人工智能在減災遙感中的應用

百曉 張雪妮

百曉，北京航空航天大學計算機學院教授、博士生導師。 2001年本科畢業于北京航空航天大學，2006年博士畢業于英國約克大學。主要研究領域為模式識別、計算機視覺、遙感圖像分析等。先后主持數十項國家科研課題，在相關領域國際著名期刊和會議上發表論文百余篇，發表論著3部，榮獲省部級科學獎勵一等獎2項。2012年獲評為教育部“新世紀優秀”人才，2016年被中國科協授予“全國優秀科技工作者”榮譽稱號，現為模式識別領域著名期刊Pattern Recognition副主編，Pattern Recognition Letter期刊客座編委。

人工智能及減災遙感概述

近年來，人工智能已經滲透到國民經濟、國防以及人民生活的各個方面，2017年國務院發布了《新一代人工智能發展規劃》將人工智能上升為國家戰略，有利地推動新一代智能研發應用與產業深入融合。美國、歐盟、英國、日本等也均將人工智能上升為國家戰略，紛紛出臺相關戰略和計劃，力爭搶占產業技術制高點。

對于人工智能的定義有很多，但大多看來主要是讓機器或系統具備人類那樣的認知能力，能夠對接收到的各種數據和信息進行分析學習獲取其中的知識，雖然人工智能的研究才起步三十年，但近年來人工智能及其相關領域，如機器學習、計算機視覺、模式識別等均在理論上和應用上取得了很大的進展和突破。

在遙感領域，人工智能及相關方法也得到了很好的應用。遙感數據主要是指通過衛星、飛機等載體獲得的遠距離圖像、雷達數據，通過對遙感數據的分析可以獲得地表環境、城市結構、農業生產等重要信息和數據。傳統的遙感數據分析大量依賴人力和一些簡單的統計圖像處理方法，隨著近年來人工智能等相關領域的發展，遙感數據的分析也大量地使用人工智能方法。利用人工智能處理分析數據的優勢，可以提高遙感數據分析的智能化、自動化，提升分析的精度與效率。

我國是一個地大物博的國家，資源豐富，但自然災害也給國家民生帶來了很大的影響，如何利用最新的技術減少自然災害帶給我們的傷害是科研領域的重要任務。多年來，遙感技術應用于各類災害的減災、預測、響應、災后恢復等方面，取得了很多進展。災害遙感已經成為各國應對自然災害的重要手段。國際上，一系列用于環境、災害等的遙感衛星SPOT、TM、AVHRR、MODIS、ASTER、PRISM的發射也為開展遙感減災提供了可行性，增強了遙感技術在減災上的作用。國內也緊隨其后發射了環境減災小衛星“星座A”“星座B”以及“風云”“海洋”“資源”等系列衛星，此外，以高分系列衛星為代表的新一代遙感衛星也在加速發展，由此防災減災已成為衛星遙感技術的重要應用領域之一。

隨著人工智能理論和方法的不斷發展，遙感數據的分析將更加借助和依賴人工智能方法，從而更加有效地從遙感數據中獲取有用的知識，為防災減災提供更加準確高效的服務。

本論文主要講述人工智能及其相關方法（如目標檢測、圖像分類與識別、圖像變化檢測、圖像分割等）在幾類典型自然災害（如暴風、洪澇、地震、森林火災、滑坡等）中的應用，介紹人工智能在減災遙感中發揮的作用及未來發展趨勢。

人工智能方法在減災遙感中的應用

目前，人們主要通過利用人工智能相關方法對遙感數據分析達到對自然災害的檢測與評估等目的。表1給出了不同人工智能方法在各種災害遙感中所發揮的作用。主要涉及的方法包括：圖像分類與識別、變化檢測、圖像分割、目標檢測等，這里首先簡單介紹一下這些人工智能方法。圖像分類與識別是計算機視覺與機器學習領域的基本問題，根據圖像中所含的目標圖像特征與分類器學習到的類別特征進行比對，進而判斷圖像屬于什么類別，識別出圖像中的物體或場景。變化檢測通過對不同時刻獲取圖像進行對比分析找出圖像之間的區別。圖像分割是根據圖像中場景含義將圖像分割成不同的區域，每個區域具有獨特的語義信息。目標檢測則是指在遙感圖像數據中檢測特定的目標，主要通過提取目標有效特征然后利用機器學習方法對量化的特征進行分析來確定存在目標的概率和位置等。上述方法是計算機視覺、機器學習領域的重要分析方法，需要指出的是隨著人工智能的發展，上述方法本身也在發展，近年來也不斷地提出了在性能上更加優秀的方法，進而也提升了應用的效果。

本文將根據不同災害種類具體分析這些方法的應用。

（一）熱帶氣旋

習慣上，熱帶氣旋所帶來的災害可以被稱為颶風、臺風或熱帶風暴，它在衛星遙感圖像上具有較明顯的特征，圖1是部分種類的熱帶氣旋衛星圖像示例。人工智能手段主要通過對采集到的遙感數據進行分析從而定位風眼和預測路徑，進而對此類災害進行預防和報警。

表1 人工智能方法在各類災害遙感圖像上的應用

圖1 部分種類熱帶氣旋的衛星云圖

1.風眼定位：由于有眼熱帶氣旋的眼壁輪廓通常是一條不規則的閉合曲線，因此可以使用基于活動輪廓模型的偏微分方程法來進行圖像分割定位眼區。另外，由于在圖像中風眼位置較暗，并且在邊緣位置風速是不連續的,可根據這兩個成像特點對遙感圖像進行分析增加圖像約束求得風眼邊緣。風眼定位過程中要用到的人工智能方法有圖像分割、圖像識別等。

2.路徑預測：研究表明，氣旋路徑可以通過周圍積雨云的形狀和相對位置進行判斷，如圖2所示。因此可以使用神經網絡來學習不同時間點衛星圖像中周圍云相對于氣旋中心的相對位置，及圖像中云的拉長形狀，以此指示氣旋可能的移動路徑。

圖2 通過對積雨云的分析預測氣旋路徑

（二）洪澇

洪澇災害中利用人工智能手段進行水體識別可以確定出洪澇受災的區域，道路水毀識別則可以確定道路的毀壞進而評估受災情況，確定最佳救援路徑。

1.水體識別：水體識別技術是基于水體的光譜特征和空間位置關系進行分析，排除其他非水體信息從而實現水體信息提取的技術，是洪澇范圍檢測的核心。由于水體和周邊地形地貌往往具有較大差異，根據水體特征的圖像分割成為水體識別的主要方法。一種思路是通過綜合提取遙感影像中地物的形狀、光譜、紋理和鄰域等特征進行逐像元分類實現智能分割。另一種思路是先進行遙感圖像的多尺度分割，然后使用分類器，例如分類神經網絡，進行水體識別。也可同時對洪澇前后時間段的同樣位置進行水體識別，分析出受災區域為搶險救災提供信息。圖3是鄱陽湖部分地區洪澇過后水體識別的結果示意圖，在識別出水體和非水體的基礎上，進一步根據水深程度進行洪澇等級分類并用不同的顏色表示，為下一步的災害救援提供信息。這里用到的人工智能方法主要包括特征提取、圖像分割、圖像分類等。

2. 公路水毀識別：公路水毀災情是汛期災情分析和抗災搶險中的重要內容。通過對比洪澇發生前后的圖像，采取圖像多層次分析進行變化檢測分析損毀信息。多層次方法就是采用面向對象的分類方法進行地物的分類和劃分，但是分類有層次順序，不同層次劃分不同地物。例如可以在第一層次中，從洪災發生后的影像中進行洪水范圍的劃分，然后在災前災后影像的配準基礎上，用洪水發生前的影像進行第二層次的劃分，劃分道路和樹木、建筑、空地等其他地物。

圖3 鄱陽湖（部分）地區洪澇分布圖

圖4 汶川地震都江堰房屋倒塌評估圖

（三）地震

在地震災害里，人工智能方法可以用來解決房屋倒塌評估、次生地質災害監測，以及救災帳篷識別等問題。

1.房屋倒塌評估：對房屋倒塌情況的評估是地震直接危害中最能反映震區破壞程度的指標。通過對震前震后遙感衛星數據進行影像匹配和變化檢測，得到兩者變化的區域，從而獲取房屋倒塌信息和地震影響區域，評估結果如圖4所示。這里應用人工智能中的圖像變化檢測方法完成地震影響區域分析。

2.次生地質災害監測：地震次生地質災害是指由地震直接引發或由地震作用影響而引發的災害性地貌重塑過程。主要針對地震所造成的山體滑坡、堰塞湖等開展監測，按照其影像特征，結合災前影像數據進行變化檢測，開展滑坡體的識別。這里主要采用圖像變化檢測方法進行分析。

圖像變化檢測大致分為基于像元、基于特征以及基于目標三類方法。基于像元方法有灰度差值法、比值法、回歸法等。基于特征的方法有主成分分析法、光譜角檢測法、指數差值法、形狀分析法和紋理分析法等。基于目標的方法主要利用圖像識別、分類等方法，常用的算法有分類比較法、多時相分類法、小波變換分析法及神經網絡分析法等。基于像元的方法是將像元作為單位進行前后時刻變換檢測；特征方法則是在圖像一定區域內提取圖像量化特征并分析其變化；目標方法則根據特定目標，分析此目標在前后時刻是否有變化。

在特殊情況無法獲得災前影像數據時，圖像分割方法也可以使用，具體表現為先分割后分類的思想，即先通過多尺度的分割將遙感圖像劃分為不同區域，然后通過分類器判別各區域是否屬于地質災害。這里一般需要進行分析方法訓練，提前獲取一些地震圖像作為訓練集，通過人工智能學習方法學習出地震區域的特點。圖5給出一個災后次生地質災害提取的示例。

3.救災帳篷識別：救災帳篷識別屬于特定目標的識別與分析，救災帳篷是地震發生后安置災民的重要裝備,準確核實災區的帳篷數量和空間分布是評估災區救助需求、核查地方救災工作成效、優化安置點布局、估算轉移安置人數的重要依據。目前主要使用分辨率高的無人機航空遙感圖像，利用目標檢測技術識別出帳篷的具體位置。目標檢測算法根據要分析目標進行預學習和訓練，然后設計一個滑動窗口在圖像上均勻移動，每次對滑動窗口內的局部圖像進行分類，判斷是否存在此類物體，最終找到整張圖像內的所有目標。

（四）森林火災

人工智能方法在森林火災中主要有火燒跡地分析、火災識別等主要應用。

1.火災識別：火災識別主要利用無人機遙感的高分辨率圖像判別有無可疑火災發生，以便后續進行重點監測和及時救治。對無人機地面接收站接受的圖像（圖6）進行分類，使用分類神經網絡進行訓練，可以達到很高的識別精度。這里主要是通過對紅外遙感圖像進行分析，借用紅外圖像熱成像特點對發熱點區域進行分析。

2.火燒跡地：火燒跡地是指火災結束后被燒毀的區域。由于森林中被火燒過的部分植被已不存在，在遙感圖像上沒有了森林影響反射，與周圍植被的反射具有不連續性，因此可以通過面向區域的圖像分割算法提取火燒跡地的范圍。另外，也可以結合災前的森林圖像，通過面向像元的變化檢測，比較配準后的災前災后影像得到差值灰度圖，從而獲得了火燒區域，可以進一步求得過火面積，如圖7所示。

（五）滑坡

人工智能方法主要在滑坡識別、滑坡區域提取等方面發揮作用。

圖5 震后次生災害（滑坡、泥石流等）提取

圖6 無人機拍攝森林火災圖像

1.滑坡體識別：遙感衛星圖像通常包含的空間范圍比較大，因此可以利用滑坡區域與背景區域之間存在明顯差異的特點進行分析，快速確定滑坡體的位置。基于深度學習的目標檢測技術主要包括基于可能區域的分類和基于邊界框的回歸兩種思路，前者具有更高的準確度，后者則具有更快的速度。此外，大型滑坡調查中常常會使用無人機這種航空遙感手段獲取地表災害數據。由于航空遙感數據具有較高的分辨率，可以直接對其進行分類識別，來判斷該區域是否包含滑坡體。深度學習的發展帶來了分類精度的極大提高，因此也出現不少基于深度網絡的滑坡分類識別方法。

2. 滑坡體區域提取：通過對多時相遙感影像進行變化檢測能夠自動地提取滑坡邊界信息。變化檢測方法通常有兩類方法：圖像差集和后分類比較。圖像差集是對災前災后圖像進行減法，后分類比較則可以使用神經網絡分類器對災前災后的圖像進行多尺度分類，然后對分類結果進行比較得到變化信息，從而確定滑坡的區域。另外，也可以在滑坡體識別的基礎上，進一步通過圖像分割算法得到更精細的滑坡體輪廓（圖8），從而為后續的救災提供信息。

圖7 昆明西山森林火災前后遙感影像及變化檢測圖像（局部）

圖8 四川漳扎鎮附近滑坡體提取

發展趨勢及展望

人工智能在減災遙感領域雖然取得了很好的發展與應用，但仍然還有很多的不足和值得突破的地方，具體如下：

1.目前人工智能在減災遙感方面的應用主要依賴于對遙感圖像數據的分析，下一步需要將衛星數據、地面數據以及其他傳感器如無人機數據進行融合分析，利用人工智能方法對氣象大數據和多源數據融合進行分析會比單純只對遙感數據進行分析獲得更多的信息和更好的預測。

2.現有智能分析方法大多還是在獲取了數據后將數據傳輸到地面運算中心進行分析，未來將會在數據獲取平臺直接進行快速分析，例如在衛星上直接進行智能分析，將分析后有用的“信息”傳輸給地面，而不再是將衛星原始數據傳給地面再分析。這好比在各類傳感器上安裝一個“大腦”提高了整體分析的效率和響應速度。

3.現有的人工智能方法大多還是用來解決災害發生后的評估和救援，發揮的作用大多還是輔助現有災害預防、氣象分析等方法，隨著人工智能領域的不斷發展，筆者猜想未來人工智能會在災害預測預防等方面起到引領的作用，從配角變成主角。