动态监测等数据获取需求。目前，全世界代表性的商业民用卫星包括美国陆地卫星LandSat、IKONOS系列、Quickbird、Worldview系列、GeoEye系列，加拿大RadarSAT系列卫星，法国SPOT系列、Pleiades系列，欧空局ERS、ENVIAT、Sentinel-2A系列，德国RapidEye、TerraSAR-X系列，意大利COSMO-SkyMed系列，俄罗斯Monitor-E1系列和Kondor卫星等，日本ALOS系列，中国的资源系列卫星、环境系列卫星、“天绘”卫星、“实践”9号、高景一号、高分系列卫星等。对地观测卫星的空间分辨率、光谱分辨率、时间分辨率不断提高，全天时、全天候、全方位对地精细化观测能力不断增强，可获取的遥感数据呈现多元化、海量化、现势化趋势，标志着目前人类已经进入遥感大数据时代[2]。天地一体化的遥感观测能力与智能计算技术的突飞猛进，无疑为遥感技术的进步、发展和改革提供了难得的机遇，为从数字地球发展到智慧地球提供了坚实的数据、平台和技术支撑。近十年，全世界越来越多的国家已开始建设智慧地球和智慧城市。

一方面，遥感大数据为各类重大应用需求提供了更丰富的数据源，人们对提取和挖掘隐藏在遥感大数据背后的各种信息和知识并服务于各个领域(如城市精细化管理、灾害响应、反恐预警等)提出了更高的要求；然而，另一方面，目前对于海量遥感数据的有效组织、管理、浏览、查询、检索的能力，却仍旧远远滞后于遥感图像数据本身增长的速度，传统的数据处理方法难以满足遥感大数据处理和分析的高时效性需求[4]。日益增长的应用需求与发展相对滞后的技术之间的矛盾，造成了遥感大数据面临“大数据、小知识”的应用瓶颈。此外，由于大量堆积的数据得不到有效利用，海量数据长期占用有限存储空间，造成了“数据灾难”问题。如何基于对地球观测信息的理解和应用需求，构建适用于遥感大数据的模型、方法与系统工具，提升大数据处理的时效性与智能化水平，实现海量多源异构遥感大数据的智能信息提取与知识挖掘，从而驱动决策支持的智能化，已成为大数据时代遥感和对地观测领域面临的刻不容缓的严峻课题。(www.xing528.com)

大数据和硬件技术革命给机器学习特别是深度学习，带来了前所未有的发展机遇。虽然深度学习的名词兴起时间不长，但是它所基于的神经网络模型和数据驱动的核心思想由来已久。从感知器到神经网络的发展再到深度学习的萌芽，深度学习的发展过程可谓一波三折。直到2006年，Geoffrey Hinton提出“深度置信网”(deep belief net，DBN)，神经网络的应用取得突破性发展，才重新点燃人工智能领域对于神经网络的研究热情，改变了统计机器学习占据主导地位的局势，并由此掀起深度学习的研究热潮。2012年，Krizhevsky等人构建了第一个具有现代意义的卷积神经网络AlexNet，充分证实了深度学习在处理大数据方面的优势。之后深度学习网络不断完善，各种网络模型层出不穷，在图像识别和信息提取方面取得了历史性突破。相对于简单学习或浅层模型而言，深度学习通过深层的神经网络结构，逐级表示越来越抽象的概念或模式，展示了强大的特征学习能力，而且具有较好的泛化能力。

在遥感领域，在深度学习算法兴起之前，已有很多遥感数据智能处理方面的研究。20世纪90年代占据主流地位的机器学习算法包括支持向量机(support vector machine，SVM)和集成学习方法(如Boosting、随机森林等)等。深度学习在计算机视觉领域的成功，也极大地推动了其在遥感领域的发展。2014年以来，深度学习在遥感图像场景分类、目标检测、语义分割及检索等方面都得到了较为深入的研究和应用。然而，遥感大数据具有体量巨大(volume)、种类繁多(variety)、动态多变(velocity)、冗余模糊(veracity)、高价值(value)的5V特性[2]，遥感图像呈现出明显的尺度依赖、噪声干扰严重、地物种类繁多、场景复杂、同物异谱及异物同谱等现象，而且缺乏大量带标签的样本数据，使得适用于自然图像数据集的网络模型直接迁移到遥感领域时存在局限性，需要研究针对遥感大数据信息挖掘特性的深度神经网络模型和方法。

总之，遥感大数据时代的到来不仅促进了遥感数据处理和分析方法的快速发展，也改变了人们利用遥感数据认知世界的方式，数据模型驱动、大数据智能分析和知识挖掘成为遥感大数据时代的标志和特征，这是对现有遥感应用模式的一场深刻变革[8]。大数据时代的遥感数据检索任务，正是在高效组织和管理海量遥感大数据的基础上，利用人工智能的理论和技术，智能、准确、高效地检索出符合用户需求和感兴趣的信息，实现从数据到知识的转化，提高全天时、全天候、全方位的对地精细化观测水平下遥感大数据的利用效率，以期在可预期的未来，提高空间信息网络系统的智能化水平、感知认知能力和应急响应能力，实现智能化空天信息的实时服务[3]。基于遥感大数据的智能检索，已经成为“智慧地球”建设中解决信息智能提取和知识挖掘难题的关键技术。对遥感图像智能检索技术的研究，既丰富了“大数据科学”的内涵，又可以有效破解遥感对地观测所面临的“大数据，小知识”困局，具有十分重要的科学价值和现实意义。