AI+遥感智能解译，赋能智慧城市规划革新（人工智能案例）

在新型城市建设和规划中，以卫星遥感图像处理为代表的地理信息技术正在发挥非常重要的作用，通过对城市范围内的人、事件、基础设施和环境等要素全面感知、实时动态识别和快速目标提取，为智慧城市的建设提供更多有价值的信息。当前，基于人工智能的遥感图像处理技术已被广泛地应用在城市规划、违章建筑监管、工程环境监测、废弃物管理、交通治理、城市安防等场景。

作为源于产业实践的深度学习平台，飞桨一直致力于为各行各业的开发者提供完备的产业应用开发方案。同样在遥感领域，飞桨也提供了丰富的数据预处理方案，覆盖地物检测、地块分割、变化检测、地物分类等多种视觉任务，致力于更好地帮助开发者完成遥感项目的应用开发。

尤其是针对遥感领域普遍关注的数据标注困难的问题，飞桨团队联合中国四维，在原有交互式智能标注软件EISeg的基础上，推出了专门针对遥感的交互式垂类模型，提供多通道提取（高光谱、多光谱数据）、大尺幅数据的切片（多宫格）处理和自动拼接等功能，使遥感场景的数据能够被更便捷地处理。

当前，很多产业AI开发者正在基于飞桨提供的遥感应用开发方案解决实际应用问题。接下来我们将通过几个具体的场景案例来为大家详细解读。

居民地数据提取

居民地数据是基础地理信息的核心要素之一。利用遥感技术及时、准确地发现、确定居民地变化对灾害评估、城市扩张、环境变化、空间数据更新等有着重要意义。航天宏图信息技术股份有限公司使用飞桨图像分割套件PaddleSeg中的Segformer系列算法对居民地大类下的普通街区、高层建筑、独立房屋、体育场等二级类进行遥感监测，大大提升了制作基础测绘底图的工作效率。

该项目基于Segformer系列算法，结合居民地5种二级类数据的不同遥感图像特征进行了调优。调优后，在精度相当的情况下，飞桨模型的体积是其它框架实现的Segformer模型体积的1/3。最终，模型在2米分辨率遥感影像上进行推理，结合栅格矢量化、规则化等后处理工具，能够快速地分割出居民地并生成测绘级地图，相比于传统人工地图矢量化的方法，工作效率提高了85倍，检出准确率可以达到90.2%，符合产品上线要求。

土地利用类别动态解译

土地利用是水土流失的重要影响因子。全国水土流失动态监测采用遥感调查、定位观测与模型计算相结合的技术方法，每年开展一次区域土地利用类别解译工作。如果采用传统的人工目视解译方式，需要耗费大量的人力、物力资源，每人每天只能够解译300-400平方公里，在时效性方面难于满足区域水土流失动态监测工作需要。基于飞桨，北科博研实现了宁夏土地利用类型AI遥感识别，提取准确率达到90%以上，相对传统的人工解译项目有了很大的提升。只需要两台GPU工作站，即可快速完成全省的解译工作，大幅提高土地利用识别效率，保障当地区域水土流失动态监测工作的顺利开展。

高尔夫球场检测

由于历史上疏于监管，各地均存在着高尔夫球场滥建侵占城市建设空间的问题，引起了发改委等相关部门的高度重视。中科院空天信息创新研究院应用飞桨深度学习开源框架对高尔夫球场进行遥感监测，针对目标进行了一系列优化，大大提升了遥感图像解译工作的效率，为高尔夫球场检测提供半自动化技术手段。

在项目中采用经典的目标检测算法Faster R-CNN，并根据高尔夫球场的特性对输入图像的长宽比进行了调优。项目上线后，相对于传统方法效率大大提高，使周期性、自动化高尔夫球场遥感检测成为可能。在京津冀地区GF-6 WFV影像中取得的面积检测率为86%，数量检测率为95%，单景 GF-6 WFV影像检测耗时10分钟。