遥感大数据虽然能够多粒度、多时相、多方位和多层次地反映地物信息，但其数据量与日俱增、种类日益增多，且存在大量的冗余信息，使得从遥感数据中提取有效信息具有一定的挑战。厦门大学王程教授在《大数据》2022年第2期发表论文“基于遥感大数据的信息提取技术综述”，回顾了近年来基于遥感大数据的信息提取技术研究工作，从遥感目标检测、遥感地物分割、遥感变化检测三方面阐述了遥感信息提取技术的发展历程，对各个发展阶段及代表性方法进行了梳理与归纳，并对基于遥感大数据的信息提取技术进行了展望。

遥感图像目标检测方法主要包括两个分支：传统遥感图像目标检测和基于深度学习的遥感图像目标检测。

（1）传统遥感图像目标检测主要包括3类方法。一是模板匹配方法，该类方法使用相应的模板对目标图像进行比对，找出图像中符合模板特征的事物。模板匹配方法又分为刚性模板匹配和可变形模板匹配两类。可变形模板匹配在处理形状变形和类内变化方面比刚性模板匹配更加强大和灵活，其既可以对形状施加几何约束，又可以整合局部图像证据。二是基于专家知识的方法，该类方法主要通过专家定义的规则对目标进行定义和选择，从而达到目标检测的目的。三是传统机器学习方法，该类方法通过人工设计的图像特征，对目标进行定义和检测。

（2）基于深度学习的遥感图像目标检测主要分为两类方法。一是两阶段目标检测方法，该类方法主要基于多层深度特征预测可能包含目标的多个候选区域，并将它们输入分类和回归网络中，以预测目标的类别和位置。二是一阶段目标检测方法，该类方法基于回归的检测框架策略不需要额外提取候选区域，而是直接从多层特征图中进行目标分类和位置回归，并输出目标检测结果。

遥感图像分割是基于地理对象进行图像分析的关键和重要步骤，一般分为遥感图像边缘检测分割、遥感图像区域分割、遥感图像混合分割及神经网络遥感图像分割。

（1）遥感图像边缘检测分割方法是早期的主流方法之一，且至今其仍然是非常重要的方法。其首先识别边缘，然后使用轮廓算法关闭它们。目前有很多算法可以用来识别目标的边缘，进而捕捉图像目标的几何和物理特征。然而，边缘分割的最常见问题是在没有边界的地方出现了边缘以及在实际存在边界的地方没有出现边缘，这些由图像噪声或图像中的不良信息造成的干扰会影响分割的精度。

（2）遥感图像区域分割方法通过利用图像中同一区域的均匀性来识别不同的区域，从而进行分割，与边缘检测分割方法一样，其同样属于早期的分割方法大类之一。图像区域分割可能产生与图像边缘检测分割截然不同的结果，其假设同一区域内的相邻像素具有相似的值。该类方法计算简单，适用于小目标结构，但其对噪声敏感，经常导致抽取的区域有空洞，并且不同的合并顺序也会出现不同的合并结果。

（3）遥感图像混合分割方法是指将边缘检测与区域分裂合并相结合的多区域图像分割方法，该方法可以克服基于边缘和基于区域的方法的局限性，使多区域分割后的图像边缘更加清晰。其基本思想是用边缘检测算子与分裂合并法分别对同一幅图像进行分割，然后应用信息融合技术将经过上述处理后的两幅图像融合，得到新的图像。

（4）随着机器学习在遥感领域中取得了重大的突破，神经网络遥感图像分割方法成为近几年的主流方法之一。

遥感影像包括中低空间分辨率遥感影像、高空间分辨率遥感影像及高光谱分辨率遥感影像。

（1）中低空间分辨率的遥感影像像素模糊，单个像元内可能包含多种地物，对局部区域的变化进行检测是一项富有挑战性的任务。

（2）高空间分辨率遥感影像包含丰富的空间信息、纹理信息，所能识别的目标也更小。

（3）在对地观测中，高光谱遥感的成像通道增加，使得在分析遥感影像时能分析更多的目标物体，如识别不同的矿物、不同的树种。

遥感信息提取技术在自然资源管理、国防安全、生态保护等方面有重要意义。本文总结了遥感目标检测、遥感地物分割、遥感变化检测这三大研究热点的发展情况。尽管当前基于遥感大数据的遥感信息提取技术已经取得了比较丰硕的成果，然而面对人们日益增长的应用需求，依旧存在诸多挑战，具体如下。

（1）在目前的遥感图像分割过程中，用得较多的是传统的模式识别方法，其结果由于遥感图像本身的分辨率限制以及同物异谱、异物同谱现象的存在，往往出现较多的错误和遗漏现象。由于遥感图像数据的复杂性，更深入的遥感分割算法还有待研究。

（2）针对不同类型的遥感数据，需要有效结合其特点加以利用，探索适合各种数据类型的遥感图像分割算法，以达到更高的精度。

（3）当前基于高光谱分辨率的影像变化检测方法还未建立起多时相影像中端元的光谱相关性，也没有出现多时相光谱混合模型。

大数据期刊