周翠敏，黄映聪,3,4,5*，何月顺

(1. 东华理工大学地球科学学院，330013，南昌；2.江西省数字国土重点实验室，330013，南昌；3. 东华理工大学网络与信息中心，330013，南昌；4.江西省放射性地学大数据技术工程实验室，330013，南昌；5.核资源与环境国家重点实验室，330013，南昌；6.东华理工大学信息工程学院，330013，南昌)

0 引言

近年来，大数据与人工智能算法的引入发展了数学地球科学，开启了大数据与人工智能的时代[1]。随着不同传感器、不同分辨率、不同成像方式的对地观测技术的不断发展，人类对地观测能力和水平也在不断地提高[2]，但也间接地增加了影像的数据量，如NASA 地球观测数据的数据量以每天4 TB的速度增长[3]。且遥感影像数据也呈现出具有体量大(Volume)、速度快(Velocity)、准确性高(Veracity)、多样化(Variety)、价值高(Value)的“5V”特征[4]。由此遥感也呈现出“大数据”的特征，进入了大数据时代[2]。

急速增长的数据量为数据的存储带来了诸多困难。长期以来占据大量存储空间的海量数据得不到有效的利用[5]，造成了大量存储空间的浪费。因此，需要深度挖掘遥感大数据特性[6]，最大化地发挥其作用，满足遥感大数据的应用需求。遥感大数据利用的最终目标也在于对遥感大数据中隐藏知识的挖掘[2]。在大数据背景下，合理的解释与应用是最大化地发挥其作用的良好途径[7]。目前，基于云端遥感信息挖掘应用广泛，如自然灾害预测[8]、土地利用方式演变[9-10]、城市化研究[11]、交通行为预测[12]等。对云端遥感影像数据进行挖掘有着重要意义与价值。

遥感影像地面控制点的选取是影像处理过程中的一项重要工作。……