AI 与 遥感

AI (人工智能) 可以改进对大范围感兴趣区域的分析、根据对象进行分类、 检测土地利用、数据融合、云去除以及环境变化的光谱分析。

从卫星图像捕获大面积精确地理空间数据的最新创新是利用人工智能 (AI)、机器学习 (ML)、深度学习 (DL) 和计算机视觉(CV)。 AI 和机器学习模型在许多与获取大量图像数据， 以帮助模式识别和通过计算机系统创建算法相关的领域取得了巨大成功。 AI 和机器学习可以帮助最终数据用户理解收集的数据， 以便快速找到手头重点项目的解决方案。 AI 可以改进对大面积感兴趣区域的分析， 对物体进行分类，检测和监控土地利用， 数据融合，云去除以及卫星或航空图像环境变化的光谱分析。

AI 和遥感可以创建计算机视觉模型以更好地理解数据。 通过卫星或无人机（UAV）收集的图像， 这些模型可以为具有复杂特征分布的大范围区域提供近乎实时的报告， 例如在农业、城市规划、交通、灾害管理、气候变化等方面的应用。 野生动物保护。 AI 可以通过神经网络和计算机视觉模型的深度学习来帮助数据收集、处理和理解， 使数据用户能够更好地理解和及时高效地处理数据， 数字航空摄影和 LiDAR 的空间分辨率为2厘米至15厘米， 各种卫星传感器的空间分辨率从15厘米至2.0米。

农业测绘 - Pleiades Neo 卫星传感器 (30cm)。

农业应用 AI

统计数据显示， 到 2050 年，世界人口将达到 91 亿。 由于这一预期增长， 全世界都面临着提高农业产量和可靠的作物状况信息的压力。 为了实现这些目标， 需要改进对世界农业资源的管理， 特别是在发展中国家。

利用高分辨率、多光谱卫星图像以及 AI 、机器学习和计算机视觉算法， 收集和处理图像数据， 提取光谱分析数据， 并将其传输到作物健康管理解决方案中并改善生产目标。

AI 和地理信息系统（GIS ）工具可以利用卫星、 固定翼飞机或无人机（UAV）收集的图像数据帮助农民进行作物预测和管理农业生产。 收集和处理这些数据可提供 NDVI 和许多其他植被指数， 以识别作物胁迫、涝灾、管理产量和树木分级。 事实证明，AI 和 GIS 分析和可视化农业环境和工作流程的能力对农业和农业行业的参与者非常有益。

WorldView-3 卫星图像（30 厘米）， 野生动物监测，驯鹿群迁徙 - 阿拉斯加北坡。

AI 促进野生动物保护

帮助保护国家公园的最新创新来自于利用 AI 和机器学习进行野生动物保护。 用于野生动物保护的 AI 利用机器学习和计算机视觉模型。 使用卫星或无人机 (UAV) 收集的图像可以预测偷猎者的行为并提供近乎实时的重复攻击报告， 这将有助于反偷猎团队抓捕罪犯。 这种最先进的技术使科学家和自然资源保护主义者能够减少对野生动物和自然资源的攻击等非法活动。

AI 应用程序是手动数据收集、相机陷阱图像或录制音频的绝佳替代方案， 这些可能会导致数天甚至数月的疲惫工作。 AI 利用基于浏览器的工具、编程库和神经网络， 帮助科学家和自然资源保护主义者利用卫星图像数据来检测和监测野生动物， 从而帮助识别可以密切监测的特定物种， 从而帮助保护野生动物， 进而增强保护工作。

遥感领域及与之相关的技术如何发展

遥感是一个成熟的领域， 但也存在很多新问题。 在早期，它主要涉及卫星图像和飞机摄影， 但现在它还包括无人机和传感器， 可以测量从土壤成分到电磁场、红外光和温室气体的一切。 这一新领域将遥感与机器学习、自动图像识别和其他人工智能技术相结合， 帮助企业看到他们原本无法看到的东西。

随着新一代小型卫星、空中飞行和无人机的出现， 可以获得大量的遥感数据。 一个人看着屏幕无法处理如此大量的信息。 AI 模型正在帮助分析这些信息并快速提取有意义的见解， 例如像能够评估房屋的损坏等小细节的情况，

这些系统并非万无一失， 所以人们都参与其中。 但 AI 系统不是由分析师一张一张地翻阅图像， 而是预先分析图像并将其排队供分析师验证。 这意味着一个人可以在更短的时间内从处理一个小区域到处理一个非常大的区域。 这当然适用于现场操作和响应， 在幕后，GIS 将图像连接到特定位置或街道地址。 地理是将一切联系在一起的基础。

AI 和位置智能扩大感知范围

AI 应用于遥感数据的项目， 多年来一直在领导一些项目， 例如使用图像来识别森林特定区域的树种。 但在这个项目中， 结合了图像、AI 和定位技术， 不仅确定了一个城市甚至一个生态区的物种构成， 还确定了整个大陆的物种构成。 只有图像分辨率不断提高， 这种规模才有可能实现。 AI 模型变得越来越智能； 定位技术运行在更强大的计算之上， 这增强了其分析能力。

遥感和 AI 足够准确且具有足够的可扩展性， 可以处理整个国家并提供从未有过的整体视图， 这是一个相当大的突破。 这不仅仅是地理意识， 还有跨时间的意识。 我们可以将今天的图像与 5 年前、10 年前甚至更早的图像进行比较， 并更好地了解全国面貌的变化。 这种遥感适用于农业、牧场和葡萄栽培等对大规模监控感兴趣的行业， 以及任何致力于碳足迹的行业。

跨地域的 AI 分类

该技术的前景是， 实现的一项功能与 AI 模型对图像等遥感数据进行分类的方式有关。 如今，这主要是一次完成一个场景， 例如，不会因为一个地区是森林、一个地区是沙漠而失败。 如果我们不仅能够大规模使用这项技术， 而且能够在各种景观和环境中使用这项技术， 那么效率将会更高。

云计算、AI 和定位技术的融合将开始实时或近实时地做出贡献， 这一预期也并不牵强。想象一下， 跟踪所有车辆， 并操作运行人工智能程序的无人机， 该程序自动检测实时图像中的某些条件。 无人机可能会发现受损的建筑物或含水量低的农作物田。 在云计算中心，图像、AI 工作流程和移动工作人员的工作流程近乎实时地融合。 无人机可能会在驾驶员轮班结束之前提醒车辆转移并检查事件， 而不是将其排队等待明天的工作人员。