摘要：水利行業(yè)對(duì)于整合“天-空-地”一體化遙感監(jiān)測(cè)技術(shù)的應(yīng)用需求越來(lái)越高，然而傳統(tǒng)的遙感影像分析模型往往難以適應(yīng)日益多樣化的行業(yè)應(yīng)用需求。因此，通過(guò)集成分布式存儲(chǔ)、虛擬化管理、自動(dòng)化運(yùn)維和云安全等技術(shù)，以PaaS和SaaS方式提供云服務(wù)，構(gòu)建了一個(gè)融合先進(jìn)人工智能技術(shù)、面向行業(yè)應(yīng)用的智能化遙感影像數(shù)據(jù)處理云平臺(tái)HydrSAI。該平臺(tái)集成了影像預(yù)處理、樣本采集與建庫(kù)、模型構(gòu)建與優(yōu)化、高性能矢量切片以及云計(jì)算服務(wù)技術(shù)，并配備可擴(kuò)展的影像庫(kù)、樣本庫(kù)和模型庫(kù)。該平臺(tái)在深圳市人為擾動(dòng)圖斑識(shí)別以及大藤峽庫(kù)區(qū)開展了試驗(yàn)應(yīng)用，其識(shí)別效率相較于目視識(shí)別得到顯著提升。HydrSAI可為水利部門提供高效、便捷、智能化的遙感解譯支持。

關(guān) 鍵 詞：水利遙感；人工智能；大數(shù)據(jù)；模型庫(kù)；樣本庫(kù)；云平臺(tái)

中圖法分類號(hào)：TP79

文獻(xiàn)標(biāo)志碼：ADOI：10.16232/j.cnki.1001-4179.2024.08.032

0 引 言

遙感技術(shù)應(yīng)用是水利行業(yè)信息化的重要基礎(chǔ)之一，然而傳統(tǒng)的以目視解譯為主的遙感手段已難以滿足日益增長(zhǎng)的應(yīng)用需求。為貫徹落實(shí)“節(jié)水優(yōu)先、空間均衡、系統(tǒng)治理、兩手發(fā)力”治水思路，迫切需要推進(jìn)遙感、大數(shù)據(jù)、云計(jì)算等現(xiàn)代信息技術(shù)與水利行業(yè)的深度融合，研發(fā)水利遙感智能云平臺(tái)，以滿足水利行業(yè)數(shù)字化、網(wǎng)絡(luò)化、智能化的發(fā)展要求。

近年來(lái)，衛(wèi)星傳感器不斷增多，加之光學(xué)圖像、雷達(dá)圖像、高光譜圖像等多源數(shù)據(jù)的融合，遙感數(shù)據(jù)量呈現(xiàn)指數(shù)級(jí)增長(zhǎng)^［1-2］，在農(nóng)業(yè)資源監(jiān)測(cè)^［3］、環(huán)境監(jiān)測(cè)管理^［4］、水資源管理^［5］、海洋資源開發(fā)^［6］以及水土流失監(jiān)測(cè)^［7］等行業(yè)進(jìn)行了廣泛的應(yīng)用。遙感“大數(shù)據(jù)”的應(yīng)用，是對(duì)計(jì)算機(jī)算力和算法的考驗(yàn)。隨著人工智能時(shí)代的到來(lái)，深度學(xué)習(xí)為影像的解譯提供了一種新的路徑。許明珠等^［8］結(jié)合遙感影像提取植被指數(shù)，提出基于并聯(lián)網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)方法用于植被分類，結(jié)果顯示該分類方法具有較高的精度。Liu等^［9］提出將面向?qū)ο蠓诸惡途矸e神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)合用于減輕噪聲和邊界模糊問(wèn)題，并將該方法用于中等分辨率影像的分類。Wan等^［10］基于ResNet152和DeeplabV3+的深度卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行遙感土地利用分類。此外，深度學(xué)習(xí)具有良好的泛化性能，能夠滿足各種場(chǎng)景和任務(wù)的要求。因此，深度學(xué)習(xí)模型在遙感圖像自動(dòng)化和智能分析開發(fā)中具有廣泛的推廣應(yīng)用前景。

云計(jì)算技術(shù)是大數(shù)據(jù)配套的另一個(gè)關(guān)鍵技術(shù)，具有算力高、成本低、資源共享和可視化等優(yōu)勢(shì)，可為海量遙感數(shù)據(jù)的處理和分析提供高效且便捷的平臺(tái)^［11］。目前，國(guó)際已有多種主流遙感云計(jì)算平臺(tái)投入使用，例如Terrascope^［12］、Descartes labs^［13］等。若將水文、高程、高空間分辨率影像等涉密數(shù)據(jù)上傳至這些國(guó)外平臺(tái)進(jìn)行處理分析，難免存在數(shù)據(jù)安全風(fēng)險(xiǎn)^［14］。已發(fā)布的國(guó)產(chǎn)遙感云平臺(tái)產(chǎn)品包括PIE-Engine^［15］、AI Earth^［16］、SenseEarth^［17］、飛槳^［18］等。雖然部分遙感云平臺(tái)已降低用戶使用門檻，但仍需用戶具備一定的編程及遙感數(shù)據(jù)處理技術(shù)基礎(chǔ)^［19］。例如，PIE-Engine遙感智能解譯平臺(tái)需用戶自行上傳樣本集和訓(xùn)練模型架構(gòu)。此外，現(xiàn)階段遙感云平臺(tái)提供的可即用型模型產(chǎn)品類型仍不完善，且對(duì)于特征行業(yè)應(yīng)用缺乏定制型產(chǎn)品^［7］。

針對(duì)當(dāng)前遙感平臺(tái)在水利行業(yè)所面臨的問(wèn)題與挑戰(zhàn)，本文總結(jié)了HydrSAI水利遙感智能云平臺(tái)建設(shè)（下文簡(jiǎn)稱HydrSAI云平臺(tái)）方案。該平臺(tái)建設(shè)面向粵港澳大灣區(qū)水利行業(yè)需求規(guī)劃平臺(tái)功能，整合了遙感大數(shù)據(jù)處理、地理數(shù)據(jù)庫(kù)建設(shè)、基于改進(jìn)深度學(xué)習(xí)模型的多源遙感影像語(yǔ)義分割等新技術(shù)，構(gòu)建了可擴(kuò)展易更新的遙感影像庫(kù)、樣本庫(kù)和模型庫(kù)，同步實(shí)現(xiàn)云端高效運(yùn)算和時(shí)空數(shù)據(jù)多源化展示，切實(shí)提升智慧水利的管理與信息化水平。

1 云平臺(tái)建設(shè)概況

1.1 建設(shè)內(nèi)容

1.1.1 標(biāo)準(zhǔn)規(guī)范建設(shè)

HydrSAI云平臺(tái)的標(biāo)準(zhǔn)規(guī)范建設(shè)主要包括樣本庫(kù)、模型庫(kù)及應(yīng)用服務(wù)3個(gè)方面。樣本庫(kù)的標(biāo)準(zhǔn)規(guī)范包括影像數(shù)據(jù)規(guī)范、樣本集建立規(guī)范及樣本集入庫(kù)規(guī)范；模型庫(kù)的標(biāo)準(zhǔn)規(guī)范包括模型訓(xùn)練規(guī)范、模型評(píng)估規(guī)范、模型入庫(kù)規(guī)范及模型部署規(guī)范；應(yīng)用服務(wù)的標(biāo)準(zhǔn)規(guī)范分為應(yīng)用部署規(guī)范、用戶管理規(guī)范、服務(wù)接口規(guī)范。此外，HydrSAI云平臺(tái)還建立了安全標(biāo)準(zhǔn)規(guī)范以及運(yùn)維標(biāo)準(zhǔn)規(guī)范，以保障云平臺(tái)在今后的服務(wù)中能夠安全、高效、穩(wěn)定地運(yùn)行，為用戶提供更優(yōu)質(zhì)的服務(wù)。

1.1.2 樣本庫(kù)建設(shè)

深度學(xué)習(xí)技術(shù)當(dāng)前主要依賴監(jiān)督學(xué)習(xí)分類方式，即需要海量樣本數(shù)據(jù)參與訓(xùn)練，從中提取抽象特征來(lái)生成模型。為了更好地管理和利用這些樣本，提高樣本的檢索、存儲(chǔ)和使用能力，需要將它們納入樣本庫(kù)中進(jìn)行統(tǒng)一管理。樣本入庫(kù)的流程包括：樣本裁剪、樣本標(biāo)注、樣本編碼、樣本注冊(cè)。樣本庫(kù)的建設(shè)需要明確分類體系，HydrSAI云平臺(tái)目前共建設(shè)有人為擾動(dòng)、河湖“四亂”、河道礙洪物、崩塌滑坡等4類樣本庫(kù)，每類樣本庫(kù)又分為現(xiàn)狀和/或新增子樣本庫(kù)，此后將根據(jù)需要進(jìn)行持續(xù)動(dòng)態(tài)更新。

1.1.3 模型庫(kù)建設(shè)

使用開源數(shù)據(jù)庫(kù)PostgreSQL進(jìn)行模型庫(kù)配置，根據(jù)需求設(shè)置默認(rèn)字符集、調(diào)整緩存大小、設(shè)置安全性等。建模過(guò)程包括確定模型架構(gòu)、編寫訓(xùn)練模塊、選擇建模樣本、驗(yàn)證模型精度、優(yōu)選模型入庫(kù)和填報(bào)模型元數(shù)據(jù)等環(huán)節(jié)。最后將優(yōu)選模型文件、模型元數(shù)據(jù)上傳至HydrSAI云平臺(tái)數(shù)據(jù)庫(kù)系統(tǒng)進(jìn)行注冊(cè)（表1），完成模型入庫(kù)。目前，模型庫(kù)內(nèi)共有4大類模型，分別為人為擾動(dòng)圖斑、河湖“四亂”圖斑、河道礙洪物圖斑和崩塌滑坡及崩崗圖斑智能識(shí)別模型，此后將根據(jù)需要持續(xù)動(dòng)態(tài)更新。

1.1.4 典型示范應(yīng)用建設(shè)

目前，HydrSAI云平臺(tái)已構(gòu)建了人為擾動(dòng)、河湖“四亂”、河道礙洪物及崩塌滑坡等4大類智能識(shí)別服務(wù)模塊，并根據(jù)需要不斷拓展業(yè)務(wù)范圍。這些模塊均已成功應(yīng)用于深圳市、廣東省及大藤峽庫(kù)區(qū)，助力生產(chǎn)建設(shè)項(xiàng)目、關(guān)鍵河段“四亂”目標(biāo)、河道礙洪物及崩塌滑坡的快速識(shí)別，為實(shí)現(xiàn)水土流失準(zhǔn)實(shí)時(shí)監(jiān)測(cè)、河湖及大型庫(kù)區(qū)的智能監(jiān)管提供了技術(shù)支撐。

1.2 技術(shù)路線

云平臺(tái)建設(shè)從需求分析出發(fā)，在標(biāo)準(zhǔn)規(guī)范體系下研究平臺(tái)關(guān)鍵技術(shù)特征，逐步完成樣本庫(kù)、模型庫(kù)和云平臺(tái)建設(shè)，并對(duì)平臺(tái)建設(shè)效果進(jìn)行評(píng)估驗(yàn)證。主要階段包含需求分析、樣本庫(kù)建設(shè)、模型庫(kù)建設(shè)、云服務(wù)平臺(tái)研發(fā)以及應(yīng)用服務(wù)5個(gè)階段，技術(shù)路線如圖1所示。

1.3 總體架構(gòu)

HydrSAI云平臺(tái)采用分層體系云架構(gòu)，包括云基礎(chǔ)設(shè)施層、大數(shù)據(jù)資源層、基礎(chǔ)算法層、應(yīng)用平臺(tái)層和業(yè)務(wù)服務(wù)層（圖2）。云基礎(chǔ)設(shè)施層提供底層基礎(chǔ)設(shè)施資源，如衛(wèi)星遙感數(shù)據(jù)高速專線、分布式集群GPU服務(wù)器和高性能分布式存儲(chǔ)等。大數(shù)據(jù)資源層主要由影像庫(kù)、樣本庫(kù)和模型庫(kù)3個(gè)數(shù)據(jù)倉(cāng)庫(kù)構(gòu)建，為HydrSAI提供數(shù)據(jù)存儲(chǔ)服務(wù)?；A(chǔ)算法層針對(duì)遙感數(shù)據(jù)處理、樣本處理和模型處理等方面提供優(yōu)選算法集成。應(yīng)用平臺(tái)層包括影像服務(wù)平臺(tái)、樣本管理平臺(tái)、AI引擎服務(wù)平臺(tái)、AI成果管理平臺(tái)。業(yè)務(wù)服務(wù)層通過(guò)不斷的服務(wù)積累支撐業(yè)務(wù)需求，包括統(tǒng)一影像底圖服務(wù)、人為擾動(dòng)圖斑智能識(shí)別、河道礙洪物智能識(shí)別、河湖“四亂”智能識(shí)別、崩塌滑坡智能識(shí)別及新增人為擾動(dòng)、河湖“四亂”智能識(shí)別以及未來(lái)拓展服務(wù)類型。

1.4 主要成果

1.4.1 文檔成果

文檔成果主要包括需求調(diào)研文檔、設(shè)計(jì)研發(fā)文檔（總體設(shè)計(jì)、詳細(xì)設(shè)計(jì)、樣本庫(kù)設(shè)計(jì)、模型庫(kù)設(shè)計(jì)等）、技術(shù)服務(wù)文檔（軟件測(cè)試報(bào)告、用戶使用手冊(cè)等）和標(biāo)準(zhǔn)規(guī)范文檔（樣本庫(kù)標(biāo)準(zhǔn)規(guī)范、樣本集建立規(guī)范、樣本集入庫(kù)規(guī)范）等。

1.4.2 樣本庫(kù)成果

HydrSAI云平臺(tái)共建設(shè)有人為擾動(dòng)、河湖“四亂”、河道礙洪物、崩塌滑坡4類樣本庫(kù)，每類樣本庫(kù)包括現(xiàn)狀和/或新增子庫(kù)。一個(gè)512×512像元大小的遙感影像切片及其對(duì)應(yīng)的類型標(biāo)簽圖層和樣本編碼集成為一個(gè)樣本。各類型樣本庫(kù)中已經(jīng)入庫(kù)的樣本數(shù)量見表2。

1.4.3 模型庫(kù)成果

HydrSAI云平臺(tái)模型庫(kù)共設(shè)有4大類模型，分別為人為擾動(dòng)圖斑識(shí)別模型、河湖“四亂”圖斑識(shí)別模型、河道礙洪物圖斑識(shí)別模型、崩塌滑坡及崩崗區(qū)域識(shí)別模型。其中，人為擾動(dòng)圖斑識(shí)別模型可以支持Sentinel-2和國(guó)產(chǎn)高分系列遙感影像，其他模型目前僅支持國(guó)產(chǎn)高分系列遙感影像。人為擾動(dòng)圖斑識(shí)別模型及河湖“四亂”圖斑識(shí)別模型設(shè)有現(xiàn)狀和新增兩種子類型。

1.4.4 云服務(wù)成果

云平臺(tái)建立的云服務(wù)能夠支撐彈性計(jì)算資源調(diào)度，支持自動(dòng)擴(kuò)展和縮減計(jì)算資源，以便在處理遙感影像時(shí)能夠快速響應(yīng)計(jì)算資源的需求；實(shí)現(xiàn)了分布式存儲(chǔ)和數(shù)據(jù)管理，能適應(yīng)遙感影像數(shù)據(jù)多分辨率時(shí)空大數(shù)據(jù)的特點(diǎn)；實(shí)現(xiàn)了自動(dòng)化運(yùn)維和監(jiān)控，以便快速部署和配置業(yè)務(wù)服務(wù)；建立了基于不同層級(jí)用戶權(quán)限設(shè)置的安全性和隱私保護(hù)措施，以及數(shù)據(jù)脫敏和訪問(wèn)控制等，以保護(hù)平臺(tái)數(shù)據(jù)和用戶的安全。

2 平臺(tái)建設(shè)關(guān)鍵技術(shù)

2.1 樣本采集與建庫(kù)技術(shù)

2.1.1 技術(shù)概要

利用HydrSAI遙感智能云平臺(tái)構(gòu)建樣本數(shù)據(jù)庫(kù)，用于統(tǒng)一存儲(chǔ)與管理樣本數(shù)據(jù)。樣本入庫(kù)流程包括：樣本采集、樣本標(biāo)注、樣本編碼、樣本注冊(cè)。利用遙感影像目視解譯與野外核查相結(jié)合的方法，采集典型足量樣本切片，根據(jù)其屬性信息對(duì)其進(jìn)行編碼，最后，將整套樣本數(shù)據(jù)注冊(cè)入庫(kù)，完成樣本數(shù)據(jù)庫(kù)的建設(shè)。

2.1.2 技術(shù)實(shí)現(xiàn)

基于預(yù)處理后的遙感影像可見光和近紅外波段進(jìn)行樣本采集，建立512×512像元的樣本切片，并對(duì)其進(jìn)行質(zhì)量檢查和修正。將樣本圖斑圖層轉(zhuǎn)化為二值柵格標(biāo)簽，1表示感興趣區(qū)域（如人為擾動(dòng)），0表示非感興趣區(qū)域（如非人為擾動(dòng)）（圖3）?；诙禈颖緮?shù)據(jù)對(duì)影像數(shù)據(jù)進(jìn)行裁剪，生成樣本數(shù)據(jù)集。規(guī)范樣本標(biāo)簽的屬性信息和格式，包括樣本位置、樣本類型、樣本子類型等，并根據(jù)屬性信息對(duì)樣本進(jìn)行編碼，以便后續(xù)樣本的檢索及應(yīng)用。構(gòu)建樣本數(shù)據(jù)庫(kù)，具備樣本的瀏覽、編輯、管理、存儲(chǔ)、刪減和輸出功能，包括應(yīng)用層、分析層和存儲(chǔ)層3個(gè)部分（圖4）。

2.2 模型構(gòu)建與優(yōu)化技術(shù)

2.2.1 技術(shù)概要

采用Python3.6作為開發(fā)語(yǔ)言，基于卷積神經(jīng)網(wǎng)絡(luò)U-Net++作為框架和深度學(xué)習(xí)開源庫(kù)Pytorch搭建模型訓(xùn)練算法。該算法包括輸入模塊、預(yù)處理模塊、數(shù)據(jù)增強(qiáng)模塊、超參數(shù)調(diào)整模塊、訓(xùn)練精度評(píng)估模塊以及輸出模塊等。訓(xùn)練好的模型經(jīng)過(guò)精度優(yōu)選后入庫(kù)。

2.2.2 技術(shù)實(shí)現(xiàn)

模型訓(xùn)練算法中，輸入模塊是指從該平臺(tái)的樣本庫(kù)中根據(jù)功能來(lái)選擇合適的樣本作為模型訓(xùn)練的輸入。樣本輸入后可以選擇是否進(jìn)行預(yù)處理，預(yù)處理主要包括數(shù)據(jù)劃分（訓(xùn)練集和驗(yàn)證集比例）、數(shù)據(jù)增強(qiáng)等。預(yù)處理完成后，便可設(shè)置模型訓(xùn)練超參數(shù)，不同的超參數(shù)設(shè)置對(duì)訓(xùn)練結(jié)果有一定的影響，超參數(shù)包括學(xué)習(xí)率、迭代次數(shù)、訓(xùn)練樣本的批量大小、激活函數(shù)等。驗(yàn)證精度出現(xiàn)增長(zhǎng)停滯或持續(xù)降低的情況時(shí)，應(yīng)調(diào)整參數(shù)再重新訓(xùn)練，直到訓(xùn)練精度達(dá)到設(shè)置閾值或完成設(shè)置的迭代次數(shù)為止。最后將優(yōu)選模型輸出并入庫(kù)保存。

2.3 高性能矢量切片技術(shù)

2.3.1 技術(shù)概要

針對(duì)水利遙感大數(shù)據(jù)在大范圍場(chǎng)景下加載速度過(guò)慢的普遍性問(wèn)題，研究發(fā)現(xiàn)矢量數(shù)據(jù)量過(guò)大是主要瓶頸之一。為此，開發(fā)了基于矢量切片的空間數(shù)據(jù)發(fā)布技術(shù)，可有效減小傳輸環(huán)節(jié)的數(shù)據(jù)量，結(jié)合前端渲染技術(shù)，顯著提升了HydrSAI云平臺(tái)海量矢量空間數(shù)據(jù)呈現(xiàn)的速度，解決了遙感數(shù)據(jù)縮放和拖動(dòng)過(guò)程中常見的空間數(shù)據(jù)卡頓問(wèn)題，有效提升了用戶體驗(yàn)。

2.3.2 技術(shù)實(shí)現(xiàn)

采用實(shí)時(shí)矢量切片技術(shù)（mapbox vector tile），利用二進(jìn)制Google Protocol Buffer（PBF）數(shù)據(jù)格式，規(guī)避了傳統(tǒng)基于WMS服務(wù)的技術(shù)方案中矢量到柵格圖片的轉(zhuǎn)換過(guò)程，大大降低了服務(wù)器運(yùn)算資源的消耗（圖5）。同時(shí)，PBF格式具有高壓縮率的優(yōu)勢(shì)，降低了傳輸量，加快了數(shù)據(jù)打包和壓縮的速率，縮短了數(shù)據(jù)生成和傳輸所需時(shí)間。這一技術(shù)的實(shí)施顯著提高了HydrSAI云平臺(tái)矢量數(shù)據(jù)的呈現(xiàn)速度，提升了前端渲染效果。

3 平臺(tái)典型應(yīng)用案例

3.1 人為擾動(dòng)智能識(shí)別

HydrSAI云平臺(tái)應(yīng)用在水利部2022年度水土保持信息化監(jiān)管項(xiàng)目中，為江蘇、廣東、湖南、廣西等四?。ㄗ灾螀^(qū)）提供了新增人為擾動(dòng)AI識(shí)別服務(wù)，有效提高了解譯效率及準(zhǔn)確率。此外，該云平臺(tái)還助力深圳市完成2020～2022年人為擾動(dòng)圖斑遙感快速智能識(shí)別工作，每期人為擾動(dòng)圖斑可在約10 min內(nèi)識(shí)別完畢，相比人工目視解譯，深圳市圖斑識(shí)別效率提升了263.65倍，識(shí)別模型Kappa系數(shù)為0.81，F(xiàn)₁-Score為0.78（表3）。該識(shí)別模型在及時(shí)預(yù)測(cè)水土流失易發(fā)區(qū)域，支撐擾動(dòng)區(qū)水土流失風(fēng)險(xiǎn)評(píng)估，以及輔助水土保持信息化監(jiān)管等方面發(fā)揮了重要作用，為生產(chǎn)建設(shè)項(xiàng)目等典型人為擾動(dòng)準(zhǔn)實(shí)時(shí)監(jiān)管和人為水土流失的精準(zhǔn)防控提供了堅(jiān)實(shí)的基礎(chǔ)數(shù)據(jù)支撐（圖6）。

3.2 河湖“四亂”智能識(shí)別

HydrSAI云平臺(tái)中的河湖“四亂”智能識(shí)別模型已成功應(yīng)用于廣西大藤峽庫(kù)區(qū)。該模型可較精確地識(shí)別和定位區(qū)域內(nèi)河湖“四亂”位置，并勾繪出圖斑邊界。其中，在兩個(gè)區(qū)域的模型識(shí)別結(jié)果中，Kappa系數(shù)為0.78，F(xiàn)₁-Score為0.75（表3）。部分圖斑經(jīng)人工修正后，解譯精度優(yōu)于90.00%。該模型對(duì)跨水橋梁、圍網(wǎng)養(yǎng)殖、伸入河道中的構(gòu)筑物、采砂場(chǎng)、堆放場(chǎng)等類別“四亂”目標(biāo)的識(shí)別效果較好。通過(guò)在兩個(gè)區(qū)域的應(yīng)用，該模型表現(xiàn)出優(yōu)秀的工作效率及泛化能力，相較于人工目視解譯，識(shí)別效率提升53.42倍，能夠在保障質(zhì)量的前提下輔助重點(diǎn)河段“四亂”監(jiān)管工作的高效開展，提升河湖行洪和生態(tài)安全水平（圖7）。

4 結(jié) 論

本文針對(duì)水利行業(yè)實(shí)際需求，基于海量遙感數(shù)據(jù)、人工智能、云服務(wù)構(gòu)建了HydrSAI水利遙感智能云平臺(tái)。該云平臺(tái)結(jié)構(gòu)完整，功能齊全，具備可擴(kuò)展的影像庫(kù)、樣本庫(kù)和模型庫(kù)。平臺(tái)集成了影像預(yù)處理、樣本采集與建庫(kù)、模型構(gòu)建與優(yōu)化、高性能矢量切片及云平臺(tái)建設(shè)與服務(wù)技術(shù)，建立了人為擾動(dòng)、河湖“四亂”、河道礙洪物和崩塌滑坡及崩崗等4類應(yīng)用場(chǎng)景，并形成了一系列云服務(wù)成果。在深圳市人為擾動(dòng)圖斑識(shí)別試驗(yàn)中，圖斑識(shí)別效率較之目視解譯提升了263.65倍，識(shí)別模型Kappa系數(shù)為0.81，F(xiàn)₁-Score為0.78。在廣西大藤峽庫(kù)區(qū)河湖“四亂”圖斑識(shí)別試驗(yàn)中，圖斑識(shí)別效率提升了53.42倍，Kappa系數(shù)為0.78，F(xiàn)₁-Score為0.75，部分圖斑經(jīng)修正后，解譯精度優(yōu)于90.00%。該平臺(tái)為水利部門提供了高效、準(zhǔn)確的遙感解譯支持，同時(shí)也為水利相關(guān)部門提供了一種新的解決方案。

參考文獻(xiàn)：

［1］李德仁，張良培，夏桂松.遙感大數(shù)據(jù)自動(dòng)分析與數(shù)據(jù)挖掘［J］.測(cè)繪學(xué)報(bào)，2014，43（12）：1211-1216.

［2］王小娜，田金炎，李小娟，等.Google Earth Engine云平臺(tái)對(duì)遙感發(fā)展的改變［J］.遙感學(xué)報(bào)，2022，26（2）：299-309.

［3］李映祥，張華，滕飛，等.遙感技術(shù)農(nóng)業(yè)資源臺(tái)賬建設(shè)應(yīng)用潛力分析［J］.中國(guó)農(nóng)業(yè)資源與區(qū)劃，2022，43（11）：145-154.

［4］王兵，王軍，高亞芳，等.遙感監(jiān)測(cè)蘭州盆地1990-2020年自然資源分布及變化趨勢(shì)［J］.草業(yè)科學(xué)，2022，39（12）：2527-2538.

［5］李丹，吳保生，陳博偉，等.基于衛(wèi)星遙感的水體信息提取研究進(jìn)展與展望［J］.清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2020，60（2）：147-161.

［6］王進(jìn)華，王艷君，張鷹，等.遙感和地理信息系統(tǒng)技術(shù)在江蘇省海洋資源監(jiān)測(cè)中的應(yīng)用［J］.遙感技術(shù)與應(yīng)用，2002（1）：27-31.

［7］吳秉校，顧祝軍，扶卿華，等.遙感數(shù)據(jù)云平臺(tái)在水土流失動(dòng)態(tài)監(jiān)測(cè)中的應(yīng)用［J］.中國(guó)防汛抗旱，2022，32（增1）：60-64.

［8］許明珠，徐浩，孔鵬，等.結(jié)合植被指數(shù)和卷積神經(jīng)網(wǎng)絡(luò)的遙感植被分類方法［J］.激光與光電子學(xué)進(jìn)展，2022，59（24）：273-285.

［9］LIU F J，DONG L，CHANG X L，et al.Remote sensing image classification based on object-oriented convolutional neural network［J］.Frontiers in Earth Science，2022，10：988556.

［10］WAN L H，LI S H，CHEN Y，et al.Application of deep learning in land use classification for soil erosion using remote sensing［J］.Frontiers in Earth Science，2022，10：849531.

［11］閆凱，陳慧敏，付東杰，等.遙感云計(jì)算平臺(tái)相關(guān)文獻(xiàn)計(jì)量可視化分析［J］.遙感學(xué)報(bào)，2022，26（2）：310-323.

［12］PETIT S，STASOLLA M，WYARD C，et al.A new earth observation service based on Sentinel-1 and Sentinel-2 time series for the monitoring of redevelopment sites in wallonia，belgium［J］.Land，2022，11（3）：1-21.

［13］KONTGIS C，WARREN M S，SKILLMAN S W，et al.Leveraging Sentinel-1 time series data for mapping agricultural land cover and land use in the tropics［C］∥2017 9th International Workshop on the Analysis of Multitemporal Remote Sensing Images（MultiTemp）.IEEE，2017：1-4.

［14］歐陽(yáng)雪，徐彥彥，毛養(yǎng)素，等.云計(jì)算與區(qū)塊鏈平臺(tái)的遙感影像安全檢索方案［J］.電子與信息學(xué)報(bào)，2023，45（3）：856-864.

［15］程偉，錢曉明，李世衛(wèi)，等.時(shí)空遙感云計(jì)算平臺(tái)PIE-Engine Studio的研究與應(yīng)用［J］.遙感學(xué)報(bào)，2022，26（2）：335-347.

［16］陳柯兵，孫思瑞.基于國(guó)產(chǎn)PIE-Engine和AI Earth遙感云平臺(tái)的三種水域信息提取方法對(duì)比研究［C］∥2022（第十屆）中國(guó)水利信息化技術(shù)論壇論文集，2022：46-52.

［17］張繼賢，李海濤，顧海燕，等.人機(jī)協(xié)同的自然資源要素智能提取方法［J］.測(cè)繪學(xué)報(bào)，2021，50（8）：1023-1032.

［18］孫玉梅，劉昱豪，邊占新，等.深度學(xué)習(xí)PaddlePaddle框架支持下的遙感智能視覺(jué)平臺(tái)研究與實(shí)現(xiàn)［J］.測(cè)繪通報(bào)，2021（11）：65-69，75.

［19］許顥礫，王大慶，鄧正棟，等.云平臺(tái)智能算法在遙感地球物理的研究現(xiàn)狀及展望［M］∥國(guó)家安全地球物理叢書（十七）——生態(tài)環(huán)境與地球物理.西安：西安地圖出版社，2021.

（編輯：鄭 毅）

Construction and application of an on-cloud remote sensing data processing platform

HydrSAI for water conservancy management

GU Zhujun，ZENG Maimai，WU Jiasheng，WU Bingxiao，LUO Cheng，LIU Yafei

（Pearl River Water Resources Research Institute，Pearl River Water Resources Commission，Guangzhou 510610，China）

Abstract：The water conservancy industry has an increasing demand for “air-space-ground” integrated remote sensing monitoring technology.However，traditional image analysis models often struggle to adapt to the growing diversity of applications.To address this，our goal is to integrate technologies such as distributed storage，virtual management，automated operation and maintenance，and cloud security，to offer cloud services in the form of PaaS and SaaS.The objective is to establish an intelligent image-processing cloud platform called HydrSAI that incorporates advanced artificial intelligence technology and is oriented to industrial applications.This platform integrates image preprocessing，sample collection，specific database construction，model building and optimization，high-performance vector slicing，and cloud computing services，and is equipped with scalable image，sample，and model libraries.This platform was applied to identify artificially disturbed patches in Shenzhen City，and Datengxia reservoir area，showing much better interpretation effect compared to visual interpretation.The HydrSAI serves as an intelligent cloud service platform，providing efficient and convenient image interpretation toolsets for the water conservancy applications.

Key words：water conservancy remote sensing; artificial intelligence; big data; model library; sample library; cloud platform