遥感数据智能处理

它属于遥感信息科学理论与人工智能理论的交叉领域。随着遥感卫星发射数量越来越多，生产及存档的遥感数据量越来越大，对传统遥感信息处理的效率和精度提出了巨大挑战，遥感数据智能处理方法的研究与探索逐渐成为热点。遥感数据智能处理技术包括：变换与分割、贝叶斯网络、伪二维隐马尔可夫、遗传算法、神经网络、模糊聚类、粗糙集与容差粗糙集、支持向量机、禁忌人工免疫网络算法、粒子滤波等算法和算法组合等。基于深度学习的遥感数据智能处理具有全局优化、自组织、自学习的特点，能够从遥感数据本身学习，不依赖数据分布等先验信息，具有处理多目标问题的能力，同时考虑多个目标函数而不需要人工确定它们之间的权重。因此，遥感数据智能处理方法能够在海量遥感影像数据中有效地提取适用于不同应用目的的信息。

基于深度学习的遥感数据智能处理主要包括以下几个方面：①数据预处理。主要对遥感图像进行大气纠正、全色多光谱影像融合、正射校正等操作，便于样本制作、模型训练和测试。②样本制作与管理。包括对训练样本的增广扩充、分类管理等。③模型设计。分析待处理的遥感数据特点，结合现有深度学习模型的结构设计方法，研究针对具体任务的优化模型。④模型训练。包括宏观参数的设置和网络参数的优化训练等。⑤模型测试。用训练好的模型对测试数据集进行模型精度、性能、迁移能力和鲁棒性等方面的测试。

结合遥感大数据与人工智能技术，可以自动高效地挖掘遥感大数据中潜在的价值，很好地解决传统遥感应用中人工参与较多、耗费人力、效率低下以及精度不足等问题。