AI遥感智能解译从变化检测到灾害监测一颗高分卫星每天回传的影像是 TB 级的而传统遥感解译依赖人工目视判读一个熟练判读员一天处理几十平方公里已是极限。当应急管理部要求洪灾发生后 2 小时内给出淹没范围图时人工路线根本走不通。深度学习恰好吃这碗饭遥感影像本质是规则网格数据卷积网络天然适配。本文按变化检测→语义提取→灾害监测的链路梳理 AI 遥感解译的主流技术栈和落地经验。变化检测双时相影像的像素级对比变化检测Change Detection回答的问题是这块地和半年前相比发生了什么。输入是同一区域不同时相的两张影像输出是变化区域的二值掩膜或变化类型图。主流网络架构经历了三代演进| 模型 | 架构思路 | 特点 | |------|---------|------| | FC-EF | 双时相影像通道拼接后进 UNet | 简单基线信息混合过早 | | FC-Siam-diff | 孪生分支分别提特征做差后解码 | 保留时相差异信息 | | BIT | 孪生 CNN Transformer 建模时空上下文 | 全局关系强小目标改善明显 | | ChangeFormer | 纯 Transformer 孪生架构 | 精度高显存开销大 |实战中还有两个绕不开的问题。一是配准误差两张影像哪怕差半个像素建筑边缘就会成片误报训练时配准质量比模型结构影响更大。二是季节干扰同一块农田夏季绿色冬季枯黄容易被误判为变化工程上要么选同季影像要么在训练数据里加入季节变化负样本。语义分割把像素翻译成地物变化检测告诉你哪里变了语义分割告诉你那里是什么。建筑物提取、道路网提取、水体边界、农作物分类都是分割任务。UNet 及其变体UNet、Attention UNet仍是中小数据集的稳妥选择数据量上来后SegFormer 这类 Transformer 分割模型在长条形目标道路、河流上优势明显。遥感分割和普通视觉分割有几个关键差异超大图幅一景影像动辄几万×几万像素必须滑窗切片推理再处理拼接缝处的预测不一致问题。多光谱信息高分影像有蓝、绿、红、近红外波段NDVI植被指数、NDWI水体指数等先验指数和原始波段一起输入往往能白捡几个点的精度。类别极度不平衡灾害场景里倒塌建筑可能只占全图 0.1% 像素必须用 Focal Loss 或重采样对抗。代码实战孪生网络变化检测下面是一个简化的孪生变化检测训练骨架可直接基于 PyTorch 扩展import torch import torch.nn as nn class SiameseChangeNet(nn.Module): 孪生编码器 差异融合 解码输出变化掩膜 def __init__(self, in_channels3, base32): super().__init__() # 孪生分支共享权重 self.encoder nn.Sequential( nn.Conv2d(in_channels, base, 3, padding1), nn.ReLU(), nn.Conv2d(base, base * 2, 3, stride2, padding1), nn.ReLU(), ) self.decoder nn.Sequential( nn.Conv2d(base * 2 * 3, base * 2, 3, padding1), nn.ReLU(), nn.ConvTranspose2d(base * 2, base, 2, stride2), nn.ReLU(), nn.Conv2d(base, 1, 1), ) def forward(self, img_t1, img_t2): f1 self.encoder(img_t1) f2 self.encoder(img_t2) # 拼接t1特征 | t2特征 | 差异特征 fused torch.cat([f1, f2, torch.abs(f1 - f2)], dim1) return self.decoder(fused).squeeze(1) model SiameseChangeNet() criterion nn.BCEWithLogitsLoss(pos_weighttorch.tensor(5.0)) optimizer torch.optim.AdamW(model.parameters(), lr1e-4) # 训练循环img_t1/img_t2 为配准后的双时相切片(如256x256) # mask 为变化标注pos_weight 用于对抗变化像素占比低的不平衡问题 for img_t1, img_t2, mask in train_loader: logits model(img_t1, img_t2) loss criterion(logits, mask.float()) optimizer.zero_grad(); loss.backward(); optimizer.step()数据方面LEVIR-CD建筑变化、DSIFN-CD 是常用的公开基准业务数据标注成本高可以先用这些公开集预训练再迁移。灾害监测从模型到业务闭环灾害场景是遥感 AI 的试金石典型链路如下洪涝监测水体提取模型 双时相变化检测叠加 DEM 数据过滤山体阴影误报。SAR合成孔径雷达影像不受云雨影响是汛期主力数据源。滑坡识别光学影像上滑坡体纹理特征明显裸露土体 vs 植被目标检测Y