卫星遥感技术金融业应用报告.pdf

《卫星遥感技术金融业应用报告.pdf》由会员分享，可在线阅读，更多相关《卫星遥感技术金融业应用报告.pdf（103页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、卫星遥感技术金融业应用报告北京金融科技产业联盟2023 年 3 月版权声明本报告版权属于北京金融科技产业联盟，并受法律保护。转载、编摘或利用其他方式使用本白皮书文字或观点的，应注明来源。违反上述声明者，将被追究相关法律责任。I编制委员会主任：吕仲涛潘润红编委会成员：聂丽琴金海旻刘承岩鲁金彪编写组成员：孙凌浩张海军史大鹏胡国强黄炳罗涛姜璐白梦圆施佳子瞿威吕蓉缪迪文尹亮邱雪涛王宇文黎明谢林李斌陈东航邓俊毅谢超陆碧波郭胜韩冰冯丽娜徐旭丁洪涧丁来平宗煦李宇翔张晓娟杨晓诚肖扬编审：黄本涛姜璐刘昌娟姚文韬II牵头编写单位：工商银行金融科技研究院联合牵头单位：中国建设银行股份有限公司参编单位：中国银联股份有

2、限公司银联商务股份有限公司兴业银行股份有限公司平安银行股份有限公司浙江网商银行股份有限公司华为技术有限公司III目录目录一、卫星遥感技术金融行业应用背景.1（一）金融业发展战略和数字化发展趋势.1（二）卫星遥感技术应用政策背景.1（三）多技术融合拓展卫星遥感应用广度和深度.3二、卫星遥感技术发展情况.4（一）卫星遥感技术介绍.5（二）卫星遥感技术应用流程.7三、金融行业卫星遥感应用诉求.27（一）涉农信贷.27（二）农险和产险.28（三）地产基建信贷风控.30（四）一带一路信贷风控.31（五）投资决策辅助.32（六）新能源绿色金融信贷风控.32（七）土地流转管理.34（八）金融租赁风控.35四

3、、卫星遥感技术金融业应用案例.36（一）金融业应用现状概述.36（二）银行应用案例介绍.45（三）保险业应用案例介绍.67（四）遥感技术应用的局限性案例分析.68（五）遥感和 IOT 结合案例规划.72五、总结和展望.75（一）小结.75（二）风险与挑战.76（三）应用建议.80（四）展望.83六、参考文献.86七、附录.87（一）卫星遥感相关政策法规.87（二）卫星遥感相关标准.89（三）SaaS 平台.951一、卫星遥感技术金融行业应用背景（一）（一）金融业发展战略和数字化发展趋势金融业发展战略和数字化发展趋势随着云计算、大数据、人工智能、区块链和卫星遥感等新兴技术在金融行业的深入应用，科

4、技对于金融的作用被不断强化，创新型的金融解决方案层出不穷，金融科技发展进入新阶段。金融机构纷纷立足新发展阶段，深入践行新发展理念，坚持目标导向和问题导向，以深化金融数据要素应用为基础，以支撑金融供给侧结构性改革为目标，以加快推进金融机构数字化转型为主线，在健全科技治理体系、夯实数字基础底座、加强技术创新引领、激活数字化经营动能、强化创新审慎监管、践行数字普惠金融等方面精准发力，加快健全适应数字经济发展的现代金融体系，为构建新发展格局贡献金融力量，进一步增强金融体系的适应性、竞争性和普惠性。以大型银行为代表的金融机构，对于数字化转型的目标、路径和举措都建立了各具特色、全面丰富的系统性战略布局，尤

5、其体现在数字技术与信息化应用投入方面。银保监会发布的数据显示，2020 年的银行机构信息科技资金总投入达 2078 亿元，同比增长 20%，增长速度远高于同期银行业的收入和利润增长率。（二）卫星遥感技术应用政策背景（二）卫星遥感技术应用政策背景卫星遥感技术应用政策，是为推动遥感卫星技术实现深度应2用、商业化的一系列政策、法令、规章制度的总称。卫星遥感作为一个高投入、高风险且回报周期长的技术密集型产业，其发展离不开政府的政策和资金支持。为鼓励和规范卫星遥感技术及其应用，国家相继出台一系列的政策、标准和法律法规，在推动遥感卫星应用和产业化发展方面发挥了实实在在的重要作用。1.卫星遥感相关政策和法律

6、法规近些年来，国家相继出台了一系列法律法规、规划纲要及产业鼓励政策，大力推进以卫星遥感为核心的卫星应用领域相关建设，加速卫星遥感商业化应用，促进中国卫星遥感行业迅速发展。如 2021 年中国人民银行金融科技发展规划（2022-2025 年）中提出在农村金融领域，借助移动互联网、卫星遥感、电子围栏等技术，实现融资需求精准授信，推动农业保险承保理赔电子化、智能化。2022 年中共中央办公厅和国务院办公厅发布的乡村建设行动实施方案加快建设农业农村遥感卫星等天基设施，建立农业农村大数据体系，推进重要农产品全产业链大数据建设（卫星遥感相关政策和法律法规详细内容见附录一）。2.金融行业卫星遥感技术应用标准

7、目前，卫星遥感技术在金融行业已有较多应用，但遥感技术的标准化研究与建立工作还没有系统性地开展，整体上落后于遥感技术的发展，不能满足遥感技术的飞速发展和产业化的需要。当前卫星遥感的相关标准主要集中在数据和应用方面，遥感技术及其应用的行业标准主要集中在农业、测绘、环境保护、交通、3气象、地震、地质矿产等领域，而已颁布的金融业卫星遥感行业标准较少，主要包括由中国银行保险监督管理委员会颁布的基于遥感技术的农业保险精准承保和快速理赔规范。随着相关业务的开展，各金融机构对卫星遥感技术应用的标准化工作越来越重视，如北京金融科技联盟正牵头组织相关单位合作撰写的卫星遥感金融业技术指标和评估标准，以规范遥感技术在

8、金融信贷的应用（现行或即将实施的遥感技术及其应用相关国家标准详见附录二）。（三）多技术融合拓展卫星遥感应用广度和深度（三）多技术融合拓展卫星遥感应用广度和深度云计算、人工智能、区块链、卫星遥感等新兴技术并非彼此孤立，而是相互关联、相辅相成、相互促进的。卫星遥感具有非接触、高分别率、探测范围广、可重复观测、真实客观等特性，被称为“千里慧眼”。随着人工智能技术特别是深度学习技术的快速发展，以及计算机处理能力的提高，使得卫星遥感数据的可用性显著增强，遥感数据的数量和质量在过去 10 年里取得了极大的提高。卫星遥感的应用模式已从传统的“数据-分析服务”，转变为“基础数据-增值产品-信息产品-解决方案”

9、的全流程供应链。整个服务体系可面向行业应用，提取与挖掘多样化的信息产品满足业务化需求，可面向行业市场提供整体解决方案，形成完整的服务体系闭环，更好地支撑各行业的综合应用，提升新型信息化技术应用水平。通过对卫星遥感数据建立不同场景的人工智能算法模型，卫星遥感当前已经在国土资源监测、城市规划、农业估产、生态环境监测、防灾减灾应急响应等领域成功应用。4在金融行业中，利用卫星遥感具有观测覆盖面积大、重访周期短、精度高等特点，将遥感技术与金融服务进行深度融合，结合人工智能、图像分析等新技术，打造卫星遥感影像智能分析系统，并应用在信贷管理工程建设贷后监控、普惠金融农业信贷发放评估、保险定损理赔等业务方向上

10、，全面提升金融行业信贷、保险等领域的服务水平。二、卫星遥感技术发展情况卫星遥感是从高空通过传感器探测及接收来自目标物体所辐射及反射的电磁波信息，从而识别物体的属性及其空间分布等特征，并通过遥感技术平台获取卫星遥感数据进行分析处理的技术。中央电视台新闻联播后的天气预报中屡被提及的卫星云图就是遥感成像技术的直观展现形式，如图 1 所示。图1.卫星遥感技术示意图5（一）卫星遥感技术介绍（一）卫星遥感技术介绍1.1.相关概念相关概念（1）遥感及遥感卫星遥感遥感（Remote Sensing，简称 RS），一词由美国海军研究局EvelynL.Pruitt 于 20 世纪 60 年代创造。在 卫星遥感技术

11、 中，遥感的定义为“不直接接触物体，应用各种传感仪器对远距离目标所辐射和反射的电磁波信息，进行收集、处理、并最后成像，从而实现对地面各种景物进行探测和识别的一种对地观测综合技术”。遥感卫星遥感卫星是用作外层空间遥感平台的人造卫星，是应用卫星的最主要类型之一，可以分为大卫星、小卫星等。大卫星的重量大于 1000KG，平均制造成本通常高于 5000 万美元；小卫星的重量在 500-1000KG，研制成本通常在 2000-5000 万美元；其次还有微小卫星、微卫星、纳卫星、皮卫星。遥感卫星通过对地球系统或物体进行特定电磁波谱段的数字化成像观测，进而获取观测对象多方面特征信息。遥感卫星在用途上区别于导

12、航卫星、通信卫星和科研卫星等，主要应用场景包括资源调查、农业估产、天气与海况预报、防灾减灾和军事侦察等。（2）空间分辨率遥感图像上最小单元的尺寸，越小空间分辨率越高，图像中表达的信息就越丰富和精确。6（3）光谱分辨率传感器在接收目标辐射的光谱时，能分辨的最小波长间隔。光谱分辨率和空间分辨率相互制约，在一定程度上呈负相关。（4）时间分辨率时间分辨率是指在同一区域进行的相邻两次遥感观测的最小时间间隔，时间间隔大，时间分辨率低，反之时间分辨率高。2.2.卫星遥感特点卫星遥感特点卫星遥感具有时效性、周期性及数据综合性等特点。（1）时效性卫星遥感获取资料速度快、周期短，且不受高山、冰川、沙漠等恶劣条件限

13、制，商业化发展潜力大。（2）周期性卫星遥感能动态反映地面事物的变化，遥感探测能周期性、重复地对同一地区进行对地观测，有助于动态跟踪事物变化。（3）数据综合性遥感获取的数据具有综合性，遥感探测所获取的是同一时段、覆盖大范围地区的遥感数据，这些数据综合地反映了各类事物的形态与分布等信息。7（二）卫星遥感技术应用流程（二）卫星遥感技术应用流程随着全球遥感卫星发射次数不断增长，卫星遥感上下游各行业新进入者日益增多，卫星遥感行业市场规模逐渐扩大，商业化进程加速推进。卫星遥感技术从应用流程角度可分为卫星遥感影像生成及获取、影像分析、场景应用三个环节，如图 2 所示。图2.卫星遥感技术应用流程1.1.卫星遥

14、感影像生成及获取：卫星产业呈规模化发展，为商卫星遥感影像生成及获取：卫星产业呈规模化发展，为商业应用奠定基础业应用奠定基础卫星遥感影像生成和获取涉及遥感卫星的制造、发射及运营等上游产业，是获取空间信息的根源。当前卫星上游产业呈现规8模化发展，为商业应用奠定了基础。（1）遥感影像数据介绍卫星遥感影像信息的采集以电磁波作为传播媒介。根据电磁波波长的不同，遥感影像可分为紫外（探测波段 0.05-0.38um）、可见光（探测波段 0.38-0.76um）、红外（波段 0.76-15um）、微波（雷达）（探测波段 1mm-1m）遥感影像1。紫外遥感影像紫外遥感影像：指探测传感器波段在 0.05-0.38

15、 的遥感影像。紫外波段的太阳光被低、中、高层大气分别强烈散射和被大气中的臭氧等微量气体强烈选择吸收，所观测的大气紫外散射光谱对大气密度、大气臭氧、气溶胶及其他微量气体的密度和垂直分布极为敏感。因此，利用紫外光谱观测可以同时遥感整层大气密度和臭氧等的三维分布，在气象的观测上有较大的用处。可见光遥感影像可见光遥感影像：指探测传感器波段在 0.38um-0.76um 的遥感影像。可见光是人类眼睛可见光谱段的总称，是最早用来进行遥感的光谱段，也是当前最常用的工作波段，广泛应用于各行各业。红外遥感影像红外遥感影像：指探测传感器波段在 0.76-15um 的遥感影像，又可进一步分为近红外（0.76-3um

16、）、中红外（3-6um）和远红外（6-15um）。近红外和中红外统称反射红外，多用于白天光学摄影。远红外称为热红外或发射红外，主要由于地物自身辐射，用于夜间红外扫描、适用于军事侦察、地热、土壤温度、地质构造等。微波微波（雷达雷达）遥感影像遥感影像：指探测传感器波段在 1mm1m 的遥9感影像。相较于可见光等遥感影像，微波遥感具有不受光照和气候条件等限制实现全天时、全天候对地观测的特点，可以透过地表或植被获取其掩盖的信息，具有极高的空间分辨率，在农、林、水或地质、自然灾害等民用领域具有广泛的应用前景。随着光谱和成像相关技术的提高，遥感影像发展也逐步向多光谱、高光谱演进，光谱波段细分程度越来越细。

17、多光谱遥感影像多光谱遥感影像：指具有两个以上波谱通道的传感器对地物进行同步成像的遥感影像。探测波段在可见光和红外波段，波段划分为几个、十几个窄波进行探测，不连续，不能覆盖全部波段范围，他将物体辐射反射的电磁波信息分成若干波谱段进行接收与记录。高光谱遥感影像高光谱遥感影像：指利用多个波段窄且光谱通道连续的遥感方法对地物成像的遥感影像。探测波段在紫外到中红外波段，与多光谱相比，覆盖全部范围。其光谱分辨率广，从可见光到短波红外，光谱通道数多达几十至百个以上，且各光谱通道是连续的，因此每个图像像元均具有一条完整的光谱曲线。（2）发展现状受益于政策助力和技术发展，我国遥感卫星数量持续增加，并呈现出规模化

18、、低轨化、高分辨率的趋势。下文将针对遥感卫星数量、质量以及数据可得性对当前遥感卫星产业进行简要介绍。101）数量：遥感卫星数量持续增加，多源遥感数据量激增，市场发展呈规模化多源遥感数据量的激增多源遥感数据量的激增：随着遥感技术、光学、热红外和微波等技术的发展，多源遥感影像数据量（多时相、多光谱、多传感器、多平台、多分辨率）呈规模化增长，主要有以下特点：冗余性：对环境或目标的表示、描述或解译结果相同；互补性：信息来自不同的自由度且相互独立；合作性：不同传感器在观测和处理信息时对其他信息有依赖关系。遥感卫星市场呈规模化发展遥感卫星市场呈规模化发展：全球遥感卫星在轨运行数量占在轨卫星数量的比例日益提

19、高，由 2015 年的 17%增长至 2019 年的 27%。根据美国忧思科学家联盟的在轨遥感卫星数量的数据中（截至 2020.7），美国排名第一，为 462 颗，中国排名第二，拥有 181 颗遥感在轨卫星，且近年来，国家重大高分专项的加持使得卫星发射成本逐渐降低，卫星遥感技术日渐成熟，为卫星产业应用规模化提供了有利条件。2）质量：在高分专项加持下，遥感数据质量显著提升，对地观测能力得到加强高分辨率高分辨率：随着卫星技术的发展，民用卫星影像的空间分辨率和时间分辨率在高分项目的加持下得到较大程度的提高，为后续的产业化应用提供了丰富的监测手段与数据基础。低轨化低轨化：低轨卫星（高度范围 500-2

20、000km）采用更低的轨道，发射载荷效率高于传统卫星；能够快速抵达预定轨道工作，时延11短且链路损耗小，分辨率高；在轨重访周期短，可在更短时间内对同一目标再次侦测，获取更清晰的信息。小型化小型化：小卫星主要针对于大范围区域进行全方位遥感，小卫星研制周期短，仅需一年时间即可完成从立项研制到发射全过程，而大卫星则至少需要 5-8 年的时间，阵线长且时间成本高。3）可获得性：受益于政策支持和数据公开，数据可获得性增强2015 年的国家民用空间基础设施中长期发展规划（2015-2025 年）为国内民用遥感卫星产业发展奠定了坚实的基础，在卫星数据使用方面明确了逐步开放空间分辨率优于 0.5米级的民用卫星

21、遥感数据。自此以后，国家在政策上逐步鼓励遥感数据的应用，于 2018 年在遥感数据应用方面重点颁布了遥感数据开放的管理办法，推动数据共享、应用推广，遥感数据应用的市场空间进一步打开。此外，欧空局官方公开哨兵二号等数据，支持全球数据下载。哨兵二号主要提供 L1C 和 L2A 两种产品数据。L1C 产品经过正射校正和亚像元级几何精校正，为天顶表观反射率数据；L2A 是对L1C 进行大气校正得到的地表反射率数据产品。2.2.卫星遥感影像分析：卫星遥感影像分析：AIAI 助力，从助力，从“看得清看得清”到到“看得懂看得懂”（1）卫星遥感影像分析技术介绍卫星遥感影像主要通过分析光学、微波遥感图像中各类地

22、物12的光谱信息和空间信息，选择特征，采用合适算法将特征空间划分为互不重叠的子空间，提取感兴趣的像元数据，其关键包括卫星遥感影像的预处理、智能分析和 3S 融合可视化分析。卫星遥感影像分析技术发展可分为以下 4 个阶段：人工分析阶段、计算机辅助阶段、自动化阶段（专家系统）、空间大数据-人工智能-自助分析阶段。人工分析人工分析：依靠人工对遥感飞机等航测航拍数据进行识别、定位和分析，形成报告文档。计算机辅助计算机辅助：使用计算机处理遥感数据辅助人工分析。自动化自动化：对于遥感特定问题能实现自动化数据处理和分析。空间大数据空间大数据-人工智能人工智能-自助式分析自助式分析：空间大数据融合激发了一系列

23、数据驱动的创新应用，人工智能技术突破使遥感图像识别更加智能化和普及化，自助式分析提供了高效的探索式分析能力，以上三者的有机结合开拓出空间数据智能的蓬勃发展。（2）卫星遥感影像的预处理通常情形下，获取的原始卫星遥感图像无法直接使用，需要先经过预处理。预处理的精度会直接影响人眼对图像视觉特征的敏感程度并间接影响图像处理的精准度与效率。遥感图像预处理技术主要包括辐射校正、几何校正、图像增强等。1）辐射校正采集图像时，传入传感器的辐射能量包括地物放射、大气层辐射以及地物反射，但因传感器特性上存在差异，造成传感器的13探测值与实际光谱辐射值不一致，这种辐射失真即辐射畸变，而消除或修正这种辐射畸变的过程即

24、辐射校正。一般而言辐射校正分为辐射标定、大气校正、地形及太阳高度校正。辐射定标辐射定标：指将记录的原始遥感影像像元亮度值转换为大气外层表面反射率（或辐射亮度值），通过标定排除传感器、波普、时间等造成的误差。大气校正大气校正：将辐射亮度或者表面反射率转换为地表实际反射率，其目的是消除大气和光照等因素对地物反射的影响，获得地物反射率、辐射率、地表温度等正式物理模型参数。太阳高度角及地形校正太阳高度角及地形校正：通过统计学模型和物理学模型，消除地表地形不同、太阳高度角不同造成的辐射亮度的误差，如图3 所示。图 3.辐射校正2）几何校正几何校正是纠正系统或非系统因素引起图像像素相对于地14物实际位置产

25、生的挤压、拉伸、扭曲与偏移的几何畸变。传统做法在遥感影像中选择控制点，定位地理坐标，而后建立影像和真实世界的映射函数，以此获得真实坐标信息，最后通过重采样计算变换后像元亮度值，如图 4 所示。图 4.几何校正3）图像增强图像增强指增强图像中的有用信息，改善图像的视觉效果，图像质量、丰富信息量，加强图像判读和识别效果，满足某些特殊分析的需要。图像增强有一系列的不同方法，包括图像融合、图像裁剪、对比度增强等。图像融合图像融合：通过将时间或空间的多源数据按照一定法则合成为高空间分辨率的彩色影像图像。图像融合有两点需求：图像空间信息匹配：空间位置、图像行列数一致；图像光谱信息匹配：同名像元点的灰度值具

26、有较好的相关性。在空间域代数运算融合比较常用的有 Brovey 转换法、PBIM 融合算法；在变换域比15较流行的有 HSI 变换融合法，如图 5 所示。图 5.图像融合图像裁剪图像裁剪：选定遥感影像中的一个特定的感兴趣的范围，常用的裁剪方式包括按 ROI 裁剪和按地图裁剪，而后根据需求进行旋转、放大、缩小等并整理成合适的训练数据集，如图 5 所示。图 6.图像裁剪对比度增强对比度增强：通过调整非正态分布的直方图到正态分布，对图像重新分配像素值，使一定范围内的像素数量大致相同，解决图像因对比图过小造成亮度过暗或过亮的问题，改善图像的质量，便于分辨地物轮廓并提取信息。16图 7.对比度增强（3）

27、卫星遥感影像智能分析随着人工智能技术的发展，决策型的智能技术将成为未来的主流发展目标之一，其目的是在智能解译数据时让系统自带决策功能，学习人脑思维方式分析问题，利用“经验”自主选择判断依据，针对场景进行包括网络模型的适配、异构实体网络的自主构建、多关联关系的动态优化等，完成指定任务。卫星遥感影像智能分析是通过建立地物的分类、识别、变化深度学习神经网络模型，自动获取、加工、提取遥感影像中像素信息，形成数量、面积、方向，土地性质、长势等对业务领域有价值的信息，实现遥感影像从“看得清”到“看得懂”。1）人工智能目标检测算法目标检测算法通过网络模型分析影像前景和背景，提取影像中的感兴趣目标的位置、数目

28、和类别信息。基于深度学习的遥感影像目标检测算法即通过训练适用于多分辨率遥感数据的卷积17神经网络模型（如 YOLT），分析影像语义特征，提取遥感影像中的感兴趣目标位置，如图 8 所示。该算法作为是遥感图像分析的一项重要工具，有助于城市规划、交通疏通等重要应用。例如在道路检测场景中，通过训练卷积神经网络模型，提取深度语义特征确定中心线位置并预测像素是中心线的“概率”，从遥感影像中检测道路，并输出矢量化的道路边界和中心线图层。图 8.目标检测2）人工智能地物分类算法地物分类通过已训练的分类网络模型对影像特定区域内的土地性质进行解析、分割，以此进一步分析不同位置的土地性质情况。通用的地物分类模型，是

29、基于大量通用数据训练的，能够识别多类地物，模型具有一定的普适性。例如基于知识的决策树分类是以遥感影像数据及其他空间数据为基础，通过专家经验总结、数学统计、归纳方法等，获得分类规则并进行遥感图像分类。这类模型的分类规则易于理解，分类过程也符合人的认知过程。特殊的地物分类模型，例如对光伏、农作物等做进一步像素分析，18以获取其范围、面积、质量等信息，是通过训练适用于多分辨率遥感数据的卷积神经网络模型（如 U-net），对图像进行逐像素分类实现图像语义分割，其最大特点就是通过反卷积拼接特征，使得浅层语义信息和深层语义信息能结合起来，可支持多尺度和超大图像的输入，如图 9 所示。图 9.地物分类3）人

30、工智能变化检测算法变化检测是从定量的角度来分析两个不同时期的同一区域地表物体变化的，确定和分析该地域地物的变化，包括地物位置、范围的变化和地物性质、状态的变化。由于变化检测的目的是研究图像中地物特性的变化，但是太阳光照角度、大气变化、传感器不同都会造成一定的干扰，因此在变化检测前需要对遥感图像进行预处理，例如辐射校正、大气校正，使干扰因素对变化检测的影响降到最小。根据算法的不同，检测算法可分为通用变化检测、建筑物变化检测等。通用变化检测算法采用深度神经网络和多模型融合技术，排除掉季节等干扰因素，按照一定的规则，提19取出其中土地，水域等发生变化的位置和范围。建筑物变化检测算法基于孪生神经网络专

31、注提取图像中建筑物的语义特征，通过计算每对特征点之间的度量（如 L1 距离），判断该位置点是否发生了变化，当输入两期不同时间的同一地区的影像时，模型能够智能地找出影像中发生变化的建筑物，如图 10 所示。图 10.变化检测4）光谱分析算法卫星遥感影像是基于地物反射辐射成像的，包含了地表各物质的光谱信息，其中不同物质的光谱特性各不相同，需要特定算法对其解译。光谱分析影像处理的常见算法主要包括光谱角度匹配、光谱特征拟合、波段指数计算等。光谱角度匹配光谱角度匹配：通过比较图像波谱与地物波谱或波谱库中地物波谱完成对图像的分析，是一种交互式自动分类方法。光谱特征拟合光谱特征拟合：选择包含目标矿物特定吸收

32、谱带的光谱区20间，利用最小二乘拟合方法，比较像元光谱与目标光谱吸收特征的整体形态和吸收深度的分类方法。波段指数计算波段指数计算：对于非可见光的多光谱遥感图像，可采用专业的遥感图像处理工具提取各波段信息，并根据公式计算，实现了从“定性”到“定量”的遥感对地观测。对近红外、热红外等波段进行波段提取和参数分析，在农业、地矿、水体、碳浓度监测等领域拥有独特的优势。例如在红波波段和近红外波段，作物的反射特征与作物长势额产量有明显的正相关关系。基于这两个波段计算的 NDVI（归一化植被生长指数）直接反映作物的生长过程。（4）卫星遥感 3s 融合可视化分析技术3S 是遥感（Remote Sensing）、

33、全球定位系统（GlobalPosition System）和地理信息系统（Geographic InformationSystem）的简称，结合空间技术、传感器技术、卫星定位与导航技术和计算机技术、通信技术等多种技术。卫星遥感的应用，需要 GPS 与 GIS 的支撑：遥感影像带有天然的地理空间属性，作为地表的观测影像，遥感影像和其分析结果是一种典型的空间数据，需要基于影像元数据（拍摄时间、卫星轨道位置、拍摄角度等），并通过空间几何运算映射到地理空间位置和物理空间单位（如距离，面积等）才具备应用价值。为更好展示互动展现分析结果，发挥数据价值，遥感影像将分析结果，需要融合其他大数据（如地图信息、人

34、地大数据等）信息，以交互式查询和分析的方式发掘商业智能。图 11 展示了 3S 融合可视化分析技术在不21动产抵押场景中的应用。图 11.3S 融合可视化分析技术（5）主流技术平台和框架介绍随着卫星行业示范应用的快速推广，又衍生出卫星应用服务新业态，即依靠基础软件平台和核心技术，对卫星数据进行提取、加工、解译处理，为用户提供监测分析服务或信息挖掘服务。遥感云计算平台可有效降低大比例、高分辨率及长时间序列遥感数据应用的准入门槛，大幅提高遥感数据运算效率。遥感云计算平台拥有海量数据资源，并提供交互式大数据计算服务及应用程序接口 API，无需本地安装软件亦无需下载数据至本地进行处理，只需接入云平台，

35、按照流量、使用频率等方式进行付费，彻底改变了传统遥感数据需本地下载、处理及分析的模式。1）平台基于商汤 SenceRemote 智能遥感解译算法的 SenseEarth、阿里的泛自然资源行业人工智能引擎 AIEarth、腾讯的 WeEarth 超级地球及华为云地理智能体等平台发展迅速，逐渐应用于违建监22管、路网规划等城市管理领域，生态管理等自然资源领域，保险、期货等金融领域。各家平台简介如表 1 所示，详见附录（三）。表 1.遥感相关平台简介产品产品简介简介遥 感 智 能 视觉平台L-earth 天枢集成了海量数据管理、数据标注、模型训练、模型测试和发布、遥感推理服务以及模型知识资产的安全管

36、控功能，提供数据中心、遥感解译（地物分割、变化检测、目标识别、实例分割）、工具箱（影像超分、电力检测）等模块。阿 里 达 摩 院AI Earth提供遥感、气象等多源对地观测数据的云计算分析服务，包括数据检索、处理分析、模型训练 3 大模块。其中处理分析模块分为 AI 解译和基础处理两部分，AI解译提供地物分类、大棚提取、地块提取等 14 种能力，基础处理提供波段合成、指数计算等 8 种能力。在农业遥感方面，AI Earth 针对农业气象提出解决方案。腾讯云WeEarth 超级地球提供遥感影像、时空大数据管理、融合和逻辑运算能力，以及地图、遥感、物联网、位置服务等领域的全时空 PaaS、SaaS

37、 服务。涵盖卫星源数据的获取、存储、更新、传输、查询、应用、AI 分析等全产业链。华 为 云 遥 感地理智能体构建一站式全流程遥感智能开发云平台，提供数据平台、智能计算平台，为自然资源、生态、气象、环保等提供技术支撑。GoogleEarthEngine对大量地球尺度地球科学资料（尤其是卫星数据）进行在线可视化计算和分析处理的云平台，该平台能够存取卫星图像和其他地球观测数据库中的资料并拥有足够的运算能力对这些数据进行处理。四维地球提供日新图影像、镶嵌图影像、地物分类、变化检测、目标检测等产品。大地量子通过遥感+AI 技术，为农业、林业气候、金融等多个领域提供遥感服务。珈和地事通针对农情、农险相关

38、场景提供农情类、土地类、气象类、病虫害、气象灾害 5 大类遥感监测服务。ENVI提供一个完整的遥感图像处理平台，支持光谱分析、数据分析、高级图像分析。PCI是业内主流的遥感图像处理软件，功能覆盖遥感图像处理的全部环节。ERDAS通过将遥感应用、图像处理、摄影测量、雷达数据处理、地理信息系统和三维可视化等技术结合在一个系统中，实现地学工程一体化结合；无需做任何格式和系统的转换就可以建立和实现整个地学相关工程。呈现完整的工业流程，为用户提供计算速度更快，精度更高，数据处理量更大，面向工程化的新一代遥感图像处理与摄影测量解决方案。中科星图在基础软件平台之上承载融合各行业空间信息、扩展行业应用打造形成

39、的行业专23属应用软件，目前主要应用在特种数字地球应用软件、自然资源数字地球应用软件、交通数字地球应用软件、气象数字地球应用软件四大领域。航天宏图智慧地球云服务平台“PIE-Engine”是一套包容性强、普适性广的成熟产品集。集成了自主开发的光学、微波、光谱、雷达等多种数据算法，在支撑大气海洋环境，陆地资源环境，陆海空导航等卫星应用方面发挥重要作用，实现了关键领域核心技术的国产化替代。2）框架在框架方面，目前华为的深度学习框架 MindSpore、百度飞桨的 PaddleRS 等都包含对遥感技术应用的支持，此外相关框架也和科研院所共同合作开发了遥感专用开发框架以及预训练大模型。MindSpor

40、eMindSporeMindSpore 是华为推出的一种全新的深度学习计算框架，旨在实现易开发、高效执行、全场景覆盖三大目标。MindSpore 原生支持超大模型训练及 AI+科学计算能力，可以加速遥感模型的训练时间和效率。为了在大型数据集上有效训练大模型，MindSpore 支持数据并行、模型并行和混合并行训练，具有很强的灵活性。此外，MindSpore 还具备“自动并行”能力，通过在庞大的策略空间中进行高效搜索来找到一种快速的并行策略。LuoJiaNet&LuoJiaSETLuoJiaNet&LuoJiaSETLuoJiaNET是武汉大学与华为基于昇腾AI共同打造的全球首个遥感影像智能解译

41、专用框架。LuoJiaNET 针对遥感数据像幅尺寸大、数据通道多、尺度变化大等特性，具备内存可扩展、尺度24通道灵活创建、数据通道自主优选、框架与数据协同处理的特点。其与国产人工智能硬件 NPU 深度融合，可支持 CPU、GPU、NPU 等计算设备，形成融合探测机理与地学知识的统一计算图表达、编译优化、图算融合、自动混合并行的新一代遥感智能解译框架。LuoJiaNET 构建了针对遥感影像“场景-目标-像素”多层级任务的遥感应用模型，包括场景检索、目标检测、地物分类、变化检测、多视角三维重建等五大类模型。LuoJiaSET 是业界最大遥感影像样本数据集，具备遥感领域满足 OGC 标准的大规模遥感

42、影像样本库，其制定了支持全球范围的遥感影像样本分类标准、标注规范，建立了涵盖不同遥感任务的统一分类体系，形成样本要素的采集要求、内容和流程规范，可支持多级别、多类型遥感影像样本库的采集、制作、管理、共享、应用。针对现有样本数据集面临的问题：分类体系不统一。样本数据集传感器种类单一，通常样本库都是全色或者 RGB 彩色，缺少高光谱、红外、SAR 遥感影像的样本；且通常是二维数据，缺乏三维数据。现有数据空间跨度有限、时间覆盖不均，导致模型泛化能力弱。样本集受标注人员水平限制，质量参差不齐。LuoJiaSET 建立了统一类别体系，提供大量数据集，覆盖范围广、时间跨度大、涵盖传感器种类多，同时提供标准

43、化的标注工具，可大幅提升影像标注效率。空天空天灵眸灵眸“空天灵眸”是由中国科学院空天信息创新研究院联合华为昇腾 AI 共同打造的全球首个面向跨模态遥感数据的生成式预25训练大模型，在模型设计、模型训练、推理优化等方向均进行了独特的技术创新。“空天灵眸”大模型深入结合光学、SAR（合成孔径雷达）等跨模态遥感数据的成像机理和目标特性，并在场景分类、检测定位、细粒度识别、要素提取及变化检测等典型下游任务中得到有效验证。在昇腾 AI 基础软硬件平台以及昇思 MindSpore AI 框架原生支持大模型的能力支持下，“空天灵眸”大模型的并行训练及下游任务开发得以加速实现，目前已在 8 个国际标准数据集上

44、达到领先水平，填补了跨模态生成式预训练模型在遥感领域的空白。PaddleRSPaddleRS飞桨（PaddlePaddle）是百度自主研发的开源开放、功能丰富的产业级深度学习平台。PaddleRS 是飞桨推出的高性能、多任务、全流程的遥感影像智能解译开发套件，其依托深度学习框架PaddlePaddle，具备工业级训练与部署性能，支持图像分割、目标检测、变化检测、图像复原、场景分类等 5 大任务。在部署层面，PaddleRS 推出开源遥感可视化智能解译工具，提供轻量级、功能丰富的遥感模型 Web 部署与在线解译方案。在模型层面，PaddleRS 提供 30 余个开箱即用的视觉、遥感模型，涵盖经典

45、算法与 SOTA 算法。在数据层面，PaddleRS 提供充分考虑遥感数据特点的数据处理 API 和工具，帮助用户简化繁琐的遥感数据处理流程，帮助开发者更便捷地完成从数据准备到模型部署的全流程AI+遥感开发应用。263.3.场景应用场景应用：应用范围更广应用范围更广、场景更丰富场景更丰富，下游需求不断增下游需求不断增长长遥感的应用范围广阔，遍布国土资源、气象观测、海洋资源、农业等各个领域，并结合了无人驾驶、5G、激光雷达、无人机、人工智能等技术。国内外主要应用场景如表 2 所示：表 2.卫星遥感技术应用场景应用方向应用方向应用场景应用场景描述描述国土资源调查检测评价、开发利用监督等帮助土地管理

46、机构快速、便捷地获取土地、江河湖海、矿藏、生物等高精度卫星影像。气象观测气象监测分析、自然灾害监测气象观测应用可准确反映天气、陆地和海洋状态的各种物理与生态参量，在天气气候、大气监测、灾害监测中发挥重要作用。海洋资源海洋资源监测、海洋应急监测海洋观测具有大面积、全天候、全天时、高时效的观测优势、提高海洋水文气象预报的准确性、用于开发海洋资源，发展海运事业、建设海洋工程及检测海洋污染。农业领域农业生产监管农业遥感能够客观、准确、高效、快速监测和评估农业干旱和病虫害等灾害信息，估算全球、全国及地区区域的农作物产量，为粮食供应数量分析与预测预警提供信息。农业遥感技术主要分为作物监测、资源监测及灾害监

47、测。环境监测大气环境监测、陆地环境监测、水环境监测、植被环境监测及土壤环境监测等遥感技术在环境领域的应用，目前主要体现在大面积的宏观环境质量和生态监测方面，在大气环境质量、水体环境质量和植被生态监测等方面中都有比较广泛的应用。智能驾驶自动驾驶高分辨率卫星遥感数据可用于制作高精度电子地图，高精度地图坐标精度更高、具有准确度道路形状及属性、所含丰富细致的道路交通信息元素，助力提升自动驾驶的可行性及安全性。应急管理灾害监测分析、应急指挥调度医疗和公共卫生领域，利用 3S 技术实现对人群流动进行高精度定点定位，揭示疫情时空格局与空间传播规律；通过实时遥感图像进行社会活动分析、旅游活动分析等，为政府提供

48、真实有效的信息，便于对群众的定点疏散和管控，抑制疫情的蔓延。通过遥感图像还可为疫情期间的紧急建设场地提供生态环境监测，保障施工生态安全军事领域国防安全分析、军事目标侦查军用遥感通过可见光、红外、多光谱、微波和声波等遥感器，从高空或远距离感受来自目标物的电磁波信息，经光学、电子技术处理成为图像或数据，以揭示目标的性质和状态，从中获取信息，用来进行军事侦察、导弹预警、武器制导等。27三、金融行业卫星遥感应用诉求（一）涉农信贷（一）涉农信贷2017 年 10 月，习近平总书记在党的十九大报告中指出，农业农村农民问题是关系国计民生的根本性问题，必须始终把解决好“三农问题”作为全党工作的“重中之重”，实

49、行乡村振兴战略。2018 年 2 月，中央一号文件中共中央国务院关于实施乡村振兴战略的意见正式公开发布，该文件明确“实施乡村振兴战略，必须解决钱从哪里来的问题”。金融行业应多方面推进投融资机制创新，加强金融供给，发挥农民主体作用，为乡村振兴提供有力支撑，其中涉农信贷是乡村振兴中的一个核心领域。目前，主流的涉农信贷模式主要分为信用方式和土地产权抵押方式，贷款对象包括传统农户和新型农业经营主体，贷款授信依赖于农户土地承包数据、农产品加工产业链上下游订单等信息，缺乏直接的农田、农作物、畜牧的动态数据。由于农村金融领域信用体系存在缺乏有效抵押物、运营成本高、覆盖程度低等问题，使得农户较难获得便捷优质的

50、金融服务。当前涉农信贷在精细化授信、贷后风险管理、客户体验等方面面临着如下痛点：第一第一，农户申请贷款缺乏信用模型农户申请贷款缺乏信用模型、精准授信难精准授信难。由于农户资产大多为土地、作物、畜牧等形态，其勘察人力成本高且效率低下，贷前信息收集困难。针对不同产能规模、不同价值种类的农作物，也难以依靠人力来精准评估其资产价值。因此，农业资产难以进行有效的评估和抵押，同时也难以精准预估贷款额度和还款周期。28第二第二，风险预警慢风险预警慢，缺乏动态数据缺乏动态数据。由于涉农资产风险较高，容易受到干旱、洪涝、病虫害等不可抗力因素的影响，但无法对农业抵押物的生产经营过程进行动态监测和评估，无法及时处置