一 背景与意义

人工智能在经历了六十多年的发展后的今天，已开始渗透到了我们的医疗、教育、出行、农业、环境、航天等诸多领域，并随之对人类的生产、生活与认知都产生了巨大影响。人工智能技术的利用改变了传统工业、农业生产方式，简单的重复性工作必将被它逐渐替代。这也使得从政府到企业，从社会到个人都不得不重新定义、重新设置政策制度，以及运行规则和行为模式。人工智能的突飞猛进将推进人类发展的重大转折，人类的生存与发展也将随之发生转变，以适应人工智能时代与智能社会的未来环境。

我们国家已经把实现世界制造强国作为了今后长期战略发展目标，而人工智能技术的巨大应用价值，将在推进该战略任务的实施与完成中扮演巨大引擎的作用。尤其在2017年提出建设新工科不久，国务院印发了《新一代人工智能发展规划》，明确提出实施全民智能教育的项目，人工智能相关课程将在从小学到大学的整个学业阶段进行开设。这为我国培养人工智能相关人才，构建未来具备竞争力的人才储备，提出了人才发展要求，指明了教育发展方向。

遥感技术作为全球对地观测的重要手段，已广泛应用到人们生产生活的诸多方面。随着遥感技术的发展，全天候、全天时、全球覆盖观测能力的提高，海量遥感数据源源不断地输送着地表信息。这一方面给人们提供了足够丰富的数据，但另一方面面临仍没有从遥感大数据中高效地获取有用信息的境况。遥感学科涉及到传感器光学原理、地球大气物理、地物辐射特性、计算机自动处理等一系列交叉学科领域。在人工智能无处不在地融入到这些相关领域同时，我们的遥感课程也将面临新概念与理论的相继提出。而对于遥感课程的教学而言，如何顺应人工智能时代发展需求调整教学内容与形式，并更有效地培养学生创新能力是一个值得探讨的问题。

二 遥感课程发展脉络

基于遥感影像的信息提取最初是研究人员根据自己的经验知识，直接通过目视从影像中进行目标识别。其主要依据是地物目标的影像特征，比如形状、大小、颜色、纹理等等。基本假设是不同地物目标会表现出不同的特征，同类地物目标则会拥有相似的特征。那时的遥感课程更多地是教学生学会如何建立地物判读的经验。这个经验知识一方面由专家或教师传递其长期积累的一些认知规则，另一方面则是学生在课程实习结合现场数据与室内数据库来形成。但是，这种方式极易受到多种外界因素的干扰，尤其是“同物异谱”与“异物同谱”现象的存在，仅仅依据某几个光谱或空间特征难以准确的区分地物。

在如今海量遥感影像数据易得性强的情形下，人工判读方法不适用于批量和高效率的遥感影像识别。随着计算机技术发展，人工解译逐渐为计算机自动解译所代替。将遥感影像用图像处理的方式进行分析，需要基于某个分析单元提取地物的特征，然后进行分类得到整幅影像的分类结果。这个遥感影像的分析单元，随着像元空间分辨率的提高，从早期的像元演变到自2000年开始发展起来的图像对象。这个图像对象可以通过分割过程获得。遥感相关课程除了向学生介绍人工判读的一些判据外，更多地引导学生如何融入计算机图像处理的技术，从特征提取方法到地物分类方法阐述如何利用专业软件或自行编程来进行影像分析。

遥感影像的特征提取基本是利用了地物的光谱特征，及其采用统计方法提取得到的特征数据。对于高分辨率遥感影像而言，光谱信息相对有限，但形状、大小、面积等几何特征非常丰富。伴随着计算图像处理技术的发展，一些非常优秀的特征提取算子在遥感影像信息提取方法得到很好应用，比如SIFT、GIST、LBP、PSI、MBI、GABOR、GLCM等。在利用如此多算子提取遥感影像的特征后，所得特征之间必然存在大量的冗余信息。这不仅不会提高分类精度，甚至会降低地物之间的区分度。为此，特征的降维和选择也在遥感影像分析过程中得到重视。监督与非监督的基于计算机技术发展起来的自动分类方法，被不断被引入或改进后快广泛用在遥感影像分析领域。遥感课程中也相应地增加了特征提取、模式识别、计算机自动分类等内容。

随着像元空间分辨率的提高，传感器模式的逐渐增多，影像波段趋向多元化，遥感影像信息呈现出爆炸增长趋势。比如，我国发射的资源三号卫星每天获取的原始遥感影像数据就高达1000TB。在遥感大数据背景下，遥感数据的处理必然要寻求更为先进高效的技术。近年来，深度学习技术异军突起，在诸多图像分析与理解领域都取得了突破性发展，迅速成为了学术界和工业界的研究热点。

上一篇：遥感专业研究生创新能力提升 ——以中国矿大
下一篇：没有了