人工智能是新一轮科技革命和产业革命的重要驱动力，深度学习已成为其中最具影响力的关键性技术。深度学习技术在视觉、语音和自然语言处理等领域取得突破性进展，在催生了新兴的智能化产业的同时，更加速了传统行业的智能化转型。

摄影测量与遥感技术是获取地球空间信息的重要手段。将遥感技术与人工智能技术的结合，利用人工智能赋能遥感技术, 将大幅缩短遥感影像解译的周期, 提高解译的精准度, 同时极大提升遥感数据的自动化处理与分析能力。特别是地物分类，作为遥感影像解译的基础性工作，快速准确提取地表覆盖分类信息对于各项实际应用有着重大的意义。

遥感地表覆盖分类采用计算机视觉的语义分割算法，本质就是让计算机根据图像中每个像素所属的兴趣对象来分配类别ID。地表覆盖分类生产主要类别一般包括耕地、林地、草地、水体、裸地、人造地表等，该成果可为生态环境变化研究、土地资源管理和可持续发展等提供可靠的基础数据支撑。

下面以武汉大学季顺平课题组整理提供的建筑物测试数据集“WHU Building Dataset - Satellite dataset Ⅱ (East Asia)”为例，简要介绍基于RS Matrix 遥感影像智能解译平台的地物分类功能的实现。

Satellite dataset Ⅱ (East Asia)数据集由6个相邻卫星图像组成，覆盖东亚860平方公里，地面分辨率为0.45 m。该测试区域主要用于评估和开发深度学习方法对不同数据源的泛化能力，在同一地理区域内具有相似的建筑风格。

矢量建筑图斑在 ArcGIS中手动描绘，包含 34,085 座建筑物。其中25,749栋为训练集（如下图所示），其余8,336栋为验证集。

RS Matrix 遥感影像智能解译平台地物分类模块样本分析支持影像大图直接输入（常见如TIF、IMG格式等均支持），因此Satellite dataset Ⅱ (East Asia)数据集可以直接导入平台进行操作，不需要借助其他工具将其裁切为小图块数据形式。

按照平台提示，设置好数据加载路径及相关操作后即可提交任务。RS Matrix 支持按属性信息进行类别的合并映射配置，既支持单类别的提取也支持多要素的提取，用户可以更为灵活地训练提取目标地物类型，满足项目定制化需求。

任务提交后，系统会自动进行样本分析，并输出样本分析的可视化结果，为下一步模型训练提供参考。

高质量的样本是模型训练成功的关键，样本分析通过后，即可提交模型训练任务，只需在新建模型训练中选择上一步分析合格的样本库即可。模型训练成功后，可在训练分析中查看模型训练过程中的评价指标结果（如像素准确率、平均精准率等），以对该模型识别效果有一个初步的判断，同时也为后期模型调优提供了参考。

模型训练完成后即可开启影像解译工作，对比测试分别输入训练集影像及验证集影像，选择上述训练模型，解译并下载结果导入 ArcGIS 进行分析处理。解译效果如下图所示：

叠加套合人工标注结果，定性分析判断提取效果，基本可以准确识别目标地物，而且可以较好的解译出不同色差下的建筑物，如下图所示：

定量分析方面，分别统计训练集与验证集的建筑物提取效果，效果评价主要采用召回率、准确率两个指标项，对比结果如下：

该模型在验证集取得了良好的效果，由于验证集中部分工业厂房与训练集数据不一致导致漏检，因此召回率稍低，如下图所示，可以通过增加代表性样本的方式予以合理解决。

以资源三号遥感影像（2m分辨率）为影像数据源，分别选取海边城市和内陆城市各一景，识别类别包括耕地、林地、草地、房屋建筑区、水体等地类。  

△ 某海边城市

△ 某海边城市解译结果

△ 某内陆城市

△ 某内陆城市解译结果

AI模型解译与纯人工采集时长对比：

在全球地理信息资源建设工程框架下，以国产资源三号等立体测绘卫星数据为主，基于数字正射影像（DOM）标绘林地、建筑物等降高区域，对数字表面模型（DSM）进行滤波处理得到数字高程模型（DEM）成果。

相比传统作业方式，降高区勾画可提高 80%~90% 的工作效率，整个DEM生产流程可提高 20%-25% 的工作效率；支持按幅超大面积自动处理，减少要素操作与拼接。

△ DEM降高提取整体示例

△ DEM降高区域提取局部放大示例

基于拼接后的大幅面影像，提取水体边界，以辅助生产数字线划图（DLG）。在融合处理影像中分块选取代表性区域进行样本标注，训练区域通用水体提取模型。

约 80% 以上区域边缘精度小于 3 个像素，取得了较高的分类精度，可极大地降低人工绘制工作量。

案例部分主要讲解了基于全球测图项目的实践，RS Matrix 遥感影像智能地物分类在其它行业场景中也有广泛应用。如：农作物种植面积监测、森林资源调查监测、种植大棚提取、自然湖泊&河流岸线监测、光伏用地提取等等。感兴趣的朋友们可联系我们申请试用！