视觉 AI

使用计算机视觉分析卫星图像

了解计算机视觉和遥感如何增强卫星图像，从而在农业、城市规划和灾害管理领域提供实时的全球解决方案。

ABAbirami Vina5 min readDecember 27, 2024

地球表面数百英里高空的卫星所拍摄的每一张地球图像，都是大量研究与工程努力的结晶。这些图像不仅仅是快照，它们是至关重要的视觉数据，帮助我们了解并爱护我们的星球。

卫星影像捕捉了地球表面的详细视图，突出了从森林、城市到河流和农田的一切。截至 2024 年 6 月，有超过 10,000 active satellites 在我们的星球轨道上运行，这使它们成为我们全球基础设施的重要组成部分。然而，手动分析这些图像通常既复杂又耗时。

有趣的是，computer vision (CV)（artificial intelligence (AI) 的一个分支）可用于自动分析卫星影像，其方式类似于人类解释图像和视频的方式。Vision AI 可以帮助快速、准确地检测模式、追踪变化并提取洞察。

从分析卫星影像中获得的洞察可以介入解决各种挑战，例如tracking deforestation、监测气候变化、改进农业实践以及应对自然灾害。在本文中，我们将探讨如何使用计算机视觉更好地理解和分析卫星影像。

An overview of satellite imagery

Fig 1. 卫星影像概览。

什么是卫星图像？#

卫星影像涉及使用卫星传感器和cameras拍摄地球表面的图像。与传统图像不同，卫星影像涵盖了从城市到整个国家的广阔区域，并提供精确到米的高分辨率细节。它能够大面积监测环境变化、城市发展和土地利用。

除了图像本身，卫星图像通常还包括地理参考数据。这些数据确保了精确的测绘和分析。追踪卫星图像及其数据随时间的变化，可以为生态系统、天气模式和人类活动提供宝贵的见解。

以下是不同类型卫星图像及其支持的独特应用场景的快速概览：

Optical imaging： 这种方法捕捉可见光和近红外波长，类似于人眼感知光线的方式。它非常适合监测土地利用、植被健康和城市发展，但需要晴朗的天空和日光来进行有效的成像。
雷达图像：使用合成孔径雷达 (SAR) 发送和接收无线电波，无论天气条件或时间如何，都能捕捉高分辨率图像。它对于灾害响应、地形测绘和监测地表特征的变化特别有用。
Thermal Imagery：热传感器检测作为地球表面热量发射的红外辐射。它用于追踪森林火灾、监测地热活动以及研究城市热岛效应和温度变化。
高光谱成像：使用数百个窄光谱波段的数据来分析土壤、水和植被的成分与健康状况。它为环境状况、资源管理以及矿产勘探和污染监测等应用提供了详细的见解。

Types of satellite imagery

Fig 2. 卫星影像类型。

从地球观测卫星捕捉卫星图像#

为了更好地理解卫星图像的内涵，了解不同卫星是为特定目的而建造的这一点非常重要。例如，它们使用安装在地球静止卫星或极轨卫星上的传感器。地球静止卫星通过匹配地球的自转保持在地球上方的固定位置，这使它们非常适合连续监测。相比之下，极轨卫星绕经两极飞行，随着地球在下方自转，逐渐覆盖整个星球。

Polar and geostationary satellites in orbit around Earth

Fig 3. 在地球轨道运行的极轨卫星和地球静止卫星。

这种区别很重要，因为不同的应用依赖于特定类型的卫星图像来满足其需求。例如，地球静止卫星非常适合需要持续观测的任务，如天气监测和实时通信。

另一方面，极轨卫星更适合全球覆盖，这使其对环境研究、climate tracking以及绘制大规模地理变化图至关重要。

卫星图像处理的基础知识#

既然我们已经介绍了什么是卫星影像，接下来让我们看看卫星捕获一组图像后会发生什么。真正的障碍在于将这些原始图像转化为有意义的内容。通过仔细处理和analyzing the data，我们可以提取出揭示我们星球重要细节的有价值洞察。

预处理卫星图像#

Preprocessing 是处理卫星数据的第一步，重点是清理和校正原始影像，使其对分析可用且准确。以下是用于精炼卫星影像并确保其提供可靠信息的一些关键技术：

现实世界映射： 通过校正畸变和识别地标，将卫星图像与现实世界地图对齐。
降噪： Machine learning 模型用于通过分析光波长来识别和去除云层，并将云层与陆地分离以获得更清晰的图像。
数据校准： 为了保持 accuracy，图像像素会调整到标准水平，并且大气校正可以减少来自颗粒物和光散射的畸变。

计算机视觉与卫星图像#

在预处理卫星图像后，可以使用计算机视觉技术从数据中提取有价值的洞察。计算机视觉模型（例如 Ultralytics YOLO11）可以通过利用庞大的卫星图像 datasets 进行训练来分析视觉内容。这有助于模型识别各种图像中的模式和特征。

以下是一些可以帮助处理和解释卫星影像的 computer vision tasks 示例：

Image Segmentation：此技术将图像划分为不同的区域，例如陆地、水域或植被，以便对表面类型进行重点分析和分类。
Object Detection：它用于识别和精确定位图像中的特定物体，例如建筑物、道路或车辆。
变化检测：此任务通过比较在不同时间间隔捕获的图像来追踪物体或区域，识别诸如森林砍伐、城市化或季节性变化等改变。
Image Classification：它可用于根据从训练数据中学习到的模式对土地类型进行分类，从而能够创建用于进一步研究的详细地图。

这些计算机视觉技术将原始卫星图像转换为结构化的、可操作的数据，提供了对地球表面更清晰、更深入的理解。

利用视觉 AI 分析卫星图像的应用#

接下来，让我们浏览一些卫星图像如何重新定义我们世界的现实生活示例，让日常任务变得更简单、更智能、更高效。

利用卫星图像监测环境变化#

卫星图像和计算机视觉是观察和理解地球环境变化的绝佳工具。它们使我们能够从太空监测我们环境的各个方面，包括森林、冰川和水体。利用这项技术，我们可以追踪以下关键环境因素：

森林砍伐： 卫星可用于监测森林变化、识别森林砍伐或重新造林区域，并使用多光谱数据评估植被健康状况并检测环境变化。例如，Global Forest Watch 是一个在线平台，它使用卫星影像帮助政府和组织采取及时的保护行动。
全球变暖： 卫星捕获的图像可以提供有关冰川和极地冰盖的重要数据，利用时间序列图像在恶劣天气下监测冰层移动。
空气和水质监测： 卫星通过检测二氧化碳、甲烷和污染物等污染物质来监测空气和水质，从而助力环境政策和资源管理。

Satellite imagery analysis from Global Forest Watch

Fig 4. 来自 Global Forest Watch 的卫星影像分析。

利用卫星图像和计算机视觉增强灾害管理#

Natural disaster management 严重依赖卫星影像来进行实时监测和灾后恢复。在洪水、飓风和野火期间，会分析卫星图像以检测环境变化。灾后，卫星影像在损失评估中继续发挥着至关重要的作用。

诸如 instance segmentation 之类的计算机视觉技术可用于通过比较地震或海啸前后拍摄的图像，来识别严重破坏的区域（如倒塌的建筑物或改变的地貌）。这使有关部门能够更有效地评估破坏规模并优先安排恢复工作。

一个很好的例子是欧洲空间局 (ESA) 的 Ciseres project，它将 AI 与卫星数据相结合，以评估诸如洪水、野火和飓风等实时的灾害影响。

Post-disaster images showing damaged areas by color

图 5. 显示受损区域的彩色灾后图像示例：绿色表示轻微损坏，橙色表示严重损坏，红色表示已摧毁（来源：researchgate.net）。

利用卫星图像进行城市规划和基础设施建设#

卫星影像和计算机视觉可以在城市规划和基础设施开发中发挥关键作用。高分辨率图像可用于研究土地利用、追踪城市增长并支持更聪明的城市规划。这些技术还可以通过analyzing traffic patterns、设计更好的路线以及实时监测拥堵来改善交通系统。它们甚至可以通过比较当前和过去的图像来帮助检测违章建筑，使有关部门更容易执行建筑规范。

你可能想知道，一个城市的增长真的能从太空中看到吗？借助卫星影像和计算机视觉，绝对可以。Dubai 就是一个引人入胜的例子。在过去的几十年里，它从 20 世纪 80 年代的一个小沙漠城镇蜕变为一个全球大都市。卫星图像生动地捕捉到了这种显着的增长，展示了城市地区的扩张、土地利用的变化以及哈利法塔和棕榈岛等标志性地标的崛起。