在新型城市建設和規劃中，以衛星遙感圖像處理為代表的地理信息技術正在發揮非常重要的作用，通過對城市范圍內的人、事件、基礎設施和環境等要素全面感知、實時動態識別和快速目標提取，為智慧城市的建設提供更多有價值的信息。當前，基于人工智能的遙感圖像處理技術已被廣泛地應用在城市規劃、違章建筑監管、工程環境監測、廢棄物管理、交通治理、城市安防等場景。

作為源于產業實踐的深度學習平臺，飛槳一直致力于為各行各業的開發者提供完備的產業應用開發方案。同樣在遙感領域，飛槳也提供了豐富的數據預處理方案，覆蓋地物檢測、地塊分割、變化檢測、地物分類等多種視覺任務，致力于更好地幫助開發者完成遙感項目的應用開發。

尤其是針對遙感領域普遍關注的數據標注困難的問題，飛槳團隊聯合中國四維，在原有交互式智能標注軟件EISeg的基礎上，推出了專門針對遙感的交互式垂類模型，提供多通道提取（高光譜、多光譜數據）、大尺幅數據的切片（多宮格）處理和自動拼接等功能，使遙感場景的數據能夠被更便捷地處理。

當前，很多產業AI開發者正在基于飛槳提供的遙感應用開發方案解決實際應用問題。接下來我們將通過幾個具體的場景案例來為大家詳細解讀。

居民地數據提取

居民地數據是基礎地理信息的核心要素之一。利用遙感技術及時、準確地發現、確定居民地變化對災害評估、城市擴張、環境變化、空間數據更新等有著重要意義。航天宏圖信息技術股份有限公司使用飛槳圖像分割套件PaddleSeg中的Segformer系列算法對居民地大類下的普通街區、高層建筑、獨立房屋、體育場等二級類進行遙感監測，大大提升了制作基礎測繪底圖的工作效率。

該項目基于Segformer系列算法，結合居民地5種二級類數據的不同遙感圖像特征進行了調優。調優后，在精度相當的情況下，飛槳模型的體積是其它框架實現的Segformer模型體積的1/3。最終，模型在2米分辨率遙感影像上進行推理，結合柵格矢量化、規則化等后處理工具，能夠快速地分割出居民地并生成測繪級地圖，相比于傳統人工地圖矢量化的方法，工作效率提高了85倍，檢出準確率可以達到90.2%，符合產品上線要求。

土地利用類別動態解譯

土地利用是水土流失的重要影響因子。全國水土流失動態監測采用遙感調查、定位觀測與模型計算相結合的技術方法，每年開展一次區域土地利用類別解譯工作。如果采用傳統的人工目視解譯方式，需要耗費大量的人力、物力資源，每人每天只能夠解譯300-400平方公里，在時效性方面難于滿足區域水土流失動態監測工作需要。基于飛槳，北科博研實現了寧夏土地利用類型AI遙感識別，提取準確率達到90%以上，相對傳統的人工解譯項目有了很大的提升。只需要兩臺GPU工作站，即可快速完成全省的解譯工作，大幅提高土地利用識別效率，保障當地區域水土流失動態監測工作的順利開展。

高爾夫球場檢測

由于歷史上疏于監管，各地均存在著高爾夫球場濫建侵占城市建設空間的問題，引起了發改委等相關部門的高度重視。中科院空天信息創新研究院應用飛槳深度學習開源框架對高爾夫球場進行遙感監測，針對目標進行了一系列優化，大大提升了遙感圖像解譯工作的效率，為高爾夫球場檢測提供半自動化技術手段。

在項目中采用經典的目標檢測算法Faster R-CNN，并根據高爾夫球場的特性對輸入圖像的長寬比進行了調優。項目上線后，相對于傳統方法效率大大提高，使周期性、自動化高爾夫球場遙感檢測成為可能。在京津冀地區GF-6 WFV影像中取得的面積檢測率為86%，數量檢測率為95%，單景 GF-6 WFV影像檢測耗時10分鐘。

總結

以上是生活随笔為你收集整理的AI+遥感智能解译，赋能智慧城市规划革新（人工智能案例）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。