陳 昕，劉昌昊，陳培永，華 春，劉延芳

（1.哈爾濱工業(yè)大學(xué)電氣工程及自動(dòng)化學(xué)院，哈爾濱 150001；2.哈爾濱工業(yè)大學(xué)航天學(xué)院, 哈爾濱 150001；3.上海航天信息研究所，上海 201109）

1 引 言

遙感技術(shù)通過衛(wèi)星或航空平臺上的遙測儀器對地球表面的地物進(jìn)行監(jiān)測，可以快速、大范圍地獲取綜合數(shù)據(jù)。遙感技術(shù)根據(jù)工作平臺分為地面遙感、航空遙感和航天遙感；根據(jù)傳感器的探測波段分為紫外遙感、可見光遙感、紅外遙感、微波遙感和多波段遙感；根據(jù)記錄方式分為成像遙感和非成像遙感等。目前遙感技術(shù)被廣泛應(yīng)用于農(nóng)業(yè)評估與監(jiān)測、水質(zhì)處理、自然災(zāi)害監(jiān)測與防治、地理數(shù)據(jù)及資源數(shù)據(jù)的獲取等國民經(jīng)濟(jì)建設(shè)的多個(gè)方面［1］。

遙感系統(tǒng)包含四大環(huán)節(jié)：信息源、信息獲取、信息處理和信息應(yīng)用。遙感任務(wù)規(guī)劃和遙感圖像處理是信息獲取與處理的核心技術(shù)，是遙感系統(tǒng)兩大關(guān)鍵環(huán)節(jié)。如何有效規(guī)劃遙感任務(wù)，快速獲取所需的實(shí)時(shí)數(shù)據(jù)，并高效地實(shí)現(xiàn)遙感數(shù)據(jù)的快速與高效冗余處理，是當(dāng)前遙感技術(shù)中存在的主要難點(diǎn)。

人工智能通過智能體感知或認(rèn)知外界環(huán)境并產(chǎn)生交互，具有自主學(xué)習(xí)和推理能力，應(yīng)用于遙感領(lǐng)域，有望解決當(dāng)前遙感技術(shù)的實(shí)時(shí)性差和數(shù)據(jù)利用率低下的問題，實(shí)現(xiàn)遙感的智能化與自主化。

本文針對人工智能技術(shù)在遙感衛(wèi)星任務(wù)規(guī)劃和圖像處理兩方面應(yīng)用的研究現(xiàn)狀進(jìn)行綜述，并提出展望。

2 遙感任務(wù)智能規(guī)劃研究現(xiàn)狀

2.1 遙感任務(wù)規(guī)劃面臨挑戰(zhàn)與現(xiàn)狀

隨著航天技術(shù)的發(fā)展和航天應(yīng)用的深化，遙感衛(wèi)星數(shù)量越來越多且種類呈現(xiàn)多樣化，遙感任務(wù)規(guī)劃也隨之急劇復(fù)雜化。遙感任務(wù)規(guī)劃所面臨的挑戰(zhàn)主要體現(xiàn)：（1）人工任務(wù)規(guī)劃無法應(yīng)對數(shù)量眾多的遙感衛(wèi)星復(fù)雜任務(wù)規(guī)劃，容易出現(xiàn)錯(cuò)誤，亟待通過智能算法實(shí)現(xiàn)自主任務(wù)規(guī)劃；（2）對于偶發(fā)目標(biāo)和各種不確定性因素的自主處理能力需求增強(qiáng)，偶發(fā)目標(biāo)通常具有較高的觀測價(jià)值，而不確定性因素會導(dǎo)致原有觀測任務(wù)無法按計(jì)劃執(zhí)行，若衛(wèi)星不具備自主運(yùn)行能力，就無法對觀測任務(wù)進(jìn)行及時(shí)調(diào)整，從而造成數(shù)據(jù)的浪費(fèi)與資源的損失。因此，必須研究面向?qū)Φ赜^測衛(wèi)星的智能自主任務(wù)規(guī)劃方法，實(shí)現(xiàn)衛(wèi)星觀測任務(wù)的自主規(guī)劃和調(diào)度［2］。

智能遙感任務(wù)規(guī)劃就是應(yīng)用基于人工智能的方法實(shí)現(xiàn)衛(wèi)星觀測任務(wù)的自主規(guī)劃和調(diào)度。國外在衛(wèi)星任務(wù)規(guī)劃領(lǐng)域的研究持續(xù)時(shí)間長，技術(shù)比較成熟，且相關(guān)技術(shù)已投入實(shí)際的航天應(yīng)用，如美國國家航空航天局（NASA）的噴氣動(dòng)力實(shí)驗(yàn)室人工智能研究組所開發(fā)的規(guī)劃系統(tǒng)CASPER（Continuous Activity Scheduling Planning Execution and Replanning）已應(yīng)用到EO-1等任務(wù)中，并取得成功。國內(nèi)在該領(lǐng)域的研究也取得了一定的成果，中科院和國防科大側(cè)重于衛(wèi)星任務(wù)規(guī)劃的研究，哈工大研究的應(yīng)用平臺以深空探測器為主［3］。

2.2 智能遙感任務(wù)規(guī)劃方法

在遙感衛(wèi)星規(guī)劃的人工智能方法研究中，比較有代表性的有：啟發(fā)式搜索算法、專家系統(tǒng)、基于Agent的規(guī)劃調(diào)度方法、基于神經(jīng)網(wǎng)絡(luò)的方法、遺傳算法、模擬退火算法和禁忌搜索算法等。

2.2.1 啟發(fā)式搜索算法

啟發(fā)式算法是指在可接受的花費(fèi)（指計(jì)算時(shí)間、占用空間等）下給出待解決組合優(yōu)化問題每一個(gè)實(shí)例的一個(gè)可行解。啟發(fā)式算法常能在合理時(shí)間給出很不錯(cuò)的解，但在某些特殊情況下，啟發(fā)式算法會得到很壞的答案或運(yùn)行效率極差。幸運(yùn)的是，造成那些特殊情況的數(shù)據(jù)結(jié)構(gòu)也許永遠(yuǎn)不會出現(xiàn)在現(xiàn)實(shí)世界。因此現(xiàn)實(shí)世界中經(jīng)常使用啟發(fā)式算法來解決問題。啟發(fā)式算法是否有效取決于其對問題的適應(yīng)性、避免陷入局部最優(yōu)的策略以及對問題基本結(jié)構(gòu)的了解程度。另外，算法重啟動(dòng)的程序、可控制的隨機(jī)性、有效的數(shù)據(jù)結(jié)構(gòu)及預(yù)處理也會幫助其獲得合理正確的解［4］。

早在1996年，Bensana E等［5］就嘗試用啟發(fā)式算法對遙感衛(wèi)星進(jìn)行規(guī)劃，并且在SPOT-5調(diào)度問題中，比較了完全搜索算法（深度優(yōu)先搜索、動(dòng)態(tài)規(guī)劃）和非完全搜索算法（貪婪搜索、禁忌搜索）在不同規(guī)模問題實(shí)例下的計(jì)算性能。而Potter W等［6］采用了另外一種思路，在Landsat-7調(diào)度系統(tǒng)中首先按照最早結(jié)束時(shí)間貪婪安排所有的觀測需求，然后基于優(yōu)先級替換已安排的觀測需求和未安排的觀測需求，得到了較好的結(jié)果。2002年，Jeremy在模型求解中基于Europa系統(tǒng)實(shí)現(xiàn)了一個(gè)基于隨機(jī)搜索的啟發(fā)式算法，但是隨機(jī)搜索有局限性，目前還只能對較小規(guī)模的調(diào)度問題求解，所以Dilkina B等［7］運(yùn)用基于含約束傳播的排列搜索方法解決靈巧觀測衛(wèi)星的任務(wù)規(guī)劃問題，并將其與爬山算法、模擬退火算法進(jìn)行了比較，使調(diào)度問題的規(guī)模得以擴(kuò)大。后來，Aldinger J等［8］在解決單顆靈巧對地觀測衛(wèi)星的對地覆蓋任務(wù)時(shí)，采用了基于啟發(fā)式算法的規(guī)劃器時(shí)間快速下降模塊（Temporal Fast Downward with Modules，TFD/M），這種規(guī)劃器用TFD來處理一般的邏輯和時(shí)序規(guī)劃，將軌道控制、姿態(tài)調(diào)整等方面的約束外包給一個(gè)單獨(dú)的計(jì)算模塊來處理［8］。

2.2.2 專家系統(tǒng)

專家系統(tǒng)是人工智能的一個(gè)重要分支，是一個(gè)具有大量的專門知識和經(jīng)驗(yàn)的程序系統(tǒng)，它應(yīng)用人工智能和計(jì)算機(jī)技術(shù)，根據(jù)某領(lǐng)域一個(gè)或多個(gè)專家提供的知識和經(jīng)驗(yàn)，提供推理和判斷，模擬人類專家的推理過程，以便解決那些需要人類專家處理的復(fù)雜問題，換句話說，專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計(jì)算機(jī)程序［9］。

調(diào)度專家系統(tǒng)可以產(chǎn)生復(fù)雜的啟發(fā)式規(guī)則，利用定性和定量知識，具有一定的智能性。但是開發(fā)周期長、費(fèi)用昂貴且所需的經(jīng)驗(yàn)和知識難以獲取，同時(shí)專家系統(tǒng)的學(xué)習(xí)能力有限，所以專家系統(tǒng)在任務(wù)規(guī)劃中的發(fā)展前景并不被看好，且其常與其他算法混合使用［10］。

專家系統(tǒng)常用于多星綜合任務(wù)規(guī)劃。文獻(xiàn)［11］針對成像衛(wèi)星任務(wù)規(guī)劃與調(diào)度問題，結(jié)合多星多地面站的特點(diǎn)，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)結(jié)合了模型庫的任務(wù)規(guī)劃專家實(shí)驗(yàn)系統(tǒng)。文獻(xiàn)［12］主要基于綜合任務(wù)規(guī)劃，以應(yīng)用需求為指導(dǎo)，在分析成像衛(wèi)星綜合任務(wù)規(guī)劃問題的基礎(chǔ)上，提出了一種基于專家決策支持技術(shù)的解決方案，并且針對該專家決策支持系統(tǒng)，設(shè)計(jì)了知識庫模塊和解釋機(jī)制，將關(guān)系數(shù)據(jù)庫和專家系統(tǒng)相結(jié)合，還將多準(zhǔn)則決策模型引入專家系統(tǒng)，將多準(zhǔn)則評價(jià)模型用于專家系統(tǒng)的第三級推理。劉曉娣［13］具體研究了多衛(wèi)星綜合任務(wù)規(guī)劃關(guān)鍵技術(shù)，針對多衛(wèi)星綜合任務(wù)規(guī)劃問題，采用可擴(kuò)展性的星地資源組織方式，引入基于規(guī)則推理的專家系統(tǒng)，采用專家推理與模型決策相結(jié)合的綜合任務(wù)規(guī)劃方式，構(gòu)建了多衛(wèi)星綜合任務(wù)規(guī)劃的總體框架，并且設(shè)計(jì)了綜合任務(wù)規(guī)劃專家系統(tǒng)結(jié)構(gòu)，研究了專家系統(tǒng)中的知識表示方法，以語義網(wǎng)絡(luò)表示事實(shí)，以產(chǎn)生式規(guī)則表示專家知識。杜瑩［14］對面向衛(wèi)星任務(wù)規(guī)劃的專家系統(tǒng)的知識表示方法、推理機(jī)制和解釋機(jī)制等關(guān)鍵技術(shù)進(jìn)行了深入研究，后又提出了基于C語言集成產(chǎn)生式系統(tǒng)（C Language Integrate Dproduction System，CLISP）的衛(wèi)星任務(wù)規(guī)劃專家系統(tǒng)的設(shè)計(jì)方法，詳細(xì)分析了系統(tǒng)的結(jié)構(gòu)和功能，重點(diǎn)討論了中文產(chǎn)生式系統(tǒng)的巴科斯范式（Bachus Naur Form，BNF）、基于上下文的推理機(jī)制和集合運(yùn)算符［15］。由于專家系統(tǒng)學(xué)習(xí)能力有限，常與其他算法混合使用，文獻(xiàn)［16］采用了先通過專家系統(tǒng)進(jìn)行遙感衛(wèi)星的工作模式推理，再基于解修正的遺傳算法完成衛(wèi)星資源優(yōu)化分配的兩階段機(jī)制，設(shè)計(jì)了基于面向服務(wù)的架構(gòu)（Service-Oriented Architecture，SOA）遙感衛(wèi)星任務(wù)規(guī)劃系統(tǒng)（RS4BS）框架，取得了很好的效果。

2.2.3 基于Agent的規(guī)劃調(diào)度方法

對Agent和多智能體系統(tǒng)（Multi-Agent System，MAS）的定義有很多，廣義上，Agent是指具有一定的自主行為或智能特征的實(shí)體；MAS也稱作多智能體系統(tǒng)，指由多個(gè)Agent構(gòu)成的系統(tǒng)。Agent和MAS的方法是面向一定的任務(wù)目標(biāo)，依據(jù)其它Agent以及周圍環(huán)境的狀態(tài)，并基于自身狀態(tài)決策機(jī)構(gòu)來規(guī)劃實(shí)施的。Agent有能力與其它Agent協(xié)作解決共同面臨的問題?；贛AS的決策和控制方法能夠集成許多傳統(tǒng)的和現(xiàn)代的模型，包括人工智能和非人工智能模型。由于智能遙感任務(wù)規(guī)劃是一個(gè)異常復(fù)雜而龐大的系統(tǒng)，MAS有著極強(qiáng)的協(xié)作求解問題的能力，于是隨著軟件Agent和MAS理論方法的引入，它已成為任務(wù)規(guī)劃的主要技術(shù)途徑，其前景被普遍看好，同時(shí)也是當(dāng)前在軌運(yùn)行和計(jì)劃的各類空間系統(tǒng)中運(yùn)用最多的一項(xiàng)綜合性技術(shù)［17］。

文獻(xiàn)［18］對基于Agent調(diào)度方法的任務(wù)規(guī)劃進(jìn)行理論分析，將衛(wèi)星按照其智能水平的高低分成4個(gè)層次的Agent，成像衛(wèi)星作為其中的第一個(gè)層次。張正強(qiáng)等［19］建立了該方法的具體模型，根據(jù)分布式成像衛(wèi)星系統(tǒng)的分布性和智能性特點(diǎn)，采用Agent及多Agent系統(tǒng)，即MAS的思想，給出了一種高可靠性的分布式成像衛(wèi)星系統(tǒng)MAS結(jié)構(gòu)及智能成像衛(wèi)星Agent的分層混合結(jié)構(gòu)模型，并提出了基于多Agent協(xié)商的分布式動(dòng)態(tài)任務(wù)規(guī)劃方法。由于實(shí)際中經(jīng)常會出現(xiàn)各個(gè)衛(wèi)星延遲通信的狀況，文獻(xiàn)［20］針對通信延遲條件下的衛(wèi)星協(xié)同優(yōu)化決策問題，建立了衛(wèi)星協(xié)同優(yōu)化決策模型，提出了適應(yīng)延遲通信的統(tǒng)一處理策略，設(shè)計(jì)了衛(wèi)星優(yōu)化策略的搜索方法，建立了一種面向動(dòng)態(tài)任務(wù)的多星混合學(xué)習(xí)框架，提出了任務(wù)不變條件下的任務(wù)分配策略算法和任務(wù)變化條件下的增量策略遷移學(xué)習(xí)算法。王海蛟［21］提出了一種基于強(qiáng)化學(xué)習(xí)的衛(wèi)星規(guī)?；诰€調(diào)度方法，針對分布式結(jié)構(gòu)下衛(wèi)星在線調(diào)度問題，建立了一種基于馬爾科夫游戲的衛(wèi)星在線調(diào)度模型。2018年，北京航空航天大學(xué)公開了人工智能程序員書寫星上遙感任務(wù)規(guī)劃Agent程序的方法，使程序的使用得以公開化［22］。

2.2.4 神經(jīng)網(wǎng)絡(luò)的方法

神經(jīng)網(wǎng)絡(luò)是指從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行抽象，建立某種簡單模型，按不同的連接方式組成不同的網(wǎng)絡(luò)。通過訓(xùn)練集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從數(shù)據(jù)中學(xué)習(xí)到一定規(guī)律，從而計(jì)算出解決問題的方法，并對下一步進(jìn)行有效預(yù)測。如何訓(xùn)練神經(jīng)網(wǎng)絡(luò)是技術(shù)的關(guān)鍵所在。

2006年，深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)技術(shù)（深度學(xué)習(xí)）被提出，相比傳統(tǒng)方法，深度學(xué)習(xí)的效果大幅提高。2008年，朱戰(zhàn)霞［23］用Hopfield神經(jīng)網(wǎng)絡(luò)算法對單個(gè)儀器的任務(wù)規(guī)劃問題進(jìn)行了研究，構(gòu)造了一個(gè)由256個(gè)神經(jīng)元構(gòu)成的Hopfield對地觀測網(wǎng)絡(luò)，用以表示不同時(shí)間和不同觀測目標(biāo)的任務(wù)規(guī)劃。而后，邢立寧等［24］又結(jié)合實(shí)際情況進(jìn)行了完善，在分析實(shí)際影響成像衛(wèi)星任務(wù)執(zhí)行因素，如任務(wù)重疊度、任務(wù)收益、氣象信息等基礎(chǔ)上，設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的星上任務(wù)可調(diào)度性預(yù)測方法，并設(shè)計(jì)多個(gè)不同算例驗(yàn)證其效果。由于神經(jīng)網(wǎng)絡(luò)前期較差的效果，以及深度學(xué)習(xí)興起較晚，神經(jīng)網(wǎng)絡(luò)在任務(wù)規(guī)劃中的應(yīng)用較少，但前景依然可期。

2.2.5 遺傳算法、模擬退火法和禁忌算法

遺傳算法、模擬退火法和禁忌算法在本質(zhì)上都屬于全局算法，但都具有隨機(jī)性，即可能得到全局最優(yōu)解或得到一個(gè)較好的局部最優(yōu)解。它們都模擬了自然過程，遺傳算法借鑒了自然界優(yōu)勝劣汰的進(jìn)化思想，模擬退火法源于物理學(xué)中 固體物質(zhì)的退火過程，禁忌算法模擬了人類有記憶過程的智力過程，三種算法最大的區(qū)別在于跳出局部解的策略不同。

三種算法之間經(jīng)常結(jié)合使用，比如模擬退火和遺傳算法相結(jié)合形成的模擬退火遺傳算法，就把它們有機(jī)地結(jié)合在一起，取長補(bǔ)短，使得性能更加優(yōu)良。雖然這三種方法都有明顯的缺陷，但若能靈活地運(yùn)用它們，依然能很好地完成規(guī)劃任務(wù)［25］。例如文獻(xiàn)［26］在對地觀測衛(wèi)星任務(wù)規(guī)劃中使用遺傳算法和貪婪算法相結(jié)合的方法，從而改進(jìn)貪婪算法的缺點(diǎn)。Globus A等［27］比較了爬山法、模擬退火和遺傳算法等求解方法在點(diǎn)目標(biāo)的成像衛(wèi)星調(diào)度問題中的表現(xiàn)，發(fā)現(xiàn)在使用單獨(dú)的一種算法時(shí)，模擬退火算法求解質(zhì)量最好。但是在選擇算法時(shí)應(yīng)該考慮問題的規(guī)模，文獻(xiàn)［28］比較了禁忌搜索算法和列生成法在面向點(diǎn)目標(biāo)的多星聯(lián)合調(diào)度問題中的表現(xiàn)。實(shí)驗(yàn)表明采用列生成法進(jìn)行求解能夠獲得小規(guī)模問題的最優(yōu)解，當(dāng)問題規(guī)模變大時(shí)，采用禁忌搜索算法更適合。阮啟明等［29］又對問題進(jìn)行了分級處理，根據(jù)問題模型中采用分級的兩層優(yōu)化目標(biāo)特點(diǎn)，采取最大化整體收益優(yōu)先于最小化觀測成本的分級優(yōu)化策略，設(shè)計(jì)了貪婪隨機(jī)變鄰域搜索、禁忌搜索和模擬退火等求解算法，并對這些算法的性能進(jìn)行了比較和分析，得出以貪婪隨機(jī)變鄰域搜索算法得到的解作為初始解的禁忌搜索過程綜合表現(xiàn)最好的結(jié)論。隨著人們對算法的不斷完善和更新，算法也呈現(xiàn)出新的內(nèi)容，文獻(xiàn)［30］應(yīng)用了新的遺傳算法模擬實(shí)際衛(wèi)星任務(wù)調(diào)度問題，并創(chuàng)建了用于自主衛(wèi)星任務(wù)的圖形用戶界面（Graphical User Interface，GUI）設(shè)計(jì)。

3 智能遙感數(shù)據(jù)分類研究現(xiàn)狀

3.1 觀測衛(wèi)星圖像數(shù)據(jù)處理流程

遙感信息圖像處理主要包括圖像分類、圖像分割、特征識別等過程，具體的圖像數(shù)據(jù)處理流程如圖1。

圖1 圖像數(shù)據(jù)處理的流程Fig.1 Flow chart of image data processing

（1） 根據(jù)任務(wù)對圖像進(jìn)行相應(yīng)的預(yù)處理。這是影像處理流程中非常重要的環(huán)節(jié)，一般包括去噪、波段疊加與分離、影像增強(qiáng)、輻射校正、幾何校正、影像裁剪、影像鑲嵌、影像融合等。通過預(yù)處理可以改善圖像質(zhì)量，增強(qiáng)圖像的視覺效果，將圖像轉(zhuǎn)換成一種更適合于人或機(jī)器進(jìn)行分析處理的形式，為其后面的進(jìn)一步處理分析工作奠定基礎(chǔ)。

（2） 定義相關(guān)的、感興趣的地物類別并標(biāo)記訓(xùn)練樣本。根據(jù)圖像數(shù)據(jù)特性以及分類目的，選取合適的三個(gè)波段合成的偽彩色圖像，然后從獲取的訓(xùn)練樣本數(shù)據(jù)集中提取出需要分類的地物目標(biāo)類型，分別找出分類類型對應(yīng)的特征量。

（3） 特征提取。同類物質(zhì)樣本的分布具有密集性，在特征空間中分隔不同類別的地物樣本，關(guān)鍵是從原始特征中選取出一組最能反映其類別的新特征。

（4） 特征選擇。特征選擇的要求是在不損失原始數(shù)據(jù)有用信息的條件下，選擇部分有效特征，同時(shí)拋棄多余特征，具體過程是依據(jù)原始波段圖像的測量值，按照分類需要經(jīng)過特定變換，構(gòu)建一組能夠有效描述地物類別特征的模式。

（5） 像元分類。選取適當(dāng)?shù)姆诸惼骷捌渑袛鄿?zhǔn)則，對未知區(qū)域的樣本進(jìn)行類別歸屬的判斷，即對像元進(jìn)行類別劃分。方法大致分為監(jiān)督分類和無監(jiān)督分類兩種，受使用不同分類方法的影響，取得的分類效果會存在一定的差異。

（6） 精度分析。分類結(jié)束后，圖像的類別信息都已確定，將整幅圖像標(biāo)記為相應(yīng)的類別輸出，比較已知類別的數(shù)據(jù)與分類結(jié)果，對分類精度進(jìn)行判定［31］。

無論目標(biāo)提取、影像分類還是變化檢測，核心都是利用地物的特征差異性，通過某種變換或處理手段，使有特征差異的點(diǎn)分離開來，地物的特征差異表現(xiàn)在光譜特征和空間特征上［32］。目前圖像處理存在的問題主要有空間分辨、光譜分辨率和時(shí)間分辨率不高，對數(shù)據(jù)利用不充分等。

3.2 智能遙感圖像數(shù)據(jù)處理方法

目前人工智能技術(shù)在遙感圖像處理方面的算法主要有決策樹、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)方法以及深度學(xué)習(xí)方法等，這些分類算法可以提高圖像處理的精度，更好地完成任務(wù)。

3.2.1 決策樹方法

決策樹方法是一種以特征值作為基準(zhǔn)值分層逐次進(jìn)行比較歸納的分類方法。它具有樹形結(jié)構(gòu)，其葉節(jié)點(diǎn)代表類的分布，內(nèi)部節(jié)點(diǎn)代表對某個(gè)屬性的一次測試，每條分支代表一次測試結(jié)果。整顆樹采用遞歸構(gòu)造方法，測試從根節(jié)點(diǎn)開始，對每個(gè)非葉節(jié)點(diǎn)對應(yīng)的樣本集進(jìn)行測試，根據(jù)不同的屬性值引出該節(jié)點(diǎn)的向下分支，直到某一節(jié)點(diǎn)只包含同一類別的樣本或樣本集沒有特征進(jìn)行再分時(shí)停止。用決策樹進(jìn)行圖像分類時(shí)，訓(xùn)練樣本速度快；結(jié)構(gòu)簡單直觀，便于用戶理解；且除了訓(xùn)練樣本數(shù)據(jù)集中包含的信息外不需要其他領(lǐng)域知識融入；同時(shí)決策樹分類主觀操作性強(qiáng)，根據(jù)先驗(yàn)知識及經(jīng)驗(yàn)，可以確定或調(diào)整各個(gè)屬性之間的權(quán)重關(guān)系（重要性）或地物分類先后層次關(guān)系。決策樹的構(gòu)造結(jié)果可以是一棵二叉的或多叉的構(gòu)造，因此在高光譜圖像分類中，二叉決策樹作為決策樹的一種特殊形式，因其簡單靈活的構(gòu)造被廣泛應(yīng)用。

然而決策樹依然存在一些缺點(diǎn)，如：對連續(xù)性的字段比較難預(yù)測，對有時(shí)間順序的數(shù)據(jù)需要很多預(yù)處理的工作；可重復(fù)性較強(qiáng)，在樹結(jié)構(gòu)的構(gòu)造過程中反復(fù)地讀取數(shù)據(jù)、順序掃描和排序訓(xùn)練樣本數(shù)據(jù)集，影響算法的效率；且只要在樹結(jié)構(gòu)的其中某一個(gè)節(jié)點(diǎn)處出現(xiàn)誤差，都會隨著樹結(jié)構(gòu)的分枝傳遞下去［33］。

決策樹用于對地觀測始于20世紀(jì)90年代，1996年，Hansen M［34］采用決策樹的方法，通過對年全球遙感數(shù)據(jù)的分類處理，得到了全球土壤覆蓋分類圖。同年，Tadjudin S等［35］提出了利用基于使兩個(gè)子類統(tǒng)計(jì)距離最大化的特征提取技術(shù)構(gòu)造的復(fù)合決策樹。1997年，F(xiàn)riedl M A［36］總結(jié)了多種決策樹方法，將它們應(yīng)用于遙感數(shù)據(jù)中并進(jìn)行比較與改進(jìn)。為了進(jìn)一步提高精度，2000年，Palaniappan K等［37］提出了一種加強(qiáng)二叉樹遺傳算法進(jìn)行地表覆蓋的自動(dòng)分類并得到了90%的分類精度［37］。隨著模糊理論的興起，Bruzzo M等［38］提出了整合二叉決策樹和模糊分類技術(shù)，并將其用于遙感圖像數(shù)據(jù)庫的搜索機(jī)制。在提高了決策樹的精度以后，文獻(xiàn)［39］又提出了一種Peano Count Tree，相比一般決策樹，在處理越來越多的空間數(shù)據(jù)時(shí)，處理效率大大提高，從而節(jié)省了大量時(shí)間。文獻(xiàn)［40］使用兩種決策樹CART和C4.5，對中國東北250m分辨率的數(shù)據(jù)進(jìn)行土地覆蓋和分類研究，并且比較了兩種決策樹的特點(diǎn)。由于高光譜圖像中常存在混合像素，文獻(xiàn)［41］采用純像素指數(shù) （PPI） 在選擇各種樣本時(shí)提取端元作為訓(xùn)練樣本，進(jìn)行決策樹訓(xùn)練，解決了混合像素的問題。

3.2.2 神經(jīng)網(wǎng)絡(luò)方法

神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)算法相比，在進(jìn)行圖像分類時(shí)，無須考慮像元分布特征，此外它還廣泛應(yīng)用于多源遙感數(shù)據(jù)分類。與其在遙感衛(wèi)星任務(wù)規(guī)劃領(lǐng)域應(yīng)用類似，神經(jīng)網(wǎng)絡(luò)在遙感數(shù)據(jù)處理中的應(yīng)用興起較早，且伴隨著深度學(xué)習(xí)的出現(xiàn)煥發(fā)了新的生機(jī)。

早在1994年，Abuelgasim A等［42］研究了人工神經(jīng)網(wǎng)絡(luò)方法在對土地覆蓋數(shù)據(jù)進(jìn)行分類的有效性，提出了一種結(jié)合了Kohonen的自組織網(wǎng)絡(luò)和反向傳播模型的神經(jīng)網(wǎng)絡(luò)模型。同年，Chiuderi A等［43］將神經(jīng)網(wǎng)絡(luò)用于執(zhí)行主題測繪儀（Thematic Mapper，TM）數(shù)據(jù)與合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）數(shù)據(jù)的融合，獲得了佛羅倫薩（意大利）周圍的農(nóng)業(yè)區(qū)域的土地覆蓋分類，提出并使用了兩種不同的NN體系結(jié)構(gòu)，即反向傳播網(wǎng)絡(luò)和Kohonen映射，報(bào)告并討論了兩種情況下獲得的結(jié)果。這兩種方法還不適用于大量的航空航天圖像的處理，文獻(xiàn)［44］指出了一種航空航天圖像的高性能分類方法，即使用地理信息系統(tǒng)（Geographic Information System，GIS）空間數(shù)據(jù)作為輸入和輸出數(shù)據(jù)，使用神經(jīng)網(wǎng)絡(luò)對被研究類物體的光譜和空間圖像進(jìn)行建模。神經(jīng)網(wǎng)絡(luò)也常與其他算法結(jié)合使用，文獻(xiàn)［45］利用人工神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合的方法，探討了降雨在臺灣東部的土地利用和山體滑坡之間的關(guān)系。文獻(xiàn)［46］將基于輪廓的方法和Hopfield神經(jīng)網(wǎng)絡(luò)兩種分類方法結(jié)合，產(chǎn)生一種基于輪廓的Hopfield神經(jīng)網(wǎng)絡(luò)（Contour-Based Hopfield Neural Network，CHNN）的新方法。在進(jìn)行特征提取時(shí)，常采用降維提取的方法，文獻(xiàn)［47］將自聯(lián)想神經(jīng)網(wǎng)絡(luò)（Auto-Associative Neural Network，AANN） 用于實(shí)現(xiàn)降維高光譜數(shù)據(jù)的非線性主成分分析中。文獻(xiàn)［48］通過自動(dòng)關(guān)聯(lián)神經(jīng)網(wǎng)絡(luò)執(zhí)行用于高光譜數(shù)據(jù)的降維的特征提取，將算法性能與主成分分析和最大噪聲分?jǐn)?shù)進(jìn)行比較，并報(bào)告了由減少的矢量和專用神經(jīng)網(wǎng)絡(luò)分類算法產(chǎn)生的陸地覆蓋基于像素的地圖結(jié)果。

3.2.3 深度學(xué)習(xí)方法

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)研究中的一個(gè)新的領(lǐng)域，其動(dòng)機(jī)在于建立、模擬人腦進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，其模仿人腦的機(jī)制解釋數(shù)據(jù)，例如圖像、聲音和文本［49］。深度學(xué)習(xí)在遙感圖像分類中的應(yīng)用興起很晚但由于其效率高、準(zhǔn)確度高，因此發(fā)展迅速，受到了廣大研究者的青睞。

2014年，深度學(xué)習(xí)的概念首次被引入到高光譜數(shù)據(jù)分類中，構(gòu)建了一個(gè)包含主成分分析（Principal Component Analysis，PCA）、深度學(xué)習(xí)和邏輯回歸的混合體學(xué)習(xí)框架［50］。2015年，Makantasis K等［51］利用卷積神經(jīng)網(wǎng)絡(luò)對像素的光譜和空間信息進(jìn)行編碼，并利用多層感知器進(jìn)行任務(wù)分類，自動(dòng)提取圖像特征。但是以上方法均由于標(biāo)記數(shù)據(jù)有限，容易產(chǎn)生過擬合問題，文獻(xiàn)［52］提出先設(shè)計(jì)預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）提取一組初始值，并將其和其類標(biāo)簽一起用于受監(jiān)督的CNN分類器中，從而更有效地訓(xùn)練系統(tǒng)，有效地解決了過擬合問題。為了提高分類精度，文獻(xiàn)［53］提出了一種包含主成分分析、深度置信網(wǎng)絡(luò)和邏輯回歸的深度學(xué)習(xí)框架，將光譜空間和分類相結(jié)合，大大提高了分類精度。但上述方法對標(biāo)記樣本依賴程度較高，因此文獻(xiàn)［54］提出了一種基于加權(quán)增量字典學(xué)習(xí)的主動(dòng)深度學(xué)習(xí)算法，算法通過在每次迭代中主動(dòng)選擇訓(xùn)練樣本有效地訓(xùn)練深度網(wǎng)絡(luò)，從而減少了對高質(zhì)量的標(biāo)記樣本的依賴。深度學(xué)習(xí)中的深度卷積神經(jīng)網(wǎng)絡(luò)常用于圖像分類領(lǐng)域，同時(shí)，高空間分辨率圖像逐漸成為圖像分類方法中的主要對象。2017年，Nicholus M等［55］使用CNN學(xué)習(xí)判別空間特征，在非常高分辨率的衛(wèi)星圖像中提取信息，自動(dòng)識別不同的城市類別。文獻(xiàn)［56］研究了深度卷積神經(jīng)網(wǎng)絡(luò)（Deep Convolutional Neural Networks，DCNNS）在遙感影像分類中的應(yīng)用，分別設(shè)計(jì)了一種復(fù)數(shù)域的DCNNS模型以及一種端到端的DCNNS模型。后又不斷擴(kuò)展圖像分類的光譜帶和準(zhǔn)確度，文獻(xiàn)［57］提出了一種基于Sentinel-2衛(wèi)星圖像，涵蓋了13個(gè)不同的光譜帶、10個(gè)類別和27000個(gè)標(biāo)記圖像的全新數(shù)據(jù)集，在此數(shù)據(jù)集使用卷積神經(jīng)網(wǎng)絡(luò)達(dá)到了98.57%的分類準(zhǔn)確度。

4 結(jié)束語

遙感一詞最早由美軍海軍科學(xué)部提出，后在1961年正式被采納，經(jīng)過半個(gè)多世紀(jì)的發(fā)展，遙感技術(shù)已廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、氣象、水文、環(huán)保、地質(zhì)、海洋等各個(gè)領(lǐng)域。人工智能的發(fā)展非常迅猛，是當(dāng)今研究的幾大熱點(diǎn)之一，將人工智能技術(shù)應(yīng)用于遙感，未來遙感衛(wèi)星的任務(wù)規(guī)劃必將越來越少的依賴人工規(guī)劃與計(jì)算，變得自主化與智能化，能獨(dú)立地處理問題和應(yīng)對挑戰(zhàn)。未來遙感圖像的空間分辨率、光譜分辨率和時(shí)間分辨率都將大幅提高，人類可以更準(zhǔn)確、快速地對遙感圖像進(jìn)行處理，相信人工智能終有一天會代替?zhèn)鹘y(tǒng)技術(shù)，成為對地觀測中最關(guān)鍵的科技手段。當(dāng)前人工智能在遙感技術(shù)的應(yīng)用呈現(xiàn)出百花齊放的特點(diǎn)，不同的學(xué)者針對不同的應(yīng)用采用不同的方法，一定程度上實(shí)現(xiàn)了遙感任務(wù)規(guī)劃和遙感數(shù)據(jù)處理。但這些研究具有很大的局限性，面向的任務(wù)單一，工程應(yīng)用的成熟度不足，還很難達(dá)到智能遙感的需求。在工程應(yīng)用上，各航天大國正在開展廣泛而深入的研究，實(shí)現(xiàn)遙感技術(shù)的智能化和自主化成為未來智能航天的重要方面。