从卫星视角看地球，观测卫星的发展历程，洞察地球变化的关键要素

zorapoon

文/静浅说

编辑/静浅说

前言

观测地球变化的关键要素，包括陆地观测卫星、土地分类技术以及机器学习技术。我们将详细探讨高分辨率卫星的发展历程，还会深入介绍人工智能算法在土地分类中的运用。将提供关于机器学习分类方法的知识，包括像素级分类、子像素级分类、对象级分类、知识驱动分类、规则驱动分类、距离驱动分类、神经网络分类、参数驱动分类以及对象级图像分析等方法。
还包括两个主要应用领域：首先是土地利用和土地覆盖的观测与案例研究（以1980年至2020年为例，研究也门萨那的土地利用和土地覆盖分类）。第二个应用是卫星测高技术在监测平均海平面变化方面的应用。

通过传感器或卫星来测量地球的技术被称为遥感，它与地理信息系统技术结合使用，是获取关于地球的数据的重要方法。遥感的总体目标是将图像中的像素分为不同的土地覆盖类型或主题。在土地利用和土地覆盖分类中，人工智能发挥着关键作用。
我们探讨了人工智能在监测地球上土地利用和土地覆盖变化方面的应用，包括地球观测卫星及其发展、土地利用、土地覆盖分类的智能程序和机器学习分类器的基本原理，以及人工智能技术在土地利用和土地覆盖分类中的挑战。
土地是一种极其重要的资源，对于任何地区来说都至关重要。观测地球变化的结果对国家的经济、政治和社会需求都具有重要意义。了解土地变化对于土地资源管理和技术评估至关重要，土地利用和土地覆盖变化的检测有助于决策者了解环境变化的动态，以确保可持续发展。因此，土地利用和土地覆盖的特征识别变得非常重要，我们需要开发强大而可靠的土地分类方法。

土地利用和土地覆盖是研究地球表面的重要方面，它们帮助我们了解土地的大小、位置、生态系统的规模和状态等信息。土地分类的重要性在于，不同类型的土地可能具有不同的经济价值，例如，城市土地和农业土地的价值差异很大。因此，遥感和地理信息系统已成为收集关于地球的数据不可或缺的工具，被广泛应用于风险评估、土地退化监测和自然资源保护等领域。
遥感技术能够收集大范围地理区域的数据，并监测地表和物体随时间的变化。人工智能是一项强大的技术，可以帮助我们处理遥感数据，例如像素级分类、机器学习分类等。人工智能的应用使我们能够以更高效、更经济的方式执行类似于人类智能的任务，例如推理、计划、沟通和感知。
它在改进土地利用和土地覆盖分类等领域具有潜在的巨大价值。虽然目前对大多数人来说，量子计算技术还不太实际，但微软、亚马逊和IBM等公司正在提供云计算资源和模拟，以推动量子计算在人工智能和机器学习中的发展。

陆地观测卫星

地球变化观测是一种通过地面拍照系统定期拍摄、储存、分析和展示陆地照片的技术。这些照片是通过遥感传感器获取的，用于不同的目的，根据土地观测组的研究。陆地观测卫星是一种从太空轨道上观察地球的卫星，用途广泛，包括地图绘制、环境监测、气象预测等。它们通常搭载着遥感传感器和通信设备，最常见的任务是拍摄地面照片。
在很多技术先进的国家，卫星发射变得更加普遍，这导致了一种新的趋势，即使用遥感卫星来监测土地的利用、覆盖和地球变化。因此，有越来越多的需求来继续研发遥感卫星，以监测地表情况，并了解当前技术的局限性，以推动空间和技术的进步。这项研究旨在提供对这一领域的全面了解，以便找到有价值的信息。

陆地观测卫星的种类可以根据图像的分辨率来区分。分辨率指的是图像中能够呈现的最小细节。更高的分辨率表示图像中的像素更小，可以显示更多的细节。图1和2展示了不同类型的陆地观测卫星以及它们的一些重要特征。
开发陆地观测卫星

空间分辨率是高分辨率卫星和中低分辨率卫星之间的关键差异。高分辨率意味着卫星可以提供更清晰、更详细的图像，能够捕捉到更多细微的地表特征，为用户提供更精确的像素信息。高分辨率卫星通常具有高访问速度，每天能够多次观察地球表面，这得益于最新的光学技术。
高分辨率卫星有一个独特的特点，就是它们被专门委托拍摄新的高分辨率照片，这使得商业数据具有明确和公开的基础。这也意味着你可以按需获取图像，只需支付所需的图像，避免了额外的费用。

高分辨率卫星有一些优势，包括可以满足覆盖特定区域的需求，提供免费样本，提供即时访问定价，并且可以在浏览器中直接处理高分辨率照片，节省了时间和成本。这些卫星还能提供更精确的细节信息，对于许多应用来说非常有用。
文章还描述了高分辨率卫星的历史发展，从第一代到未来的第四代，预示着未来会有更多高分辨率卫星出现，提供更准确的空间影像数据。尽管高分辨率卫星的价格较高，但由于其各种优势和商业需求，中分辨率卫星仍然具有市场。下表提供了有关高分辨率卫星发射的详细信息。

分析LULC的人工智能方法

近来，需求非常高，要创建精确的土地利用和土地覆盖（LULC）地图的分类器。即使在处理高维度和复杂数据的情况下，遥感图像也需要可靠的信息来进行分类。机器学习分类器在产生良好的分类结果方面发挥着关键作用。影响分类地图精度的因素包括训练样本的数量和质量、分类主题的准确性、选择的分类器、学习区域的大小等等。了解这些标准将有助于达到所需的最高分类精度。
当涉及到对多幅卫星图像和各种特征进行分类的任务时，这会成为计算密集型的挑战，即所谓的大数据挑战。人工智能技术，机器学习土地利用土地覆盖（ML LULC）的识别，成为解决这些挑战的关键。我们深入探讨了几种方法，这将为未来的研究人员开发机器学习技术提供重要的推动力。

如上图所示， 这里介绍了不同种类的人工智能技术，用于分类土地利用和土地覆盖。对于那些初次接触这个领域的读者，以下是一些基本概念：基于像素的分类、基于子像素的分类、基于对象的分类、基于知识的分类、基于规则的分类、基于距离的分类、基于神经元的分类、基于参数的分类，以及基于对象的图像分析方法。
还包括了几种不同的LULC分类方法，如随机森林（RF）、决策树分类（DT）、最大似然分类（MLC）、光谱角映射分类（SAM）、支持向量机（SVM）、K-最近邻（K-NN）、最小距离分类（MDC）、人工神经网络（ANN）、马氏分类、最大熵、平行六面体、升压、正态贝叶斯、ISO数据和K-均值等。

监督方法

分类监督（人工指导）是一种机器学习方法，类似于老师或主管指导学生学习的过程。在这个方法中，用户首先选择一些代表不同类别的图像样本像素，然后告诉计算机程序，当对其他像素进行分类时，使用这些训练样本作为参考。
用户还定义了像素之间相似度的边界，这些边界通常基于训练样本的光谱特性来确定，并可能根据特定的光谱波段的亮度或反射强度进行微调。在监督学习中，我们使用已经标记好的数据来训练算法。

这意味着一些信息已经被正确标记，就像在老师或主管的指导下学习一样。监督学习系统可以通过从标记好的训练数据中学习来预测未知数据的输出。为了构建准确的监督学习模型，需要一组高技能的数据科学家来投入时间和技术。这些数据科学家还需要不断更新他们的模型，以确保在数据发生变化时仍然能够提供准确的结果。不同的监督学习方法在图4中展示出来，可以用于分类和回归等不同任务。

监督方法的类型

回归是一种方法，用来根据已知的训练数据来预测单个数值，比如说，我们可以使用回归来根据已知的培训数据来预测房地产的价格。其他输入变量可能包括地理位置、住宅面积以及其他相关因素。

分类是一种将输出数据分成不同组别的方法。当我们使用分类时，通常是将数据分成两个组别，这叫做二进制分类。而当我们需要将数据分成两个以上的组别时，就使用多类分类。

无监督方法

在无监督学习中，模型不需要预先标记的监督信息，相反，它允许模型自行确定有用的信息。这种方法主要用于处理未标记的数据。无监督学习算法可以处理比监督学习更复杂的任务。然而，无监督学习可能会更难以预测，因为它依赖于算法来确定数据的组织方式，而不是依赖于已知的示例类别。
分类无监督这种分类是通过计算机算法对图像进行分析，而不是依赖用户提供的示例类别。计算机使用算法来确定哪些像素是相关的，并将它们归为一类。图上很好地展示了这个概念。

聚类是一种重要的概念，特别在无监督学习中。它的主要目的是在未分类的数据中寻找结构或模式。如果数据中存在自然的聚类或组，聚类算法将分析并发现它们。
关联规则是一种方法，用于在大规模数据库中查找数据元素之间的关联性。这种无监督方法用来寻找广泛数据库中有趣的变量之间的关系。例如，它可以用来发现购买新房子的人更有可能购买新家具。

通过对有监督和无监督方法的比较，我们发现其中还是有很多不同的，有监督方法需要标记的数据来进行训练，而无监督方法则不需要预先标记的数据，让模型自行确定有用的信息。
ML分类器是一种机器学习算法，用于将图像像素分类为不同的土地利用类型。有基于像素的分类，基于子像素的分类，基于对象的分类，图像分割和基于对象的图像分析，以及以知识为基础的分类等不同方法。

土地利用和土地覆盖变化研究（LUCC）的应用范围广泛，可用于支持可持续发展的多个方面，包括监测植被变化、水资源数量和质量、土地资源以及沿海管理。LUCC地图在规划和监测方面扮演着至关重要的角色，它们为决策者提供了关键信息，有助于制定有利于国家利益的政策。了解土地利用和土地覆盖变化的情况对于土地保护和管理发展也至关重要。

LUCC的统计数据对于规划、业务和管理需求非常必要，因为它们提供了精细的空间信息，对于生态安全和空间布局也是不可或缺的。土地利用规划对于管理气候等方面也非常重要，因为它提供了用于模拟环境变化和改进战略的数据。

总结

LULC变化在提供准确和及时的地理空间信息方面面临一些挑战。城市的持续增长虽然被认为是经济繁荣的表现，但它对生态系统和环境带来了一系列问题，包括交通拥堵、空气污染、农地减少、社会不平等以及基础设施成本上升等。
因此，我们需要准确的土地覆盖信息来支持自然资源管理、规划和监测项目。在这方面，使用图像分类制作专题地图是遥感技术中最常见的应用之一。通过解决这些挑战，我们可以更好地理解和管理我们的地球。