高尔夫球场向来被视为高端社交场地，但“高端”背后，却是对资源环境的侵袭：
不仅大量占用土地资源、耗费水资源，而且在维护草坪的时候大量使用化肥农药，会造成严重污染。
有多严重呢？
曾任江苏省副省长的徐鸣此前接受《中国经济周刊》专访给出了一个对比：
“一个高尔夫球场的污染比一座普通工厂的污染还要严重。”
从2004年开始，有关部门就开始出台一系列政策限制球场建设，并在2017年前后开展了专项清理整治。
但整治效果该如何核查？
球场相对分散，且占地面积比较大， 通过遥感图像来检测，是较优方案，高分辨率光学遥感影像的普及也为场检测提供了有力数据支持。
不过……哪怕这些数据都有，检测起来却并不容易。比如下面就是一张遥感图像，忽略绿框，你能发现其中的高尔夫球场有多少，都在哪吗？
一个熟练解译人员从这样的遥感图像中检测出来所有的高尔夫球场，需要15分钟左右。
而现在，深度学习技术改变了这项工作的面貌。只需10秒，就能够在这样的图中，自动检测出高尔夫球场。相比之下，效率提高90倍。识别的准确度也达到了88%。
AI 在图像识别领域中已经颇有建树许多年，为什么到现在能力才体现出来？想要回答这些问题，需要先回答——
为什么原来处理遥感图像很慢？
利用遥感图像监测地表，是一个持续的过程。
中科院遥感地球所研究人员说，其中最大的难点就在于，同一个地方的环境和气候，每年都会发生变化。这会对理解遥感图像的算法造成极大的影响。
最直接的体现就是，原本针对这些地方构建的算法，过了一年之后，就要有针对性地调优，适应这些变化，不然就会“罢工”。
而且， 这些算法都与人的经验有很强的关联性，如果设计算法的人离职，整个算法就难以为继了。
需要注意的是，这些算法并不是自动化的，仍旧需要人工去配合。中国960万平方公里，想要完成一遍，至少需要千余人集中工作2到3个月。
遥感所如何用深度学习改进？
怎么办？可以用深度学习。现在， 遥感所是这样做的：
针对一个地方构建样本库，然后基于样本库中的图像训练深度学习模型。
第二年，这一地方的环境和气候发生变化，只需要把新的图像加进样本库，然后重新把模型训练一遍就可以了。
同时，这样也能够减少对人的依赖，模型的调整不再受限于专家经验，而是依靠数据的变化。而且，数据越来越多，也不再是累赘，而是提高模型精度的“养料”。
虽然现在看来，这一切都很高效且非常简单。但在从传统的人工+算法模式到现在深度学习的模式切换中，还经历了不少困难。
用 AI 理解遥感图像，有什么难的？
图像识别，可以说是当前 AI 领域比较成熟的技术了，但问题在于，这些深度模型，主要是针对自然图像的，如果直接用于理解遥感图像效果就会大打折扣。
自然图像和遥感图像差别在哪里？
首先，遥感图像波段比较多，除了自然图像的 RGB 三个波段之外，遥感图像至少还要多出一个近红外波段。
其次，图像的尺度差异也非常大，遥感图像的尺度差异甚至要达到1：30 以上，才能较好地识别各个目标地物。
第三，有局部空间特征失真的问题。自然图像的失真，整体是可控的。但遥感图像成像的失真，是由于在图像获取中的误差产生的，相对来说是不可控的。
这些问题的存在，让现有的深度学习算法很难直接应用到遥感图像理解任务中。不仅模型需要进一步优化，还需要框架提供支持：不仅要在遥感影像读入方面提供多波段的支持，还需要添加针对遥感影像的图像增强算法，考虑到多波段的颜色增强，以及局部空间特征变形增强等等方面。
这些，正是百度在其深度学习框架 PaddlePaddle 中所做的事情，借助这一框架，中科院遥感地球所，也正在完成一轮新的技术迭代。
越来越广泛的应用
如前所述，在专业、标准的高尔夫球场遥感数据集中，只需要10秒，就能够检测出遥感图像中的所有球场。用人工+算法来识别，则需要15分钟。
深度学习新方法让工作效率提高了90倍，检出准确率也能够达到88%。
而且，深度学习并不仅仅只是用于自动化检测高尔夫球场，还正在被用于理解遥感图像中的机场，建设在山区中的风力和光伏发电站。
借助深度学习技术，研究人员能够根据遥感图像快速识别出一个地区有多少太阳能面板，就有可能对这一地区能够发多少电有清晰的预估，并为电网建设提供决策支持，避免“有电没网”或者“有网没电”的窘境。
理解遥感图像，只是 PaddlePaddle 解决实际问题的一个范例。
在计算机视觉领域，这个框架已经能够支持模型完成图像分类、目标检测、图像语义分割、场景文字识别、图像生成、人体关键点检测、视频分类、度量学习等任务。
相信在可见的未来，我们还能看到越来越多用深度学习技术让复杂的世界更简单的案例，让我们拭目以待吧！
京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有 
