文 | 盧凱旋 昝露洋 李慶亭 陳正超 張兵中國科學(xué)院空天信息創(chuàng)新研究院

關(guān)鍵字：遙感大數(shù)據(jù)；人工智能；災(zāi)害監(jiān)測；應(yīng)急管理

一、引言

隨著全球氣候變化趨勢的加劇，世界范圍內(nèi)自然災(zāi)害發(fā)生的頻度、強度和造成的損失呈現(xiàn)出不斷增加的趨勢[1-4]。我國是世界上自然災(zāi)害最為嚴(yán)重的國家之一，災(zāi)害種類多，分布地域廣，發(fā)生頻率高，造成損失重[1-3]，給人們的生命財產(chǎn)安全及社會經(jīng)濟正常發(fā)展帶來巨大威脅[5-6]。衛(wèi)星遙感技術(shù)憑借其觀測范圍廣、探測手段多樣、多尺度動態(tài)連續(xù)監(jiān)測能力強等優(yōu)勢，在重特大災(zāi)害監(jiān)測、災(zāi)情評估以及災(zāi)后恢復(fù)重建等過程中發(fā)揮了重要作用，是防災(zāi)、減災(zāi)、救災(zāi)重要的技術(shù)支撐手段之一[3,5-6]。

多維、多尺度、多平臺的衛(wèi)星遙感綜合觀測空間信息網(wǎng)絡(luò)為人類提供了無處不在的多層次、多角度、多譜段、多維度、多時相的遙感觀測數(shù)據(jù)，提升了人類對地球的觀測能力和認(rèn)知，提高了不同災(zāi)害類型的目標(biāo)要素識別監(jiān)測頻率和時效性[3,4,7]。其中，以環(huán)境減災(zāi)衛(wèi)星、高分一號為代表的對地觀測衛(wèi)星可提供大尺度、大范圍、中分辨率的遙感數(shù)據(jù)，通過多星組網(wǎng)，時間分辨率可達 1 天重訪，而靜止軌道高分四號衛(wèi)星甚至能實現(xiàn)分鐘級的重訪觀測成像。災(zāi)害遙感監(jiān)測業(yè)務(wù)體系逐漸形成，災(zāi)害監(jiān)測和應(yīng)急管理迎來遙感大數(shù)據(jù)獲取時代[8,9]。地震、洪澇、森林火災(zāi)、臺風(fēng)等自然災(zāi)害發(fā)生時，建筑物倒塌、基礎(chǔ)設(shè)施毀壞、交通要道以及通訊中斷等情況使得常規(guī)手段很難獲取災(zāi)情信息，從而影響災(zāi)后評估和救援工作[10-11]。目前的應(yīng)急處理方法是災(zāi)害發(fā)生后通過地面調(diào)查、歷史數(shù)據(jù)分析以及遙感衛(wèi)星影像解譯等手段，綜合監(jiān)測分析災(zāi)情的發(fā)展變化。由于災(zāi)情分析工作主要由人工主導(dǎo)，導(dǎo)致災(zāi)情信息反饋頻率低、速度慢、精度差，無法做到實時追蹤災(zāi)情的發(fā)展變化。傳統(tǒng)的應(yīng)急手段難以滿足應(yīng)急管理目標(biāo)要素高效率和高精度監(jiān)測的業(yè)務(wù)需求[3]。加強遙感數(shù)據(jù)在任務(wù)觀測、數(shù)據(jù)融合、信息挖掘等方面的協(xié)同應(yīng)用，依托大數(shù)據(jù)、人工智能等分析手段，構(gòu)建基于高頻次海量觀測數(shù)據(jù)的信息挖掘技術(shù)，成為遙感大數(shù)據(jù)應(yīng)用的必然要求[12-14]，以機器學(xué)習(xí)為主的智能化信息提取方法應(yīng)運而生[15]。

二、遙感大數(shù)據(jù)的信息智能提取

遙感大數(shù)據(jù)時代的信息提取和知識發(fā)現(xiàn)是以數(shù)據(jù)模型為驅(qū)動，其本質(zhì)是以大樣本為基礎(chǔ)，通過人工智能技術(shù)自動學(xué)習(xí)地物對象的遙感化本征參數(shù)特征，進而實現(xiàn)對信息的智能化提取和知識挖掘[13]。人工智能技術(shù)通過非線性數(shù)學(xué)模型對輸入的原始數(shù)據(jù)特征進行抽象表達，和傳統(tǒng)的信息提取方法不同，它不需要依賴手工特征，而是自動學(xué)習(xí)對象的特征，保證了信息準(zhǔn)確且高效的提取[15-16]。面向應(yīng)急管理需求，利用遙感大數(shù)據(jù)技術(shù)和人工智能技術(shù)等手段進行減災(zāi)應(yīng)急，使得數(shù)據(jù)時效性更高、信息提取精度更高、時間開銷更少，更好地滿足災(zāi)害監(jiān)測和災(zāi)情評估的要求。遙感大數(shù)據(jù)技術(shù)和人工智能技術(shù)在減災(zāi)應(yīng)急方面有著傳統(tǒng)方法不可比擬的優(yōu)勢，也將發(fā)展成為未來災(zāi)害監(jiān)測與損失評估的關(guān)鍵支撐技術(shù)[15]。目前深度學(xué)習(xí)與遙感信息科學(xué)的結(jié)合，主要集中在圍繞圖像分類、目標(biāo)識別等領(lǐng)域，特別是在高空間分辨率遙感圖像場景下的目標(biāo)識別以及高光譜分辨率圖像中的地物分類應(yīng)用，取得了突破性的進展[15-16]。

針對災(zāi)害應(yīng)急監(jiān)測和管理典型目標(biāo)要素高效高精度實時監(jiān)測的需求和目標(biāo)要素遙感圖像特征復(fù)雜、尺度不一、背景多樣的特點，基于遙感大數(shù)據(jù)和人工智能技術(shù)，構(gòu)建了針對應(yīng)急管理典型目標(biāo)要素的深度學(xué)習(xí)網(wǎng)絡(luò)模型，開發(fā)了基于遙感大數(shù)據(jù)和人工智能的信息提取系統(tǒng)，實現(xiàn)了目標(biāo)要素地理空間信息的快速準(zhǔn)確監(jiān)測，可為災(zāi)害應(yīng)急指揮和應(yīng)急決策提供數(shù)據(jù)信息保障和支持，對遙感技術(shù)在應(yīng)急監(jiān)測和管理領(lǐng)域的深入應(yīng)用具有極大推進作用。

三、災(zāi)害要素智能提取方法

基于典型災(zāi)害事故的應(yīng)急管理需求，確定主要的應(yīng)急目標(biāo)要素體系，結(jié)合應(yīng)急目標(biāo)要素遙感圖像特征的復(fù)雜性和獨特性，構(gòu)建基于先驗知識約束下的人工智能深度學(xué)習(xí)網(wǎng)絡(luò)模型，建立了針對性的災(zāi)害要素遙感大數(shù)據(jù)人工智能提取方法。

1. 災(zāi)害要素目標(biāo)分析

災(zāi)害的監(jiān)測主要包含災(zāi)害事故監(jiān)測、災(zāi)害風(fēng)險評估、應(yīng)急監(jiān)測、損失評估、災(zāi)后恢復(fù)重建等[3,6]。災(zāi)害事故要素監(jiān)測，需要提取和分析植被、水體、積雪、礦山、尾礦庫、?；返葹?zāi)害系統(tǒng)重要要素的空間分布及其變化等信息。災(zāi)害風(fēng)險評估，需要重點針對洪澇、臺風(fēng)、干旱、滑坡等災(zāi)害，提供災(zāi)害風(fēng)險要素的分布和狀態(tài)。應(yīng)急監(jiān)測中，需要針對突發(fā)性災(zāi)害，獲取洪澇、地質(zhì)、森林草原火災(zāi)等災(zāi)害范圍及其發(fā)展演變情況。在損失評估中，需要利用高分辨率遙感影像對受災(zāi)范圍內(nèi)房屋、道路等毀損實物的數(shù)量和程度進行分析和評估。在災(zāi)后恢復(fù)重建中，需要對房屋規(guī)劃重建進度、道路修復(fù)進展和生態(tài)植被恢復(fù)進程等進行定期監(jiān)測。

針對典型災(zāi)害監(jiān)測的需求，本文擬提取的應(yīng)急目標(biāo)要素為居民地、建筑物、道路、耕地、大棚、室外運動場、飛機場、尾礦庫、化工廠、鋼鐵廠、火電廠、水泥廠等，其中居民地、建筑物、道路、耕地、大棚等受災(zāi)對象屬于語義分割對象，室外運動場、飛機場為簡單綜合目標(biāo)對象，尾礦庫、化工廠、鋼鐵廠、火電廠、水泥廠為復(fù)雜綜合目標(biāo)對象。在海量多時相、多空間分布的多源異構(gòu)高分系列衛(wèi)星數(shù)據(jù)支持下，分析遙感圖像、受災(zāi)對象的典型特征，制作監(jiān)測樣本庫，研究基于人工智能方法的先驗知識約束下的深度學(xué)習(xí)網(wǎng)絡(luò)模型，構(gòu)建軟硬件一體化的分布式深度學(xué)習(xí)智能提取系統(tǒng)。

2. 面向目標(biāo)的深度學(xué)習(xí)網(wǎng)絡(luò)模型構(gòu)建

遙感圖像具有大場景成像、地表場景復(fù)雜、尺度效應(yīng)明顯以及空間位置特征突出等特點，這些特點決定了遙感圖像內(nèi)會包含復(fù)雜的多種地物類型，降低了地物識別的準(zhǔn)確率?？紤]到受災(zāi)對象在遙感圖像數(shù)據(jù)中的復(fù)雜性，面向?qū)嶋H應(yīng)急需求，網(wǎng)絡(luò)模型構(gòu)建的總體思路采用分而治之的策略。針對不同的受災(zāi)對象，構(gòu)建基于人工智能方法的先驗知識約束下的深度學(xué)習(xí)網(wǎng)絡(luò)模型，包括面要素的語義分割、點要素的目標(biāo)檢測，具體如下：

針對居民地、建筑物、道路、耕地、大棚等語義分割受災(zāi)對象，采用深度學(xué)習(xí)語義分割技術(shù)，選取了針對遙感多光譜改進的PSPNet（Pyramid Scene Parsing Network）作為深度神經(jīng)網(wǎng)絡(luò)算法。對不同尺度下的地物特征進行提取，解決了不同類別遙感地物大小差異懸殊的問題，通過權(quán)重分配解決了樣本不均衡問題。

針對簡單綜合目標(biāo)，比如室外運動場、飛機場等，其組合要素容易和圖像上其他地物混淆，基于RetinaNet目標(biāo)檢測網(wǎng)絡(luò)，構(gòu)建了SegRRetinaNet目標(biāo)檢測網(wǎng)絡(luò)，在原始網(wǎng)絡(luò)基礎(chǔ)上集成了兩種技術(shù)。第一種技術(shù)是添加了語義分支結(jié)構(gòu)模塊，在RetinaNet淺層添加了PSPNet用于獲取特征圖的語義信息，減少目標(biāo)的誤檢；第二種技術(shù)是為得到檢測目標(biāo)的角度信息，添加了旋轉(zhuǎn)不變模塊以確保模型的旋轉(zhuǎn)不變性，完成任意方向的目標(biāo)檢測。

復(fù)雜綜合體目標(biāo)，與簡單目標(biāo)相比，一般由若干復(fù)雜地物組合而成，其要素更豐富、布局更復(fù)雜，如尾礦庫內(nèi)部包含壩體、尾砂、廢水，化工廠、火電廠、水泥廠，鋼鐵廠內(nèi)部包含冷卻塔、圓型料場、高爐等典型生產(chǎn)設(shè)備。針對這些復(fù)雜綜合體，開發(fā)了關(guān)鍵點定位分支，設(shè)計了關(guān)鍵點損失函數(shù)，提升了原有目標(biāo)檢測網(wǎng)絡(luò)的準(zhǔn)確率和召回率。

四、基于深度學(xué)習(xí)的智能分析系統(tǒng)

應(yīng)急目標(biāo)要素的深度神經(jīng)網(wǎng)絡(luò)算法運行和信息提取需要高性能的軟硬件環(huán)境，在應(yīng)急目標(biāo)要素樣本庫、語義分割和目標(biāo)檢測深度學(xué)習(xí)提取方法研究的基礎(chǔ)上，構(gòu)建開發(fā)了分布式軟硬件一體化的深度學(xué)習(xí)智能提取系統(tǒng)——“蒼靈”遙感大數(shù)據(jù)智能分析系統(tǒng)（簡稱“蒼靈”系統(tǒng)）。

“蒼靈”系統(tǒng)由后端分布式訓(xùn)練和管理平臺、前端信息提取與綜合分析平臺組成。通過可視化的方式，降低了模型訓(xùn)練操作難度，簡化了程序配置邏輯，綜合展示訓(xùn)練與預(yù)測結(jié)果，有助于優(yōu)化訓(xùn)練、結(jié)果分析、產(chǎn)品生產(chǎn)等業(yè)務(wù)。

面向典型要素的快速高精度自動提取，“蒼靈”系統(tǒng)主要包括以下四個核心模塊：

1）網(wǎng)絡(luò)研發(fā)模塊：本模塊面向基于深度學(xué)習(xí)的遙感影像信息提取網(wǎng)絡(luò)研發(fā)與模型訓(xùn)練評估任務(wù)，包括專題分類網(wǎng)絡(luò)研發(fā)業(yè)務(wù)和目標(biāo)識別網(wǎng)絡(luò)研發(fā)業(yè)務(wù)。

2）產(chǎn)品生產(chǎn)模塊：本模塊面向基于深度學(xué)習(xí)的遙感影像專題產(chǎn)品和目標(biāo)識別產(chǎn)品的快速生產(chǎn)任務(wù)，包括專題分類產(chǎn)品生產(chǎn)業(yè)務(wù)和目標(biāo)識別產(chǎn)品生產(chǎn)業(yè)務(wù)。

3）系統(tǒng)管理模塊：本模塊是整個系統(tǒng)的資源管理調(diào)度核心支撐，能夠優(yōu)化系統(tǒng)運行效率，提高資源利用率，同時保障數(shù)據(jù)安全與系統(tǒng)穩(wěn)定性。

4）高性能并行處理支持平臺：是整個系統(tǒng)的硬件支撐，由高性能硬件資源集群構(gòu)成，包括高性能計算集群、共享存儲、高速網(wǎng)絡(luò)三大硬件資源。

“蒼靈”系統(tǒng)具有以下特點：1）軟硬件一體化設(shè)計，具有較高系統(tǒng)集成度，系統(tǒng)便于部署和使用；2）全面支持遙感數(shù)據(jù)特點，滿足遙感分類、專題產(chǎn)品生產(chǎn)、目標(biāo)檢測與識別多種遙感應(yīng)用業(yè)務(wù)需求；3）功能涵蓋基于深度學(xué)習(xí)的遙感信息提取和分析全流程，包括網(wǎng)絡(luò)生成與訓(xùn)練、產(chǎn)品生產(chǎn)與評價等；4）采用圖形化、向?qū)讲僮鹘缑妫阌诜菍I(yè)用戶使用；5）系統(tǒng)具有多源遙感數(shù)據(jù)引接功能，支撐本地磁盤、網(wǎng)絡(luò)方式數(shù)據(jù)訪問；6）支持網(wǎng)絡(luò)模型算法的迭代更新和動態(tài)增加，具備可擴展性；7）系統(tǒng)采用B/S架構(gòu)，客戶端不需要安裝任何插件；8）系統(tǒng)支持GPU分布式部署和運行，計算資源統(tǒng)一調(diào)度和管理，具有較高的計算能力。圖1為“蒼靈”系統(tǒng)界面。

圖1 “蒼靈”系統(tǒng)界面

五、典型應(yīng)急管理要素提取與應(yīng)用

基于“蒼靈”系統(tǒng)，可以實現(xiàn)幾十種災(zāi)害關(guān)鍵要素的快速高精度提取，服務(wù)于災(zāi)害事故監(jiān)測、災(zāi)害風(fēng)險評估、應(yīng)急監(jiān)測、損失評估、災(zāi)后恢復(fù)重建所需的關(guān)鍵目標(biāo)信息，為災(zāi)害損失快速與綜合評估重要的信息數(shù)據(jù)，為應(yīng)急救助和應(yīng)急管理提供決策支持。

針對不同受災(zāi)對象，利用高分一號、高分二號衛(wèi)星數(shù)據(jù)和 “蒼靈”系統(tǒng)實現(xiàn)了全國范圍內(nèi)與人類活動密切相關(guān)的受災(zāi)對象和相關(guān)關(guān)鍵要素的快速提取，為減災(zāi)救災(zāi)決策工作提供了及時有效服務(wù)。提取的結(jié)果如圖2所示。

圖 2 基于“蒼靈”系統(tǒng)的全國應(yīng)急管理要素提取結(jié)果

“蒼靈”系統(tǒng)已實現(xiàn)了全國和重點區(qū)域的人類生產(chǎn)生活密切相關(guān)的災(zāi)害要素目標(biāo)的提取和分類，如居民地、建筑物、道路、耕地、大棚等。居民地是人類活動的中心場所，代表人的空間分布，明確居民地的空間信息和人口信息是災(zāi)后開展災(zāi)情評估和應(yīng)急救援的重要依據(jù)；建筑物受地震等災(zāi)害影響最大，災(zāi)后建筑物倒塌數(shù)量和位置信息是災(zāi)后損失評估的重要依據(jù)。建筑物提取結(jié)果可應(yīng)用于災(zāi)害作用下單體建筑的功能損失評估和監(jiān)測。道路代表了災(zāi)后救援的通行，提取道路的結(jié)果對災(zāi)后救援的效率和安全性有很大幫助。耕地、大棚的空間信息則可為評估災(zāi)后經(jīng)濟農(nóng)作物損失提供信息支撐。

尾礦庫、化工廠、鋼鐵廠、火電廠、水泥廠作為承災(zāi)體，容易出現(xiàn)二次災(zāi)害問題，比如滑坡、爆炸、化工污染、生產(chǎn)安全等事故，可能對人民的生命財產(chǎn)安全造成很大的損失，提取每個工廠的位置、面積以及災(zāi)前災(zāi)后變化信息有助于災(zāi)后評估和災(zāi)后救援。在全國范圍內(nèi)共檢測出尾礦庫11000余座，主要集中分布在華北、華中、西南等區(qū)域，其中華北區(qū)的京津冀區(qū)域尾礦庫數(shù)量眾多、密度大，河北省探測出尾礦庫2983座，占全國尾礦總數(shù)的四分之一。全國尾礦庫的提取結(jié)果可以為制定綜合具體的治理方案和實施計劃提供重要的信息支持。

室外運動場作為城市公共場所的組成部分，可以為災(zāi)害等非常時期提供必要的空間資源，提供有效的避難場所，室外運動場的位置和面積信息對災(zāi)害應(yīng)急反應(yīng)有重要意義。飛機場是災(zāi)后救援的重要基礎(chǔ)設(shè)施，判斷飛機場是否能運行對于緊急運送人員和物資很有幫助。

六、結(jié)論與展望

針對應(yīng)急過程中災(zāi)害信息遙感實時監(jiān)測需求，分析新時代災(zāi)害應(yīng)急遙感監(jiān)測的關(guān)鍵要素及其遙感特征，構(gòu)建一系列針對性的深度學(xué)習(xí)網(wǎng)絡(luò)模型，開發(fā)了軟硬件一體化的遙感信息智能提取系統(tǒng)—“蒼靈”遙感大數(shù)據(jù)智能分析系統(tǒng)。“蒼靈”系統(tǒng)具有較高的系統(tǒng)集成度，可以滿足遙感分類、專題產(chǎn)品生產(chǎn)、目標(biāo)檢測與識別多種遙感應(yīng)用業(yè)務(wù)需求，具有圖形化、向?qū)讲僮鹘缑?，具有多源遙感數(shù)據(jù)引接功能，支持GPU分布式部署和運行，具備可擴展性?；凇吧n靈”系統(tǒng)實現(xiàn)了幾十種災(zāi)害關(guān)鍵要素的提取，可服務(wù)于災(zāi)害事故監(jiān)測、災(zāi)害風(fēng)險評估、損失評估、災(zāi)后恢復(fù)重建等。今后，要面向災(zāi)害遙感監(jiān)測需求，將應(yīng)急管理空間信息遙感大數(shù)據(jù)智能提取融入到災(zāi)害事故監(jiān)測一體化業(yè)務(wù)體系，為應(yīng)急指揮、應(yīng)急智能決策提供信息支持。