随着遥感大数据与人工智能技术的飞速发展，深度学习已成为遥感影像地物分类提取的关键技术方法。但是，遥感影像具有数据规模大、信息源多样、处理过程复杂等特点，如何面向多源遥感信息源和不同深度学习网络模型建立统一的建模框架，支撑不同类别、时空尺度遥感信息源组件化的集成深度学习模型，实现从时空查询获取、数据处理合成、模型智能预测、在线精准响应的智能计算处理服务模式是遥感大数据智能方法大规模应用的关键。
本研究瞄准遥感影像智能地物提取的建模环节，提出并研发了一套面向多源、多尺度遥感信息源的组件式深度学习模型建模方法技术。主要面向语义分割网络模型，解决不同遥感信息源的统一输入、不同模型的快速适配、不同大小GPU资源的动态伸缩利用，不同模型训练过程的统一配置等，达到模型切换无缝化、建模过程简单化。
同时，本研究瞄准遥感影像智能地物提取的预测环节，基于先进的大数据处理框架、弹性云计算、容器虚拟化、云端对象存储等前沿技术，借鉴工业流水线思想，提出集时空查询、多源获取、数据处理、模型预测、时空合成、在线可视、精准响应的遥感影像地物提取智能服务框架。实现多源遥感信息源的统一时空查询，基于云端遥感信息源的自动协同获取，集成数据预处理、格式转换、投影转换、时空合成等一站式数据处理方法，发展面向云原生的可伸缩并行计算技术，实现“查询-获取-处理-计算-存储”一体化的自动处理模式，支撑大规模遥感影像地物智能提取的高度自动化。

遥感智能解译,深度学习,语义分割,并行计算,云计算