1.研究背景
随着地球观测卫星的快速发展，遥感数据集经历了指数级的增长，显著提升了遥感科学研究和应用。截至2024年初，全球地球观测星座由1379颗卫星组成，预计到2033年将增加到5500颗。这些卫星每天产生超过20TB的原始数据，累计数据量已超过500PB。数据量的激增给遥感领域的存储、分析和管理带来了挑战。基础模型如ChatGPT、SAM和CLIP等提供了全新的解决方案，不仅提高了遥感数据处理的效率，还推动了技术创新。利用广泛的训练样本数据集，这些基础大模型在一系列遥感任务中展现了巨大的应用潜力。
遥感基础大模型具有庞大的参数规模，参数数量可在数千万到数百亿之间。这些模型采用大规模的Transformer网络，以自监督的方式进行训练，展现出在语言理解、视觉-语言交互和多模态解释方面的强大能力。遥感基础大模型通常使用大规模、多样化的数据集以自监督的方式进行预训练，随后在特定领域的数据集上以监督的方式进行微调，从而适应不同的下游遥感应用任务。
2.创新之处
迄今为止，仅有少量研究探讨了遥感基础大模型在地球、气候和环境科学等与遥感相关领域的应用。我们的重点在于遥感基础大模型在常见遥感任务中的应用，包括场景分类、目标检测、土地利用分类、变化检测和视频解释。已有的一些研究深入探讨了这些任务，强调了视觉-语言模型的多种场景应用。在本文中，我们将更深入地研究全面遥感智能时代的挑战和未来发展。
具体来说，我们将遥感智能定义为一个多功能的基础大模型，能够无缝集成多模态地理空间数据，以执行广泛的静态和动态遥感任务。该遥感基础大模型包含庞大的参数量，在广泛的数据集上进行训练，促进多模态协作，特别是在视觉-语言任务领域，并通过人类反馈实现迭代改进。此外，它还具有潜力演变为自我运作的AI遥感模型。
3.关键图表
图1遥感基础大模型的潜力与前景概述
4.主要结论
遥感基础大模型具有巨大的应用潜力，可以通过提高各类应用的解释准确性来推动遥感科学的发展。然而，这一过程需要解决诸多挑战，包括提供可扩展的硬件和多样化的遥感数据集、整合地理空间知识、确保稳健的人机协作反馈，以及开发全面的质量评估框架等。持续的创新和改进将有助于充分释放遥感基础大模型的潜力，以满足智能遥感解释日益动态和复杂的需求。
5.发表信息
Zhang M, Yang B, Hu X, et al. Foundation model for generalist remote sensing intelligence: potentials and prospects[J]. Science Bulletin, 2024.
6.声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
