文 | 卢凯旋 昝露洋 李庆亭 陈正超 张兵中国科学院空天信息创新研究院

关键字：遥感大数据；人工智能；灾害监测；应急管理

一、引言

随着全球气候变化趋势的加剧，世界范围内自然灾害发生的频度、强度和造成的损失呈现出不断增加的趋势[1-4]。我国是世界上自然灾害最为严重的国家之一，灾害种类多，分布地域广，发生频率高，造成损失重[1-3]，给人们的生命财产安全及社会经济正常发展带来巨大威胁[5-6]。卫星遥感技术凭借其观测范围广、探测手段多样、多尺度动态连续监测能力强等优势，在重特大灾害监测、灾情评估以及灾后恢复重建等过程中发挥了重要作用，是防灾、减灾、救灾重要的技术支撑手段之一[3,5-6]。

多维、多尺度、多平台的卫星遥感综合观测空间信息网络为人类提供了无处不在的多层次、多角度、多谱段、多维度、多时相的遥感观测数据，提升了人类对地球的观测能力和认知，提高了不同灾害类型的目标要素识别监测频率和时效性[3,4,7]。其中，以环境减灾卫星、高分一号为代表的对地观测卫星可提供大尺度、大范围、中分辨率的遥感数据，通过多星组网，时间分辨率可达 1 天重访，而静止轨道高分四号卫星甚至能实现分钟级的重访观测成像。灾害遥感监测业务体系逐渐形成，灾害监测和应急管理迎来遥感大数据获取时代[8,9]。地震、洪涝、森林火灾、台风等自然灾害发生时，建筑物倒塌、基础设施毁坏、交通要道以及通讯中断等情况使得常规手段很难获取灾情信息，从而影响灾后评估和救援工作[10-11]。目前的应急处理方法是灾害发生后通过地面调查、历史数据分析以及遥感卫星影像解译等手段，综合监测分析灾情的发展变化。由于灾情分析工作主要由人工主导，导致灾情信息反馈频率低、速度慢、精度差，无法做到实时追踪灾情的发展变化。传统的应急手段难以满足应急管理目标要素高效率和高精度监测的业务需求[3]。加强遥感数据在任务观测、数据融合、信息挖掘等方面的协同应用，依托大数据、人工智能等分析手段，构建基于高频次海量观测数据的信息挖掘技术，成为遥感大数据应用的必然要求[12-14]，以机器学习为主的智能化信息提取方法应运而生[15]。

二、遥感大数据的信息智能提取

遥感大数据时代的信息提取和知识发现是以数据模型为驱动，其本质是以大样本为基础，通过人工智能技术自动学习地物对象的遥感化本征参数特征，进而实现对信息的智能化提取和知识挖掘[13]。人工智能技术通过非线性数学模型对输入的原始数据特征进行抽象表达，和传统的信息提取方法不同，它不需要依赖手工特征，而是自动学习对象的特征，保证了信息准确且高效的提取[15-16]。面向应急管理需求，利用遥感大数据技术和人工智能技术等手段进行减灾应急，使得数据时效性更高、信息提取精度更高、时间开销更少，更好地满足灾害监测和灾情评估的要求。遥感大数据技术和人工智能技术在减灾应急方面有着传统方法不可比拟的优势，也将发展成为未来灾害监测与损失评估的关键支撑技术[15]。目前深度学习与遥感信息科学的结合，主要集中在围绕图像分类、目标识别等领域，特别是在高空间分辨率遥感图像场景下的目标识别以及高光谱分辨率图像中的地物分类应用，取得了突破性的进展[15-16]。

针对灾害应急监测和管理典型目标要素高效高精度实时监测的需求和目标要素遥感图像特征复杂、尺度不一、背景多样的特点，基于遥感大数据和人工智能技术，构建了针对应急管理典型目标要素的深度学习网络模型，开发了基于遥感大数据和人工智能的信息提取系统，实现了目标要素地理空间信息的快速准确监测，可为灾害应急指挥和应急决策提供数据信息保障和支持，对遥感技术在应急监测和管理领域的深入应用具有极大推进作用。

三、灾害要素智能提取方法

基于典型灾害事故的应急管理需求，确定主要的应急目标要素体系，结合应急目标要素遥感图像特征的复杂性和独特性，构建基于先验知识约束下的人工智能深度学习网络模型，建立了针对性的灾害要素遥感大数据人工智能提取方法。

1. 灾害要素目标分析

灾害的监测主要包含灾害事故监测、灾害风险评估、应急监测、损失评估、灾后恢复重建等[3,6]。灾害事故要素监测，需要提取和分析植被、水体、积雪、矿山、尾矿库、危化品等灾害系统重要要素的空间分布及其变化等信息。灾害风险评估，需要重点针对洪涝、台风、干旱、滑坡等灾害，提供灾害风险要素的分布和状态。应急监测中，需要针对突发性灾害，获取洪涝、地质、森林草原火灾等灾害范围及其发展演变情况。在损失评估中，需要利用高分辨率遥感影像对受灾范围内房屋、道路等毁损实物的数量和程度进行分析和评估。在灾后恢复重建中，需要对房屋规划重建进度、道路修复进展和生态植被恢复进程等进行定期监测。

针对典型灾害监测的需求，本文拟提取的应急目标要素为居民地、建筑物、道路、耕地、大棚、室外运动场、飞机场、尾矿库、化工厂、钢铁厂、火电厂、水泥厂等，其中居民地、建筑物、道路、耕地、大棚等受灾对象属于语义分割对象，室外运动场、飞机场为简单综合目标对象，尾矿库、化工厂、钢铁厂、火电厂、水泥厂为复杂综合目标对象。在海量多时相、多空间分布的多源异构高分系列卫星数据支持下，分析遥感图像、受灾对象的典型特征，制作监测样本库，研究基于人工智能方法的先验知识约束下的深度学习网络模型，构建软硬件一体化的分布式深度学习智能提取系统。

2. 面向目标的深度学习网络模型构建

遥感图像具有大场景成像、地表场景复杂、尺度效应明显以及空间位置特征突出等特点，这些特点决定了遥感图像内会包含复杂的多种地物类型，降低了地物识别的准确率。考虑到受灾对象在遥感图像数据中的复杂性，面向实际应急需求，网络模型构建的总体思路采用分而治之的策略。针对不同的受灾对象，构建基于人工智能方法的先验知识约束下的深度学习网络模型，包括面要素的语义分割、点要素的目标检测，具体如下：

针对居民地、建筑物、道路、耕地、大棚等语义分割受灾对象，采用深度学习语义分割技术，选取了针对遥感多光谱改进的PSPNet（Pyramid Scene Parsing Network）作为深度神经网络算法。对不同尺度下的地物特征进行提取，解决了不同类别遥感地物大小差异悬殊的问题，通过权重分配解决了样本不均衡问题。

针对简单综合目标，比如室外运动场、飞机场等，其组合要素容易和图像上其他地物混淆，基于RetinaNet目标检测网络，构建了SegRRetinaNet目标检测网络，在原始网络基础上集成了两种技术。第一种技术是添加了语义分支结构模块，在RetinaNet浅层添加了PSPNet用于获取特征图的语义信息，减少目标的误检；第二种技术是为得到检测目标的角度信息，添加了旋转不变模块以确保模型的旋转不变性，完成任意方向的目标检测。

复杂综合体目标，与简单目标相比，一般由若干复杂地物组合而成，其要素更丰富、布局更复杂，如尾矿库内部包含坝体、尾砂、废水，化工厂、火电厂、水泥厂，钢铁厂内部包含冷却塔、圆型料场、高炉等典型生产设备。针对这些复杂综合体，开发了关键点定位分支，设计了关键点损失函数，提升了原有目标检测网络的准确率和召回率。

四、基于深度学习的智能分析系统

应急目标要素的深度神经网络算法运行和信息提取需要高性能的软硬件环境，在应急目标要素样本库、语义分割和目标检测深度学习提取方法研究的基础上，构建开发了分布式软硬件一体化的深度学习智能提取系统——“苍灵”遥感大数据智能分析系统（简称“苍灵”系统）。

“苍灵”系统由后端分布式训练和管理平台、前端信息提取与综合分析平台组成。通过可视化的方式，降低了模型训练操作难度，简化了程序配置逻辑，综合展示训练与预测结果，有助于优化训练、结果分析、产品生产等业务。

面向典型要素的快速高精度自动提取，“苍灵”系统主要包括以下四个核心模块：

1）网络研发模块：本模块面向基于深度学习的遥感影像信息提取网络研发与模型训练评估任务，包括专题分类网络研发业务和目标识别网络研发业务。

2）产品生产模块：本模块面向基于深度学习的遥感影像专题产品和目标识别产品的快速生产任务，包括专题分类产品生产业务和目标识别产品生产业务。

3）系统管理模块：本模块是整个系统的资源管理调度核心支撑，能够优化系统运行效率，提高资源利用率，同时保障数据安全与系统稳定性。

4）高性能并行处理支持平台：是整个系统的硬件支撑，由高性能硬件资源集群构成，包括高性能计算集群、共享存储、高速网络三大硬件资源。

“苍灵”系统具有以下特点：1）软硬件一体化设计，具有较高系统集成度，系统便于部署和使用；2）全面支持遥感数据特点，满足遥感分类、专题产品生产、目标检测与识别多种遥感应用业务需求；3）功能涵盖基于深度学习的遥感信息提取和分析全流程，包括网络生成与训练、产品生产与评价等；4）采用图形化、向导式操作界面，便于非专业用户使用；5）系统具有多源遥感数据引接功能，支撑本地磁盘、网络方式数据访问；6）支持网络模型算法的迭代更新和动态增加，具备可扩展性；7）系统采用B/S架构，客户端不需要安装任何插件；8）系统支持GPU分布式部署和运行，计算资源统一调度和管理，具有较高的计算能力。图1为“苍灵”系统界面。

图1 “苍灵”系统界面

五、典型应急管理要素提取与应用

基于“苍灵”系统，可以实现几十种灾害关键要素的快速高精度提取，服务于灾害事故监测、灾害风险评估、应急监测、损失评估、灾后恢复重建所需的关键目标信息，为灾害损失快速与综合评估重要的信息数据，为应急救助和应急管理提供决策支持。

针对不同受灾对象，利用高分一号、高分二号卫星数据和 “苍灵”系统实现了全国范围内与人类活动密切相关的受灾对象和相关关键要素的快速提取，为减灾救灾决策工作提供了及时有效服务。提取的结果如图2所示。

图 2 基于“苍灵”系统的全国应急管理要素提取结果

“苍灵”系统已实现了全国和重点区域的人类生产生活密切相关的灾害要素目标的提取和分类，如居民地、建筑物、道路、耕地、大棚等。居民地是人类活动的中心场所，代表人的空间分布，明确居民地的空间信息和人口信息是灾后开展灾情评估和应急救援的重要依据；建筑物受地震等灾害影响最大，灾后建筑物倒塌数量和位置信息是灾后损失评估的重要依据。建筑物提取结果可应用于灾害作用下单体建筑的功能损失评估和监测。道路代表了灾后救援的通行，提取道路的结果对灾后救援的效率和安全性有很大帮助。耕地、大棚的空间信息则可为评估灾后经济农作物损失提供信息支撑。

尾矿库、化工厂、钢铁厂、火电厂、水泥厂作为承灾体，容易出现二次灾害问题，比如滑坡、爆炸、化工污染、生产安全等事故，可能对人民的生命财产安全造成很大的损失，提取每个工厂的位置、面积以及灾前灾后变化信息有助于灾后评估和灾后救援。在全国范围内共检测出尾矿库11000余座，主要集中分布在华北、华中、西南等区域，其中华北区的京津冀区域尾矿库数量众多、密度大，河北省探测出尾矿库2983座，占全国尾矿总数的四分之一。全国尾矿库的提取结果可以为制定综合具体的治理方案和实施计划提供重要的信息支持。

室外运动场作为城市公共场所的组成部分，可以为灾害等非常时期提供必要的空间资源，提供有效的避难场所，室外运动场的位置和面积信息对灾害应急反应有重要意义。飞机场是灾后救援的重要基础设施，判断飞机场是否能运行对于紧急运送人员和物资很有帮助。

六、结论与展望

针对应急过程中灾害信息遥感实时监测需求，分析新时代灾害应急遥感监测的关键要素及其遥感特征，构建一系列针对性的深度学习网络模型，开发了软硬件一体化的遥感信息智能提取系统—“苍灵”遥感大数据智能分析系统。“苍灵”系统具有较高的系统集成度，可以满足遥感分类、专题产品生产、目标检测与识别多种遥感应用业务需求，具有图形化、向导式操作界面，具有多源遥感数据引接功能，支持GPU分布式部署和运行，具备可扩展性。基于“苍灵”系统实现了几十种灾害关键要素的提取，可服务于灾害事故监测、灾害风险评估、损失评估、灾后恢复重建等。今后，要面向灾害遥感监测需求，将应急管理空间信息遥感大数据智能提取融入到灾害事故监测一体化业务体系，为应急指挥、应急智能决策提供信息支持。