第1章遥感与深度学习概述

1. 遥感与深度学习概述

大家好，我是这门课的主讲。在正式开始之前，我想先聊聊我对遥感影像的理解。说实话，我最早接触遥感时，觉得这玩意儿就是「天上的相机拍照片」。后来真正做项目才发现——完全不是那么回事。

遥感影像，说白了就是传感器在几百公里外「看」地球。它看到的不是我们肉眼看到的东西，而是地物在不同波段的反射信号。嗯，这里有个关键点：每个波段都是一张独立的「灰度图」，组合起来才能还原地物的真实面貌。

我在项目中接触过三类主流遥感数据，它们各有各的脾气：

核心区别一句话：多光谱像「彩色照片」，高光谱像「光谱指纹库」，SAR像「雷达扫描图」。三种数据在深度学习中的预处理方式完全不同。

拿多光谱来说，我习惯把近红外波段单独拿出来做植被分析。为什么？因为植被在近红外波段反射率极高，这个特征在分类任务中特别好用。高光谱呢？我曾经在矿物识别项目里用了200多个波段，结果模型过拟合得一塌糊涂——后来才明白，高光谱必须先降维再喂给网络。

至于SAR，嗯，这玩意儿最坑。我第一次用Sentinel-1做水体提取，模型死活学不会。后来发现是斑点噪声把水面纹理全打乱了。解决办法？先做滤波，再用对数变换把数据拉到一个合理的分布范围。

你想想看，遥感影像动辄几千乘几千像素，传统方法靠人工设计特征，效率低不说，泛化能力也差。深度学习正好解决了这个问题——让网络自己学特征。

我按任务类型把常见场景梳理了一下：

场景分类：给整张影像打标签，比如「这是农田」「这是城市」。我在做全国土地利用分类时，用ResNet50在10万张样本上训了3天，精度比传统方法高了12%。
目标检测：找特定目标的位置，比如飞机、船舶、车辆。YOLO系列在遥感检测里很火，但要注意——遥感目标通常很小，我建议用多尺度检测策略。
语义分割：像素级分类，比如把每块地分成「建筑」「道路」「植被」。U-Net是标配，但我在实际项目里发现，加个注意力机制能显著提升边界精度。
变化检测：对比两期影像，找出变化区域。这个任务最难，因为要同时处理配准误差和光照差异。我踩过的坑是——直接用差值图做输入效果很差，得用双分支网络。

我的建议：初学者先从分类和分割入手，这两个任务的数据集最成熟，模型也最稳定。检测和变化检测对数据质量要求高，容易劝退。

这门课我设计了30章，从基础到部署，一步步带你走完。技术栈选型上，我坚持一个原则：用最主流的工具，讲最实用的方法。

先看这张技术栈全景图：

这张图我画了好几次才满意。你看，从数据到部署，每一层都有对应的工具和模型。我个人习惯是PyTorch为主，TensorFlow为辅——不是TF不好，而是遥感社区用PyTorch的人更多，遇到问题好查资料。

学习路径上，我建议这样走：

避坑指南：我曾经在第一个项目里直接拿整景影像（1万×1万像素）训练，结果显存爆了。后来才学会用滑动窗口裁剪——把大图切成256×256的小块，既省显存又增加样本量。

最后说一句：这门课不讲花哨的理论，只讲能落地的技术。你跟着我走完30章，至少能独立完成一个遥感深度学习项目的全流程。准备好了吗？我们开始吧。