城市遥感：应用与方法

图23-1　基于无人机影像的行人检测

图23-2　基于无人机影像的社交距离指数估计

遥感数据是典型的大数据，不仅具有空间性、时间性、多维性、海量性、复杂性等特点，还包含空间不确定性。由于城市遥感大数据膨胀速度远远超过了常规的事务管理型数据，形成空间大数据的生态局面。因此，如何有效地融合城市遥感大数据，提取互补信息，剔除冗余信息，是一个极其重要的科学问题，也是城市遥感大数据亟待解决的技术难题。(www.xing528.com)

与当前服务于从数字城市到智慧城市建设所需要的高分辨率遥感数据获取能力形成鲜明对比的是，遥感信息处理能力十分低下，存在的主要瓶颈问题是现有的遥感图像分析和海量数据处理技术，主要针对单一传感器设计，没有考虑多源异构遥感数据的协同处理要求:①难以实现多元化的遥感大数据的信息提取和统一表达；②难以满足基于内容的多源异构数据的信息检索需求；③难以从多元化影像数据中自动获取场景的语义认知，对遥感大数据的信息利用率低。遥感信息处理技术和数据获取能力之间出现了严重的失衡，陷入了“大数据、小信息”的悖论怪圈。而且，由于大量堆积的数据得不到有效利用，海量的数据长期占用有限的存储空间，将造成某种程度上的“数据灾难”。城市遥感大数据挖掘就是要实现从城市遥感大数据中探求、挖掘自然和社会的变化规律，为各类管理和服务提供辅助决策依据。

“时-空-谱关联”观测模型提供了面向需求的城市遥感观测模型，多谱段、多尺度、多角度、多时相的遥感数据结合机器学习手段，使得城市遥感信息提取技术从统计模型、物理模型逐渐进入数据模型阶段，基于城市遥感大数据可更好地开展城市地表参数反演，支撑韧性城市环境研究。利用“大样本数据集＋完备参数刻画能力”的数据模型来代替传统的“小样本数据集＋先验知识约束”的物理模型，这种改变也必将是遥感大数据时代地表参数遥感反演的一种变革。与此同时，可服务于城市环境科学研究中涉及的大气、植被、水质、地表、生态和城市社会经济活动等要素的其他类型城市大数据，也通过各类传感网汇聚到城市的大数据中心，知识样本库的增加和算法的改进，基于深度学习的精度将有很大的提升空间。

城市遥感大数据与空间信息、水文数据进行有效接合，可监测反映城市下垫面产汇流特征的相关因子(包括研究区域的半透水面、透水地面、不透水面分布情况，地表温度、湿度、地表蒸散发信息等)，深度结合城市水文观测数据，可以在城市水文过程研究中得到更为客观的灾害风险或灾情预测研究结果。采用遥感大数据和其他大数据融合，开展社会经济活动监测研究。探讨基于城市遥感大数据和其他城市大数据的融合挖掘方法，为城市社会经济活动常态化监测提供技术支撑，为城市环境可持续性监测提供可行的解决途径，为提升城市韧性提供辅助决策服务。