人工智能与遥感科学交叉研究综述：现状与展望

贺威1，王子杰1，孙根云2，程塨3，唐旭4，武辰1，贺黎明5，任华忠6，胡婷7，冯收8，聂胜9，吴尚蓉10，高晗2，冯婕4，杭仁龙11，丁云12，张蕊13，叶沅鑫14，马献平14，赵旦9，李振海15，苏华16，徐南17，陈超18，马爱龙1，朱祺琪19，闫凯10，贾明明20，张鸿生21，罗毅22（1. 武汉大学测绘遥感信息工程全国重点实验室；2. 中国石油大学(华东) 海洋与空间信息学院；3. 西北工业大学自动化学院；4. 西安电子科技大学人工智能学院；5. 东北大学资源与土木工程学院；6. 北京大学地球与空间科学学院；7. 南京信息工程大学遥感与测绘工程学院；8. 哈尔滨工程大学信息与通信工程学院；9. 中国科学院空天信息创新研究院；10. 北京师范大学卫星应用前沿交叉研究院；11. 南京信息工程大学计算机学院；12. 安徽大学人工智能学院；13. 华北水利水电大学信息工程学院；14. 西南交通大学地球科学与工程学院；15. 山东科技大学测绘与空间信息学院；16. 福州大学数字中国研究院(福建)；17. 深圳大学建筑与城市规划学院；18. 苏州科技大学地理科学与测绘工程学院；19. 中国地质大学(武汉) 地理与信息工程学院；20. 中国科学院东北地理与农业生态研究所；21. 香港大学地理系；22. 云南师范大学地理学部）

摘要：人工智能的快速发展正推动遥感科学从“观测主导”向“智能认知”的范式转变。面对遥感观测规模快速扩张所带来的多源异构、高维特性等挑战，传统解译方法在效率、精度与可扩展性等方面已难以满足实际需求。以深度学习和大模型为代表的人工智能技术，为复杂地球系统的自动特征提取、跨模态融合与深层知识发现提供了新的理论支持与技术路径。近年来，人工智能遥感数据的融合在多类型观测数据（高分辨率光学、高光谱、SAR、LiDAR 等） 与多类智能任务（分类、检测、分割、变化检测与大模型认知推理） 中不断深化，并在地质、生态、农业、城市与灾害监测等关键应用场景中展现出重塑认知模式并增强决策智能化的潜力。然而，当前研究仍存在观测机理与模型表征耦合不足、跨区域跨模态泛化能力有限，以及智能系统可解释性与可信性仍待加强等问题。基于此，本文从观测技术、智能方法与典型应用3个维度系统梳理人工智能赋能遥感科学的最新进展，总结其发展脉络与共性特征，探讨面向全球尺度与动态复杂地球系统所面临的关键挑战，并对构建可泛化、可解释与可持续的下一代智能遥感理论体系和应用框架进行了展望。

关键词：遥感科学，人工智能，深度学习，交叉应用，遥感大数据，智能解译