把地球想象成一位病人，每天都有数十颗“体检卫星”绕着它转，像一台台 CT 扫描仪，从几百公里高空拍下森林、海洋与城市的影像。然而海量影像本身只是一堆尚未解读的“底片”：同一片树林在照片里绿中带红外，同一片水体在不同时刻颜色各异，人眼很难快速从中发现异常。环境遥感 AI 扮演的，正是那位阅片无数、目光如炬的“AI 医生”——它把像素变成诊断结论：哪里森林在消失，哪里城市在扩张，哪里的空气正变得浑浊。本文将带你走进这台“地球门诊”：先认识成像设备，再看 AI 如何分类地物、识别变化、反演污染，最后聊聊它的优势、局限与未来。

岗位关联

对 AI 从业者而言，遥感是技术复杂度高、社会价值直接的落地方向：掌握影像分类、变化检测与污染反演这套方法论，你将拥有从像素到决策的完整闭环能力，成为环保、农业、城市治理等领域的稀缺复合型人才。

目录
  1. 可视化演示
  2. 遥感数据基础
  3. 土地覆盖分类
  4. 变化检测洞察
  5. 大气污染反演
  6. 深度学习优势
  7. 数据融合建模
  8. 挑战未来方向
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示深入理解环境遥感AI的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

深入理解环境遥感AI：遥感数据 遥感数据源与预处理流程 土地覆盖分类与语义分割 核心机制可视化 深入理解环境遥感AI整体架构与关键组件

遥感数据基础

想象一位医生面对一台 CT 扫描仪。机器能拍出人体断层影像，但医生若不了解每种扫描模式能看到什么，再清晰的片子也只是废纸。环境遥感 AI 的起点同样是“看”：卫星就是绕地飞行的 CT 机，它搭载的传感器用多个光谱波段同时“曝光”地球表面。

可见光、近红外、热红外……不同的波段如同 CT 的各种扫描序列，各自对地表某些属性敏感。绿色植被会强烈反射近红外而吸收红光，水体则相反；这段“指纹”正是机器识别地物的原始依据。遥感影像的每个像元记录了多个波段的反射率数值，空间分辨率决定能看清多小的地物，时间分辨率决定多久重返一次。

原始影像还须经过辐射定标、大气校正、几何配准等预处理，去掉大气散射与传感器噪声的干扰，才能还原地表真实反射率。其中最经典的波段组合特征之一就是归一化植被指数 NDVI：

就像 CT 医生先校准设备参数再读片，遥感分析师也先做预处理、计算波段指数，才把干净的“片子”交给 AI。理解了这台“地球 CT 机”的成像原理，我们才能看懂 AI 接下来如何“阅片”。

NDVI=ρNIR−ρRedρNIR+ρRed\displaystyle \text{NDVI} = \frac{\rho_{\text{NIR}} - \rho_{\text{Red}}}{\rho_{\text{NIR}} + \rho_{\text{Red}}}
NDVI 把两个波段的反射率合成一个得分，相当于医生把 CT 灰度值换算成“组织健康指数”。
  1. 分子近红外减红光植被近红外反射强、红光吸收强，差值越大说明植被越茂盛，这是信号的核心来源。
    ρNIR−ρRed\rho_{\text{NIR}} - \rho_{\text{Red}}
  2. 分母两波段相加和值起到归一化作用，可抵消光照强度等整体偏移带来的干扰。
    ρNIR+ρRed\rho_{\text{NIR}} + \rho_{\text{Red}}
  3. 整体比值结果被压制在 $[-1, 1]$，正值越大植被越茂密，接近零或负值多为裸土、水体或建筑。
    NDVI∈[−1,1]\text{NDVI} \in [-1, 1]

土地覆盖分类

医生拿到 CT 片后的第一件事，是把画面中的器官一一分辨：哪块是肺、哪块是肝脏、哪块是肋骨。对应到遥感中，这个任务叫土地覆盖分类——把每个像元归入森林、水体、城市、农田等类别，相当于给地球的每个“器官”贴上健康标签。

传统方法依赖人工设计的规则与统计模型，如设定阈值、聚类或最大似然分类。这好比老医生凭几本经验口诀判断，遇到复杂场景、混合像元就力不从心。深度学习方法则用神经网络直接从影像学习判别特征，对每个像元输出各类别的概率分布。

训练时用交叉熵损失衡量预测分布与真实标签的差距，梯度下降不断修正网络参数，直到预测逐渐逼近标准答案：

像医生看过上万张片子后一眼认出病变阴影，深度分类网络在海量标注影像上训练后，能自动捕捉纹理、形状、上下文等线索，实现比传统规则更稳健的地表分类。

L=−∑i=1Cyilog⁡(y^i)\displaystyle \mathcal{L} = -\sum_{i=1}^{C} y_i \log(\hat{y}_i)
交叉熵像一个“错题扣分器”：预测越自信却越离谱，扣分越狠，迫使模型把概率压向正确的类别。
  1. 真实标签 $y_i$使用独热编码，正确类别为 1，其余为 0，相当于标准答案卷。
    yi∈{0,1},∑i=1Cyi=1y_i \in \{0, 1\},\quad \sum_{i=1}^{C} y_i = 1
  2. 预测概率 $\hat{y}_i$网络经 softmax 输出的类别概率分布，和为 1。
    y^i=P(类别 i∣像元)\hat{y}_i = P(\text{类别 } i \mid \text{像元})
  3. 负对数惩罚当预测接近 1 时 $-\log(\hat{y}_i)$ 趋近 0，接近 0 时趋向无穷，严厉惩罚“有把握却答错”。
    −log⁡(y^i)-\log(\hat{y}_i)
  4. 求和压缩由于独热编码只有一项非零，损失退化为对正确类别的负对数概率，简洁而有效。
    L=−log⁡(y^c∗)\mathcal{L} = -\log(\hat{y}_{c^*})

变化检测洞察

医生最关心病情变化：半年后的复查片子和之前对比，肿瘤是缩小了还是扩散了。环境遥感也反复给同一片土地“复查”，寻找地表的动态改变，这就是变化检测。它回答的问题朴素而关键：过去一段时间，这片土地到底发生了什么？

最简单的做法是双时相对比：两期影像逐像元相减，差异超过阈值即判定为变化。但太阳高度角、大气状态、土壤湿度差异都会制造大量“伪变化”，如同两张照片曝光不同，被误判成病情恶化。

更稳健的做法是构建变化向量。把每个像元多波段的差异组成一个向量，模长表示变化强度，方向提示变化类型（植被退化、水体扩张等）；模长超过阈值即标记为变化区：

有了“复查对比”的能力，AI 就能像医生追踪病灶一样，持续监测森林砍伐、城市扩张、冰川退缩乃至洪水淹没范围，为环境治理提供动态情报。

D=∑b=1B(xt2(b)−xt1(b))2\displaystyle D = \sqrt{\sum_{b=1}^{B} \left(x_{t_2}^{(b)} - x_{t_1}^{(b)}\right)^2}
变化向量的长度就是“复查报告”里的变化指数，把多波段的细微差异汇总成一个可判断的数值。
  1. 波段差分量每个波段两期反射率相减，得到差异向量在各维度上的分量。
    Δx(b)=xt2(b)−xt1(b)\Delta x^{(b)} = x_{t_2}^{(b)} - x_{t_1}^{(b)}
  2. 平方累加所有波段差异平方后求和，避免正负分量相互抵消，保证非负。
    ∑b=1B(Δx(b))2\sum_{b=1}^{B} \left(\Delta x^{(b)}\right)^2
  3. 开平方取模得到差异向量的欧氏长度，即总体变化强度，越大表示地表改变越剧烈。
    D=∥Δx∥2D = \lVert \Delta \mathbf{x} \rVert_2

大气污染反演

有些健康指标无法直接看：要测血糖得抽血化验。想知道空气污染程度，卫星同样无法直接“看到”PM2.5，但穿过大气层的光线已经被污染物“打磨”过——从光的衰减程度反推污染浓度，这种逆向推断叫反演。

悬浮的微小颗粒（气溶胶）会吸收和散射阳光，使到达卫星的辐射强度减弱。气溶胶光学厚度 AOD 描述这种削弱程度，是连接“卫星看到的光”与“地面呼吸的霾”的关键中间量。

简化辐射传输过程，可借助朗伯-比尔定律建立大气消光关系：卫星测得的大气顶辐射 $I$ 与无污染参考辐射 $I_0$ 之比取对数，再除以大气质量因子 $m$，就得到 AOD：

就像化验单通过化学试剂显色间接测出血糖，AI 进一步学习 AOD 与地面监测站的统计关系，甚至直接从影像回归出 PM2.5 浓度分布图，让污染天无处遁形。

τ=−1mln⁡(II0)\displaystyle \tau = -\frac{1}{m} \ln\left(\frac{I}{I_0}\right)
这个公式像“血糖化验单”的解读规则：把光的透射率换算成一个标准化的浑浊度读数，与地面污染浓度建立映射。
  1. 透射比 $I/I_0$实测辐射与无污染参考辐射之比，介于 0 到 1，越接近 0 说明光被削减得越厉害。
    II0∈(0,1]\frac{I}{I_0} \in (0, 1]
  2. 取对数把乘性的光衰减转化成线性的数值，便于分离出大气贡献。
    ln⁡(II0)<0\ln\left(\frac{I}{I_0}\right) < 0
  3. 大气质量因子 $m$光线斜穿大气的路径长度与垂直厚度的比值，与太阳天顶角相关，用于归一化路径差异。
    m=sec⁡θsolarm = \sec\theta_{\text{solar}}
  4. 负号与取倒数把负的对数结果转为正的消光量，得到路径无关的光学厚度。
    τ=−ln⁡(I/I0)m\tau = -\frac{\ln(I/I_0)}{m}

深度学习优势

经验丰富的老医生比年轻医生强在哪？看得多：十万张胸片喂出来的直觉，能瞬间捕捉早期病变的微妙影子。深度学习在遥感中的压倒性优势，同样来自“看得多”与“看得巧”。

传统方法需要专家手工设计特征——颜色阈值、形状规则、纹理算子，如同把诊断编成一本规则手册，遇到长尾场景就失效。深度学习通过层层卷积自动提取从边缘、纹理到语义的层次化特征，无需人肉设计，还具备强大的非线性拟合能力。

卷积操作是这种“观察力”的物理载体：一个小窗口卷积核在影像上滑动，与局部像元加权求和，捕捉局部模式；堆叠多层后，网络学会的组合越来越抽象、视野越来越宏大：

借助 GPU 并行和海量影像库，深度学习模型像一位持续进修、永不疲倦的资深医生，把遥感数据分析的精度推向了新高度，也为后续多源数据融合奠定了能力基础。

(I∗K)(x,y)=∑i∑jI(x+i, y+j)⋅K(i,j)\displaystyle (I * K)(x, y) = \sum_{i}\sum_{j} I(x+i,\, y+j) \cdot K(i, j)
卷积相当于医生用一个“局部放大镜”在片子上逐格移动，每层镜片提取不同粒度的细节，最终拼出全局判断。
  1. 卷积核 $K$一个可学习的小尺寸权重矩阵，相当于可调节的“观察模板”。
    K∈Rk×kK \in \mathbb{R}^{k \times k}
  2. 局部窗口 $I(x+i, y+j)$以 $(x,y)$ 为中心的邻域像元值，决定模型看哪一片区域。
    i,j∈{−1,0,1}i, j \in \{-1, 0, 1\}
  3. 加权求和窗口内逐位置相乘后累加，输出一个特征值，捕捉该局部模式是否出现。
    ∑i∑jI(x+i, y+j) K(i,j)\sum_{i}\sum_{j} I(x+i,\,y+j)\,K(i,j)

数据融合建模

高明的医生从不只凭一张片子下结论：CT 看结构、MRI 看软组织、血常规看生化指标，综合起来才敢开处方。环境遥感 AI 同样善用“多学科会诊”——多源数据融合。

光学影像清晰但怕云，雷达影像穿透云层却难以直观解译，气象数据补充大气状态，地面站点提供真值锚点。把这些异构数据源组合起来，能大幅提升分类与反演的可靠性，还能用时序模型把分散的影像帧连成连续的“病情记录”，建模地表演化的长期趋势。

最简单的融合是加权平均：对每路数据赋予可靠性权重 $w_i$，加权求和得到融合特征。更高级的融合则交给神经网络——它会自己学习何时信任哪一路数据，并自动应对云遮挡等缺失情况：

会诊结束后医生写下综合诊断；融合模型则输出一张兼顾空间细节与时空连续性的地表状态图。云遮挡的缝隙被雷达补上，单张影像的孤独被时序记忆抹平。

F=∑i=1Mwixi,∑i=1Mwi=1\displaystyle F = \sum_{i=1}^{M} w_i x_i,\quad \sum_{i=1}^{M} w_i = 1
加权融合就像会诊时给每位专家分配发言权重：经验越被信任的专家，话语权越大，最终结论是各方意见的折中。
  1. 数据分量 $x_i$各路数据源（光学、雷达、气象）提取的特征向量，代表某一方面的“检查结果”。
    xi∈Rdx_i \in \mathbb{R}^{d}
  2. 融合权重 $w_i$表示第 $i$ 路数据的可靠程度，神经网络端到端学习，自动调整信任比例。
    wi∈[0,1]w_i \in [0, 1]
  3. 归一化约束所有权重之和为 1，保证融合输出处于各输入的凸组合范围内，数值稳定。
    ∑i=1Mwi=1\sum_{i=1}^{M} w_i = 1

挑战未来方向

即使是最权威的专家门诊也有力所难及之处：罕见病例样本太少，难以确诊；凭直觉下的结论，往往难以向病人解释。环境遥感 AI 同样面对这两大顽疾。

其一是标注瓶颈——遥感影像的像素级标签需要专家逐像元勾绘，成本高昂，训练样本因此稀缺，模型容易过拟合。其二是可解释性——深度模型的预测像一个“黑箱”，当它把湿地错认为农田时，审计者难以快速定位原因。此外，模型在一个地区训练良好，换到另一地理区域往往精度骤降，这就是跨域迁移难题。

工程上常用交并比来评估空间预测的精度，它衡量预测区域与真实区域的重叠程度，直观反映模型“圈得准不准”：

面向未来，研究者正用自监督学习挖掘海量无标注影像、用因果模型增强可解释性、用域自适应缓解迁移难题。天地一体化观测网络正在建成——AI 医生已备好更齐全的仪器，只待为地球写出更精准的健康报告。

IoU=∣A∩B∣∣A∪B∣\displaystyle \text{IoU} = \frac{|A \cap B|}{|A \cup B|}
IoU 就像医生勾画病灶轮廓与病理真实范围的吻合度——重叠越多，诊断画线越精准。
  1. 交集 $|A \cap B|$预测为正的区域与真实正区域重叠的像元数，即正确检出的部分。
    ∣A∩B∣=TP|A \cap B| = \text{TP}
  2. 并集 $|A \cup B|$两者覆盖的全部像元数，包含重叠区与各自独有的区域。
    ∣A∪B∣=TP+FP+FN|A \cup B| = \text{TP} + \text{FP} + \text{FN}
  3. 比值计算完全重合时 IoU 为 1，完全不重叠时为 0，是语义分割最常用的评价指标。
    IoU∈[0,1]\text{IoU} \in [0, 1]

AI 应用场景

森林砍伐实时预警

阶段：数据预处理 + 模型推理

解决的问题：传统人工巡查难以及时发现偏远地区的毁林行为；AI 用土地覆盖分类与变化检测自动圈定疑似砍伐区，把预警周期从数月缩短到数天。

具体案例：巴西国家空间研究院的 DETER 系统结合 MODIS 与 Landsat 影像，每周发布森林扰动告警地图，护林员据此精准出警，拦截了大量非法伐木活动。

城市空气质量精细制图

阶段：模型训练与推理反演

解决的问题：地面监测站稀疏，插值得到的污染分布非常粗糙；AI 以卫星 AOD 和气象数据为输入回归 PM2.5 浓度，输出百米级空间分辨率的污染地图。

具体案例：某环保科技公司将 Himawari-8 卫星影像与风场数据输入时序神经网络，每十分钟更新一次城市 PM2.5 热力图，支撑重污染天气的应急减排决策。

多源融合的作物长势普查

阶段：多源数据融合与特征工程

解决的问题：单靠光学影像遇云即失效，融合雷达与气象数据后，作物分类与长势监测可以全年无中断地运行。

具体案例：农业保险公司融合 Sentinel-1 雷达与 Sentinel-2 光学影像，AI 自动识别小麦、玉米地块并评估洪涝受灾面积，为定损理赔提供了客观依据。

Python 演示

python36 行
import numpy as np rng = np.random.default_rng(42) # 模拟 T1 时刻 10x10 影像：红光与近红外两个波段red_t1 = rng.uniform(0.05, 0.45, (10, 10))nir_t1 = rng.uniform(0.10, 0.60, (10, 10)) def compute_ndvi(red, nir):    return (nir - red) / (nir + red + 1e-8) def classify_landcover(ndvi):    label = np.zeros(ndvi.shape, dtype=int)          # 0 城市    label[ndvi > 0.35] = 1                           # 1 森林    label[(ndvi > 0.15) & (ndvi <= 0.35)] = 2        # 2 农田    label[ndvi < 0.05] = 3                           # 3 水体    return label ndvi_t1 = compute_ndvi(red_t1, nir_t1)labels_t1 = classify_landcover(ndvi_t1) # 模拟一年后：3:6 区域森林被砍，红光升、近红外降red_t2 = red_t1.copy()nir_t2 = nir_t1.copy()red_t2[3:6, 3:6] += 0.15nir_t2[3:6, 3:6] -= 0.25 ndvi_t2 = compute_ndvi(red_t2, nir_t2)labels_t2 = classify_landcover(ndvi_t2) # 变化检测：逐像元比较类别changed = labels_t1 != labels_t2print("T1 森林像元数:", int((labels_t1 == 1).sum()))print("T2 森林像元数:", int((labels_t2 == 1).sum()))print("变化像元数:", int(changed.sum()))print("砍伐区域坐标:", np.argwhere(changed).tolist())
目的：用 numpy 模拟两期多光谱影像，演示 NDVI 计算、土地覆盖分类与变化检测的完整最小流程。
  1. def compute_ndvi(red, nir):实现 NDVI 公式，分母加 1e-8 防止除零，对应公式分子分母结构。
  2. label[ndvi > 0.35] = 1用掩码索引把满足阈值的像元整批归类为森林，体现“规则式分类”的简洁。
  3. red_t2[3:6, 3:6] += 0.15用切片模拟局部区域发生土地覆盖变化，是像素级场景建模的关键一行。
  4. changed = labels_t1 != labels_t2逐像元比较两期类别，得到布尔差异图，即最朴素的双时相变化检测。
  5. np.argwhere(changed).tolist()输出所有变化像元的行列坐标，把检测结果落到可定位的具体位置。

常见误区

误区以为把原始卫星影像直接丢进神经网络，跳过定标和校正也能得到可靠结果，就像不校准 CT 机就直接读片。

正解原始数字值混合了大气散射、传感器噪声和地表信息。不做预处理，模型学到的可能是“大气模式”而非地面真相。先做辐射定标、大气校正与几何配准，把影像还原为地表反射率，模型才能看得准。

为何常见：深度学习的“端到端”宣传让初学者误以为预处理可省，而工程实践中预处理往往是决定模型上限的关键。

误区认为只要用了深度学习，精度就一定超过最大似然、随机森林等传统分类器，于是盲目堆模型。

正解在标注样本极少、影像尺寸小或类别极不均衡的场景，传统方法更稳定、可解释、易部署。深度模型的优势建立在充足训练数据之上，“数据不够，模型来凑”只会严重过拟合。

为何常见：顶会论文和媒体反复渲染 SOTA 数字，忽略了这些结果背后的海量标注与庞大算力投入。

误区觉得影像空间分辨率越高，AI 分析就越准，于是把预算全砸在高分辨率影像上。

正解高空间分辨率未必带来高精度——它可能引入更多类内噪声，还缩小单景覆盖面积。光谱分辨率（波段数）与时间分辨率（重访周期）同样关键，许多任务里中分辨率多光谱配合高时间频率的组合更实用。

为何常见：“清晰等于好用”的生活直觉，让人忽略了遥感任务是光谱、时间、空间三个维度上的综合博弈。

误区认为变化检测很简单：两幅图相减，差异大的就是变化区，完全不需要考虑光照与季节。

正解太阳高度角、大气状态、土壤湿度差异都会制造“伪变化”。工程上需要先做辐射归一化，或改用变化向量分析、时序模型抑制噪声，阈值也要依据先验知识谨慎设定。

为何常见：相减的数学太直观，掩盖了遥感物理过程的复杂性，新手常被一张满是伪变化的差异图“骗到”。

面试题

Q1. NDVI 主要由哪两个光谱波段计算得到？

单选题 · easy

  • A.红光与近红外波段← 正确答案
  • B.蓝光与绿光波段
  • C.热红外与微波波段
  • D.红光与蓝光波段

答案：A。NDVI 的本质是植被“近红外高反射、红光强吸收”的光谱指纹，因此分子分母分别使用近红外与红光。蓝光、绿光、热红外、微波都不是 NDVI 的定义波段。

Q2. 下列哪项属于土地覆盖分类的直接输出？

单选题 · easy

  • A.每个像元的土地类型标签← 正确答案
  • B.每栋建筑物的三维结构模型
  • C.大气温度的长期变化曲线
  • D.土壤样本的化学元素含量

答案：A。土地覆盖分类把影像分割成森林、水体、城市等语义类别，输出是逐像元的类别标签。建筑三维建模属于立体视觉，温度曲线与土壤化学成分不属于该任务范畴。

Q3. 变化检测中“伪变化”最主要的来源是？

单选题 · mid

  • A.太阳角度与大气条件差异← 正确答案
  • B.地面基准站坐标发生漂移
  • C.卫星轨道保持完全一致
  • D.像元类别定义完全相同

答案：A。两期影像的成像条件很少完全一致，太阳高度角、大气水汽、气溶胶都会改变反射率，造成“没变却说变了”的伪变化。轨道一致与类别定义相同反而有利于检测，不是伪变化来源。

Q4. AOD（气溶胶光学厚度）的物理含义是？

单选题 · mid

  • A.气溶胶对光线的削减程度← 正确答案
  • B.地表植被覆盖的疏密程度
  • C.水体悬浮泥沙的含量高低
  • D.云层整体厚度的毫米数值

答案：A。AOD 描述气溶胶对光的吸收与散射导致的衰减量，是大气浑浊度的标准化度量。植被密度用 NDVI 描述，泥沙含量与云厚都不是 AOD 的定义。

Q5. 深度学习相对传统分类方法的最大优势是？

单选题 · mid

  • A.无需任何训练数据即可使用
  • B.自动学习层次化特征表达← 正确答案
  • C.预测结果永远不会产生误差
  • D.完全不需要任何影像预处理

答案：B。深度网络通过卷积层自动从边缘、纹理到语义逐层提取特征，免去人工设计特征。它依然需要训练数据和预处理，也不可能零误差，因此其余选项皆错误。

Q6. 关于多源数据融合中权重 w 的正确理解是？

单选题 · hard

  • A.权重需要人工逐个手动调参
  • B.权重固定为各路数据的算术平均
  • C.神经网络自动学习各路数据可信度← 正确答案
  • D.权重始终与数据质量无关

答案：C。在端到端融合模型中，权重是网络训练出的参数，会根据损失自动调整对各路数据的信任程度，无需人工逐调，也不固定为均值，更不是与质量无关的常数。

Q7. 交并比（IoU）用于衡量什么？

单选题 · easy

  • A.预测区域与真实区域的重叠程度← 正确答案
  • B.卫星影像文件的体积大小
  • C.模型训练所消耗的电力值
  • D.地物光谱曲线的斜率值

答案：A。IoU 是交集与并集之比，用来评价预测轮廓与真实轮廓的吻合度，是语义分割的核心指标。它与文件大小、能耗、光谱斜率均无关。

Q8. 遥感影像预处理通常包含哪些环节？

多选题 · mid

  • A.对影像进行辐射定标← 正确答案
  • B.对影像进行大气校正← 正确答案
  • C.对影像进行几何配准← 正确答案
  • D.对影像进行语义压缩

答案：ABC。辐射定标把数字值转为物理辐射量，大气校正消除大气散射干扰，几何配准保证像素坐标对齐，三者都是标准预处理。语义压缩不是常规预处理环节。

Q9. 当前环境遥感 AI 面临的主要挑战包括？

多选题 · hard

  • A.像素级标注成本居高不下← 正确答案
  • B.深度模型的可解释性不足← 正确答案
  • C.跨区域迁移存在分布偏差← 正确答案
  • D.卫星影像无法完成数字化

答案：ABC。逐像元人工标注极其昂贵导致样本稀缺，黑箱模型难以审计，模型跨地理区域的泛化偏差大，这三点都是公认瓶颈。卫星影像本身早已是数字产品，D 明显错误。

Q10. 下列哪些属于环境遥感 AI 的典型应用？

多选题 · mid

  • A.森林砍伐的持续监测← 正确答案
  • B.PM2.5 浓度的空间反演← 正确答案
  • C.城市建成区的扩张分析← 正确答案
  • D.手机基站信号的全面增强

答案：ABC。森林监测依赖分类与变化检测，PM2.5 反演依赖 AOD 建模，城市扩张分析依赖时序影像对比，三者都是遥感 AI 的经典场景。手机基站信号增强属于通信工程，不是遥感任务。