分布式环境下的遥感图像智能检索优化

随着对地观测大数据时代的到来，可获取的遥感图像数据量呈指数级倍增，各行业部门和科研机构都积累了大量的遥感数据，这些庞大的数据资源蕴含着丰富的经济价值、社会价值和战略价值，为国民经济与社会发展带来了新的契机；高分辨率遥感图像已经成为土地利用监测、植被遥感、水体和海洋遥感、农业遥感、大气研究、环境监测、地质灾害调查等领域重要的数据来源。然而，空间信息数据量的增长，尤其是高分辨率遥感图像数据量的增长，对数据存储和计算系统提出了巨大挑战，传统的文件存储方式、数据库技术和计算模型等已不能很好地适应大数据时代的应用需求，海量空间数据的存储、管理及应用研究朝着分布式、高性能计算方向发展，云存储和云计算技术应运而生。云存储和云计算为改善现有遥感图像数据各自独立存储、分散管理(“数据孤岛”)的问题，提供了可行的解决方案。

近年来，深度学习在图像识别、语音识别、机器翻译、自然语言处理等领域的应用获得了巨大的成功。然而，面对越来越复杂的任务，大数据和大模型的处理和计算耗费的时间成本和内存越来越令人难以承受。将分布式技术和深度学习相结合，可以使深度学习的应用突破数据量和模型规模的限制。(www.xing528.com)

本章以经典的分布式平台Hadoop、分布式计算引擎Spark以及分布式深度学习架构BigDL为例，在对比分析大规模遥感图像数据的各种组织和管理策略的基础上，讨论基于深度学习的大规模遥感图像分布式检索框架设计方案，并通过标准遥感图像数据集对其性能予以验证。