高爾夫球場，長期以來的高階社交地，但其存在的背後，卻是對資源環境的侵襲。不僅大量佔用土地資源、耗費水資源，而且在維護草坪的時候大量使用化肥農藥，會造成嚴重汙染。
有多嚴重呢？
曾任江蘇省副省長的徐鳴此前接受《中國經濟週刊》專訪給出了一個對比：
“一個高爾夫球場的汙染比一座普通工廠的汙染還要嚴重。”
從2004年開始，有關部門就開始出臺一系列政策限制球場建設，並在2017年前後開展了專項清理整治。
但整治效果該如何核查？
球場相對分散，且佔地面積比較大， 通過遙感影象來檢測，是較優方案，高解析度光學遙感影像的普及也為場檢測提供了有力資料支援。
哪怕這些資料都有，檢測起來卻不容易。
下面就是一張遙感影象，忽略綠框，你能發現其中的高爾夫球場有多少，都在哪嗎？
一個熟練解譯人員從這樣的遙感影象中檢測出來所有的高爾夫球場，需要15分鐘左右。
而現在，深度學習技術改變了這項工作的面貌。
只需10秒，就能夠在這樣的圖中，自動檢測出高爾夫球場。
相比之下，效率提高90倍。識別的準確度也達到了84%。
這並不是個案特例，而是整個應用方向的集體提升，正切切實實發生在中科院遙感地球所。
這一躍遷是怎麼發生的？又是一個怎樣的過程？
AI在影象識別領域中已經頗有建樹許多年，為什麼到現在能力才體現出來？
想要回答這些問題，需要先回答——
為什麼原來處理遙感影象很慢？
利用遙感影象監測地表，是一個持續的過程。中科院遙感地球所研究人員說，其中最大的難點就在於，同一個地方的環境和氣候，每年都會發生變化。這會對理解遙感影象的演算法造成極大的影響。
最直接的體現就是，原本針對這些地方構建的演算法，過了一年之後，就要有針對性地調優，適應這些變化，不然就會“罷工”。而且， 這些演算法都與人的經驗有很強的關聯性，如果設計演算法的人離職，整個演算法就難以為繼了。
需要注意的是，這些演算法並不是自動化的，仍舊需要人工去配合。中國960萬平方公里，想要完成一遍，至少需要千餘人集中工作2到3個月。
怎麼辦？可以用深度學習。現在， 遙感所是這樣做的：
- 針對一個地方構建樣本庫，然後基於樣本庫中的影象訓練深度學習模型。
第二年，這一地方的環境和氣候發生變化，只需要把新的影象加進樣本庫，然後重新把模型訓練一遍就可以了。
同時，這樣也能夠減少對人的依賴，模型的調整不再受限於專家經驗，而是依靠資料的變化。
而且，資料越來越多，也不再是累贅，而是提高模型精度的“養料”。
雖然現在看來，這一切都很高效且非常簡單。但在從傳統的人工+演算法模式到現在深度學習的模式切換中，還經歷了不少困難。
用AI理解遙感影象，有什麼難的？
影象識別，可以說是當前AI領域比較成熟的技術了，各種用於影象理解的深度學習模型層出不窮，而且在特定領域已達到了人類同等水準。
但問題在於，這些深度模型，主要是針對自然影象的，如果直接用於理解遙感影象效果就會大打折扣。因為這兩類影象之間有很大的差別。
首先，遙感影象波段比較多，除了自然影象的RGB三個波段之外，遙感影象至少還要多出一個近紅外波段，一些衛星獲取的遙感影像有8個波段，高光譜影象甚至有多達200多個波段。
其次，影象的尺度差異也非常大，與自然影象中利用尺度金字塔進行多尺度的識別相比，遙感影象的尺度差異甚至要達到1：30 以上，才能較好地識別各個目標地物。
第三，有區域性空間特徵失真的問題。自然影象的失真，主要是因為感測器的邊緣失真和鏡頭失真，整體是可控的。但遙感影象成像的失真，是由於在影象獲取中的誤差產生的，相對來說是不可控的。
這些問題的存在，讓現有的深度學習演算法很難直接應用到遙感影象理解任務中。不僅模型需要進一步優化，還需要框架提供支援：不僅要在遙感影像讀入方面提供多波段的支援，還需要新增針對遙感影像的影象增強演算法，考慮到多波段的顏色增強，以及區域性空間特徵變形增強等等方面。
這些，正是百度在其深度學習框架PaddlePaddle中所做的事情，藉助這一框架，中科院遙感地球所，也正在完成一輪新的技術迭代。
應用正越來越廣泛。
具體到我們一開始提到的高爾夫球場識別問題，中科院遙感所的研究人員藉助PaddlePaddle框架的支援，使用了Faster R-CNN目標檢測模型。
在專業、標準的高爾夫球場遙感資料集中，只需要10秒，就能夠檢測出遙感影象中的所有球場。
用人工+演算法來識別，則需要15分鐘。
深度學習新方法讓工作效率提高了90倍，檢出準確率也能夠達到84%。
而且，深度學習並不僅僅只是用於自動化檢測高爾夫球場，還正在被用於理解遙感影象中的機場，建設在山區中的風力和光伏發電站。
藉助深度學習技術，研究人員能夠根據遙感影象快速識別出一個地區有多少太陽能皮膚，就有可能對這一地區能夠發多少電有清晰的預估，併為電網建設提供決策支援，避免“有電沒網”或者“有網沒電”的窘境。
根據國家能源局給出的資料，僅2018年，光伏發電就浪費了54.9億度，相當於200多萬家庭一年的用電量（按一家庭每月用電200度來計算）。
這背後的社會價值可見一斑。而且，理解遙感影象，只是PaddlePaddle解決實際問題的一個範例。
在計算機視覺領域，這個框架已經能夠支援模型完成影象分類、目標檢測、影象語義分割、場景文字識別、影象生成、人體關鍵點檢測、視訊分類、度量學習等任務。