中国网/中国发展门户网讯  遥感是利用搭载于卫星、航空器等平台的传感器，远距离、非接触地获取地球表层与大气电磁波信息，并通过定量反演与智能解译实现对地物属性、状态及其动态变化认知的一门交叉性科学技术。遥感以空、天、地一体化观测体系为支撑，是人类认识地球、服务可持续发展的核心信息来源。进入21世纪以来，随着卫星组网技术的快速发展，对地观测能力实现了大幅提升。全球在轨遥感卫星数量已近千颗，单颗卫星每天产生的数据量可达10 TB量级，遥感数据正以前所未有的速度积累。与此同时，国家在粮食安全、生态文明、灾害防控与国土管理等重大战略领域，对高精度、高时效遥感信息服务的需求也日益迫切。然而，海量数据的爆炸式增长与信息提取能力的严重滞后之间的矛盾正日趋突出。传统遥感信息提取仍大量依赖人工目视解译，自动化处理技术在复杂场景下精度不足、稳健性差，科学机理认知与规模化应用推广均面临深层瓶颈。这一系统性困境亟须遥感学科研究范式的根本性变革。

人工智能技术的快速发展，为破解上述困局提供了新的契机。物理学引导的深度学习将先验地学领域知识与数据驱动方法深度融合，兼顾数据精度与物理可解释性；以遥感基础模型（foundation model）为代表，大规模预训练模型正将通用地物感知能力注入遥感解译的全链条；而更具前沿意义的是，以遥感智能体（agent）为核心的自主决策范式正在兴起——从星载智能处理到空天智能体集群的协同调度，遥感系统有望从被动的数据采集工具，逐步向具备“感知—推理—决策—行动”闭环能力的自主智能系统演进。为此，本文坚持问题导向，沿着“挑战—范式—布局”的逻辑主线展开：首先系统梳理遥感学科发展面临的核心挑战，进而阐述人工智能针对这些挑战的技术范式及其在重大场景中的创新价值，最后针对范式尚未化解的瓶颈，从基础研究与核心技术攻关2个维度提出面向未来的战略发展布局，以期为推动我国“人工智能赋能遥感”领域实现战略性突破提供参考。

遥感学科发展面临的系统性挑战

遥感学科自诞生以来，持续拓展人类认知地球的时空边界，在全球变化研究、资源管理与可持续发展决策中扮演着不可替代的科学支撑角色。然而，随着对地观测体系的规模化扩张与应用需求的深度升级，遥感学科的发展正面临多层次、系统性的深层挑战，制约着其从数据获取向知识发现、从科学研究向规模化应用的关键跨越。

在数据理解层面，高分辨率卫星的密集组网持续产生不同传感器的海量观测数据，但多源异构数据的有效融合仍是制约遥感信息提取的根本瓶颈。不同传感器在辐射基准、时空分辨率、观测几何等方面存在显著差异，导致光学、合成孔径雷达（SAR）、高光谱、激光雷达等多模态数据在实际融合中面临系统性障碍。

在技术方法层面，遥感信息智能提取能力与数据增长速度之间的鸿沟持续扩大。传统目视解译仍是许多业务体系的核心环节，而自动化处理技术在应对云覆盖区域、识别细小地物目标等复杂场景时，仍存在精度不足、稳健性差等突出问题。更为关键的是，遥感场景复杂度高、专业标注成本巨大，高质量样本库建设严重滞后，许多先进算法在实际业务中难以有效推广。这一基础算法先进而有效数据匮乏的结构性矛盾，已成为遥感智能化发展的核心瓶颈之一。

在科学机理层面，遥感参数反演受制于辐射传输过程中的多种不确定性。大气校正与地形效应的普适模型尚未成熟，致使叶面积指数、土壤水分、地上生物量等关键生态参数的估算精度难以进一步提升。深层次上，对多物理场耦合机制的认识仍不充分。例如，城市热岛与大气污染物之间的相互作用、生态系统碳水循环对气候变化的动态响应等复杂过程尚未被遥感观测体系完整揭示，制约了遥感在灾害预警、气候模拟与碳收支核算等高端应用中的科学深度。

在应用生态层面，遥感技术的普惠发展面临多重结构性障碍。跨行业、跨部门的数据共享机制尚不健全，生态环境、自然资源、农业农村、气象等部门的遥感数据长期处于分散管理状态，数据标准不一、更新不同步，难以形成支撑综合性决策的协同合力。

上述4个层面的挑战相互交织、彼此强化。遥感学科的进一步发展，迫切需要人工智能技术从底层逻辑上推动研究范式的系统性升级。这不仅是学科演进的内在需求，更是国家在粮食安全、生态文明、灾害防控等重大战略领域对遥感能力提出更高要求的现实驱动。

人工智能赋能遥感的技术范式与应用价值

从工具辅助到范式重塑：技术变革的内在逻辑

人工智能与遥感的融合，并非一蹴而就，而是经历了从人工特征提取到统计学习、再到深度智能的系统性演进。早期遥感信息提取完全依赖专业人员的目视判读与经验知识，自动化程度极低。随着机器学习的兴起，支持向量机、随机森林等统计模型开始被引入地物分类与信息提取，其核心范式是“人工特征工程+浅层模型学习”。研究者凭借领域知识手动设计光谱、纹理、形状等特征，再输入模型训练。这一阶段提升了自动化水平，但模型性能上限受制于人工特征的质量，泛化能力有限。2012年前后，以卷积神经网络为代表的深度学习技术被引入遥感领域，实现了从原始数据中端到端地自动提取抽象特征，显著提升了图像分类、目标检测等任务的精度，标志着遥感智能处理从特征工程时代迈入表征学习时代。然而，深度学习模型对大量标注样本的强依赖，始终是制约其规模化应用的核心瓶颈。

当前，“人工智能+遥感”领域正经历从深度学习到多范式协同创新的新一轮跃迁，形成了以下4个相互支撑的前沿技术方向。

自监督与弱监督学习：破解海量数据难标注的根本瓶颈。破解前文技术方法层面基础算法先进而有效数据匮乏的矛盾，正是该研究的核心使命。遥感数据具有天然的数据丰富但标注稀缺的矛盾。卫星每天产生海量影像，而专业标注成本极高、周期极长。自监督学习通过设计对比学习、掩码图像建模等代理任务，使模型在无标注数据中自主学习通用地物表征，从根本上降低了对人工标注的依赖；弱监督学习则借助开源地理数据库、生产成果样本与自动标注工具，以低成本生成大规模训练数据。这两类方法的兴起，显著提升了大规模遥感预训练模型的可行性，推动遥感智能解译从依赖标注向自我学习的范式转变。然而，上述成效仍受制于代理任务设计高度依赖经验、弱监督标签噪声易被放大等问题，遥感预训练能否如自然图像般催生通用涌现能力亦尚存争议，这将在后文进行进一步论证。

多模态与跨模态学习：挖掘异构数据的协同感知潜力。针对数据理解层面多源异构数据难以有效融合这一根本瓶颈，该研究致力于打通模态壁垒。遥感数据具有天然的多源多模态特征，涵盖光学、合成孔径雷达（SAR）、高光谱、热红外、激光雷达等多种传感模态，各模态在穿透性、时效性、光谱分辨率等方面具有高度互补性。多模态融合方法旨在协同挖掘不同模态间的互补信息，而跨模态学习则进一步通过视觉-语言联合预训练，在统一语义空间中关联遥感影像与文本描述，赋予模型看图识义、以文寻图的双向推理能力。这一方向不仅提升了地物识别与场景理解的精度，更为构建通用遥感认知模型奠定了基础。但其落地常受制于模态缺失与未对齐普遍存在、跨模态描述数据稀缺且质量参差，统一语义空间还易被强势模态主导而淹没弱势模态信息，这些正是第3节多源协同观测有待破解的难题。

物理引导的深度学习：实现数据驱动与机理认知的深度融合。该研究正面回应科学机理层面参数反演受物理不确定性制约、机理认知不足的难题。纯数据驱动的深度学习模型在训练数据不足时，常产生物理原理上不合理的预测；而传统物理模型虽机理明确，却过于复杂且难以适应多变的现实场景。物理学引导的深度学习将辐射传输、电磁散射、生物物理过程等先验知识作为软约束嵌入神经网络的训练过程，使模型在学习数据特征的同时遵循物理规律，从而在精度与可解释性之间取得更优的平衡。此类数据-机理双驱动的范式，在森林生物量估算、地表参数反演、台风路径预报等核心任务中已展现出显著优势，有效克服了信号饱和、样本稀缺等传统瓶颈。但物理约束与数据驱动之间的权重设定尚缺乏成熟理论指导，软约束在复杂场景下易失效，且所依赖的地学物理模型本身往往并不完备，如何深化机理认知正是第3节“透视地球”多圈层认知方向的核心任务。

遥感大模型与世界模型：构建通用地球认知智能。自动化解译精度与稳健性不足、“一任务一模型”难以规模化推广，是技术方法层面亟待破解的瓶颈。随着自然语言处理与计算机视觉领域大模型的成功，遥感领域迎来了基础模型技术的快速发展。遥感大模型在海量无标注遥感数据上进行预训练，通过自监督学习构建对遥感影像的深层理解，能够经由微调适应各类下游任务，从根本上改变了“一任务一模型”的传统研究路线。以SkySense为代表的十亿参数量级多模态基础模型，融合光学与SAR时序数据，在16个数据集、7类任务中展现了卓越的泛化能力；其进一步演进版本SkySense++通过语义增强预训练，在农业监测、灾害管理等领域实现了鲁棒的少样本泛化。在国内，中国科学院空天信息创新研究院研发的“空天·灵眸”平台构建了自主可控的遥感智能解译体系。更具前沿意义的是，能够理解现实物理特性和空间属性的世界模型概念的引入通过构建对地球表层系统动态过程的内部表征与预测机制，使模型不仅能看懂当前影像，更能推演地表变化的未来状态，正推动遥感认知从浅层语义匹配向高层世界知识理解、从静态理解向动态预测的跨越。但应清醒看到，大模型参数膨胀带来高昂的算力成本，同时其对下游小样本任务的真实增益亦受到评测质疑；世界模型目前则更多停留于概念层面，尚缺乏可验证的地球系统预测基准推动其从愿景走向实证。

在把握上述技术方向的同时，还须将其置于全球竞争格局中加以审视。当前，国际上已形成3条各有侧重的技术路线。 以开放科学与生态共建为特征的开源路线。例如，由美国国家航空航天局（NASA）与国际商业机器公司（IBM）联合、德国于利希超级计算中心参与开发的Prithvi-EO-2.0地理空间基础模型，参数规模达6亿，由横跨美国、欧洲与巴西的12家机构协作完成并全面开源，在GEO-Bench基准上的表现优于6个同类模型。这一路线的要义在于以开源模型与公共基准凝聚全球开发者，抢占地理空间基础模型的事实标准与话语权。以平台化服务与通用智能融合为特征的路线。例如，谷歌DeepMind推出的AlphaEarth Foundations平台，如同一颗虚拟卫星，将光学、雷达、激光雷达乃至地理文本等多源信息统一编码为64维、10米分辨率的地理嵌入，在标注样本稀缺场景下的平均误差较被测模型低约24%，其嵌入数据集已并入谷歌地球引擎并为50余家机构所用，并规划与Gemini通用大模型结合以实现地理空间推理。这一条路线的要义在于将对地观测能力沉淀为可被通用人工智能直接调用的基础设施。以自主可控、体系化建设为特征的路线。中国以SkySense、“空天·灵眸”等为代表，已构建起自主可控的遥感大模型体系，并在多项任务上达到国际先进水平。这一路线的要义在于以全栈自主掌握关键环节、避免受制于人，筑牢国家安全与发展的根基。

3条路线背后是3种不同的战略取向：开源路线意在掌握标准与生态话语权，平台化服务的路线意在锁定下游应用入口，自主可控路线则意在筑牢安全与发展的底线。对中国而言，自主可控已初见成效，但仍面临2个方面的相对短板。在开源生态的国际话语权与全球开发者聚集度上尚有差距，将遥感能力基础设施化、使其可被通用大模型便捷调用的布局仍待加强。如何在坚持自主可控的前提下，主动参与全球开源生态与公共基准建设、推动遥感能力的基础设施化，将是中国掌握这一轮范式变革主动权的关键所在。

重大应用场景中的创新价值

上述技术范式的变革，在关乎国计民生的重大应用领域已展现出切实的创新价值。以下聚焦智慧农业、灾害应急与生态安全3个典型场景，阐释其核心价值与实现路径。

智慧农业：从经验判断到全链条数据决策

粮食安全是国家安全的重要基础。传统农业高度依赖人工抽样调查，数据误差大、农情反馈滞后，使得病虫害爆发、土壤缺水等问题往往错失最佳干预时机。研究表明，气候变化对全球主要粮食作物的产量已经产生不同程度的影响，玉米、大豆、水稻等作物面临产量波动加剧的风险，农业生产的不确定性持续累积。

“人工智能+遥感”正从多个维度系统重构农业信息获取与决策逻辑。在作物识别与长势监测方面，深度学习模型通过融合多时相卫星影像，实现了对作物类型、生长阶段与产量的精准估测；Victor等的系统综述表明，基于深度学习的卫星影像分析在作物分类、产量预测等任务中已全面超越传统方法。在病虫害早期预警方面，多源遥感数据与人工智能技术的深度融合已成为智慧农业领域的重要研究方向，为实现病害大范围、高时效监测提供了新的技术路径。在样本匮乏场景下，基于神经网络数据增强方法通过合成多样化训练样本，使病害识别模型在小样本条件下的性能得到显著提升。面向未来，构建卫星宏观普查、无人机中观精查、地面微观验证三级立体监测体系，并与智能农机深度协同，将推动农业管理从辅助决策走向自主执行的全面转型。

灾害应急：从被动响应到秒级智能感知

我国自然灾害多发频发，灾害应急对遥感的核心诉求是快速感知、精准判断、高效响应。然而，传统遥感数据处理流程耗时数小时乃至更长，在多灾种联动预警、恶劣环境穿透解译与大范围快速评估方面均存在明显短板。2021年郑州“7·20”特大暴雨中，因多源监测数据未能有效联动，未能及时预判地铁倒灌风险，深刻暴露了传统应急模式的系统性局限。

“人工智能+遥感”正在重构灾害应急的信息链条。在快速损毁评估方面，基于深度学习的灾前灾后高分辨率卫星影像对比分析，已能在分钟级时间内完成大范围受灾建筑的自动识别与分级评估，显著缩短了传统人工评估所需的时间。在洪涝灾害监测方面，人工智能模型融合SAR数据的云层穿透性与光学遥感的高分辨率优势，在恶劣天气条件下仍可精准提取洪涝淹没范围。在灾害链预警方面，图神经网络融合多模态遥感数据可构建灾害链动态推演模型，追溯从强降雨，到水位上涨，再到堤防溃决的复杂传导路径，显著提前预警窗口。2023年京津冀洪涝灾害应对中，SAR卫星与人工智能模型的协同应用为蓄滞洪区的启用决策提供了关键数据支撑。

生态安全：从模糊估算到精准碳核算

我国已作出“2030年前碳达峰、2060年前碳中和”的庄严承诺，对生态系统碳收支的精准量化提出了可监测、可报告、可核查的严苛要求。陆地生态系统吸收了约30%的人为二氧化碳排放，扮演着举足轻重的碳汇角色；据估算，2018—2060年中国森林平均年碳汇量预计可达约3.12亿吨。然而，传统自下而上的清单法与卫星遥感自上而下的反演方法之间长期存在较大差异，遥感信号饱和、温室气体量化困难、污染溯源证据链缺失等技术瓶颈制约着碳核算体系的精度与可信度。

针对上述挑战，“人工智能+遥感”正通过多种创新机制推动碳监测从模糊估算迈向精准智能。在森林生物量估算方面，深度学习模型通过融合星载激光雷达提供的垂直结构信息与光学遥感的连续空间覆盖能力，可在大尺度上生成高分辨率的冠层高度与生物量估算产品，有效缓解了传统遥感方法在高生物量区域的信号饱和问题。在碳排放溯源方面，知识图谱与图神经网络等技术通过将卫星遥感解译信息、地面传感器数据与气象扩散模型进行语义关联，为排放热点的靶向溯源与精准核查提供新的技术路径。在全球协同监测方面，卫星遥感技术正从科学探索走向业务化运行，国际卫星对地观测委员会已明确将其作为支撑全球碳盘点的重要科学手段。2024年，我国大气环境监测卫星与陆地生态系统碳监测卫星“句芒号”相继正式投入使用，前者首次实现全球全天时高精度二氧化碳柱浓度探测，后者作为世界首颗森林碳汇主被动联合观测遥感卫星，标志着我国自主遥感碳监测体系建设迈出关键一步。

面向未来的战略发展布局

“人工智能+遥感”从前沿融合走向成熟应用，需要构建从科学原理到工程实现的系统性发展框架。这一框架既要瞄准地球系统智能认知的基础科学前沿，也要系统突破从数据、算法到算力的全链条技术瓶颈，最终形成自主可控、持续进化的技术体系。为此，本节从基础研究与核心技术攻关2个维度提出发展布局。

基础研究：瞄准三大科学前沿

基础研究是驱动“人工智能+遥感”范式变革的根本动力。当前遥感学科正面临从对地表现象的被动观测，向对地球圈层内部过程的主动认知跨越的历史节点，需要在以下3个方向上作出系统性布局。

多模态全息感知与目标特性构建。旨在从根本上夯实数据理解层面的信息基础。传统遥感对地物表面属性的获取方式相对单一，难以实现对目标物理属性、三维结构与动态过程的完整数字化表征。这一方向致力于推动光学、微波、激光、重力、电磁等多物理机制传感器的协同融合，在探索各模态内部多角度、多通道观测机理的同时，构建能够统一融合跨模态与模态内多维度数据的智能模型。例如，在微波领域融合多频段、多极化观测以精细反演地表微形变，在激光雷达领域协同多波长与全波形信息以重建植被三维结构，最终实现超越传统视觉局限的高保真目标感知与表征，为遥感智能解译奠定更为深厚的信息基础。

“透视地球”观测与多圈层智能认知。旨在实现遥感多圈层内部过程的建模与理解。这一方向代表着遥感学科最具挑战性的科学跨越，从对地表可见现象的观测升级为对大气、森林、固体地球及海洋等圈层内部结构与动态过程的科学探查。其核心在于发展物理机理引导的智能反演理论与四维数据同化框架，针对大气圈的云雨三维结构与痕量气体垂直分布、植被圈的森林垂直结构与生物量、岩石圈的深部地质构造与资源赋存等看不见的探测目标，通过将辐射传输、电磁散射、流体力学等先验知识深度嵌入学习过程，构建兼具高精度与强泛化能力的智能模型。这一方向的突破，将使遥感真正成为探查地球圈层内部过程与相互作用机制的有力科学工具，拓展人类认知地球系统的边界。

生物启发式遥感智能模型与协同决策范式。它承接前文遥感大模型与世界模型范式，探索从被动观测向自主认知决策的跨越。这一方向着眼于构建具有遥感特色的空天信息智能大脑，通过借鉴生物系统的感知、学习、适应与协同机制，发展具备高认知、超实时、自生长与高安全特性的脑机计算架构，以应对遥感数据动态演变、任务场景多样、先验知识稀缺等深层挑战。通过深度融合天基、空基、地基等多平台观测数据流，集成领域知识图谱与物理规律约束，实现从原始数据感知到高层决策生成的端到端智能闭环，推动遥感系统从被动响应的信息提取工具，升级为具备主动认知与自主决策能力的新一代智能决策体。

核心技术攻关：突破四大关键瓶颈

基础研究的突破需要核心技术的有力支撑。当前制约“人工智能+遥感”规模化应用的关键瓶颈，集中体现在数据基础、协同观测、自主智能与星上算力4个方面，需要系统性地加以攻克。

多模态遥感标准样本库建设是首要任务。高质量训练数据的匮乏，是当前制约遥感大模型性能的根本瓶颈。需系统构建覆盖全球典型地物、全谱段、全时相的多模态遥感标准样本库，集成光学、SAR、高光谱、激光雷达等多源数据，并系统标注地物物理参数、变化过程与地理语义信息，形成统一、开放、持续更新的“遥感数据百科全书”。这一基础设施的建立，将从根本上解决训练数据稀缺、标注不一致等核心瓶颈，为领域内模型研发、算法评测与知识发现提供权威可靠的数据基石。

多源遥感协同观测与智能融合技术是实现“透视地球”的工程基础。需重点攻克天—空—地异构平台的动态任务规划与资源调度系统，研发跨模态传感器数据的实时智能融合算法，建立统一的时空基准与数据模型。针对不同圈层探测目标，例如大气垂直廓线、森林三维结构、海底地形等，研发协同观测方案优化方法及多源数据协同反演算法，显著提升对复杂地学过程和地球圈层内部结构的整体感知能力。这一技术方向的突破，将使“人工智能+遥感”从单一传感器的信息挖掘，走向多圈层、立体化的地球系统综合感知。

遥感任务全链路自主智能技术代表着对地观测体系的终极形态。这一方向旨在研究基于遥感大模型与强化学习的智能观测任务自主规划算法，使卫星星座、无人机集群等异构观测平台能够根据动态目标和环境状态，自主生成并优化观测方案，研发高精度的平台自主控制与多智能体协同技术，实现观测载荷的智能指向、编队控制及在轨实时任务调整。遥感智能体的兴起，正是这一方向最具代表性的前沿探索。研发具备“感知—推理—决策—行动”完整闭环能力的空天智能体，将推动遥感系统从预设观测程序向完全自主智能演进，最终实现从任务下发到信息获取的全流程无人化、智能化闭环。

星载智能处理芯片与在轨计算技术是打通“最后一公里”的关键所在。传统遥感数据需历经数据获取、传输、地面接收、处理、专题生产等多个环节，往往耗时数小时乃至更长，难以满足灾害应急等时敏场景的高时效需求。这一方向需重点研制面向太空环境的低功耗、高可靠人工智能处理芯片及异构计算架构，发展与之适配的轻量化模型压缩、硬件加速与在轨部署技术，实现灾害初判、异常检测、数据优选等功能的在轨实时处理，推动数据下传模式从原始数据流向有效信息流的根本转变。进一步探索星间模型协同更新与分布式推理，构建智能化在轨计算网络，引领对地观测系统进入实时感知与在轨决策的新阶段。目前，国内已有机构开展星载智算系统与星间通信系统的协同探索，“天数天算”的技术愿景正加速从概念走向工程实现。

人工智能赋能遥感，是遥感学科向智能化、体系化方向演进的必然趋势，也是服务粮食安全、生态文明、灾害防控等国家重大战略需求的现实要求。从全球格局看，我国在遥感大模型研发与体系化应用上已进入并跑、并在部分方向实现领跑，但在开源生态的国际话语权、以及将遥感能力沉淀为可被通用大模型便捷调用的基础设施化布局上，仍处于追赶位置。尤须警惕的是，若全栈开源生态与公共基准的主导权旁落，叠加星载高性能人工智能芯片等关键环节的潜在制约，我国有可能在下一轮技术竞争中陷入被动。因此，在坚持自主可控的同时，主动参与全球开源生态与规则标准建设、加快遥感能力的基础设施化，应成为我国把握这一轮范式变革主动权的核心战略取向。这既是提升我国“人工智能+遥感”领域战略竞争力的必由之路，也是为应对气候变化、推动全球可持续发展贡献中国力量的重要担当。

（作者：申佳源、成培瑞、王智睿，中国科学院空天信息创新研究院 目标认知与应用技术国家级重点实验室；梁伟，中国科学院空天信息创新研究院 中国科学院大学电子电气与通信工程学院；孙显、吴一戎，中国科学院空天信息创新研究院 目标认知与应用技术国家级重点实验室 中国科学院大学电子电气与通信工程学院。《中国科学院院刊》供稿）