依托中国科学院战略性先导科技专项“格网数据引擎”和中国科学院基础前沿科学研究计划“从0到1”原始创新项目等科研项目，在建设中国科学院科学数据中心体系、国家基础学科公共科学数据中心、地理空间数据云等平台的同时，大数据部持续攻坚遥感数据管理和分析领域，在主流遥感杂志《Remote Sensing》、人工智能领域国际权威期刊ACM Transactions on Intelligent Systems and Technology (ACM TIST)以及CCF 类期刊《IET Image Processing》发表多篇论文。
随着对地观测技术的显着发展和进步，遥感数据保持快速增长，数据量已达到EB级。针对管理和处理如此大量结构复杂多样的遥感数据所面临的挑战，团队设计并实现了一种用于大规模遥感数据存储、访问和检索的分布式存储系统RSIMS。RSIMS由三个子模块组成：RSIAPI、RSIMeta、RSIData。遥感影像的元数据统一存储在RSIMeta中，通过分布式多级希尔伯特网格进行索引，以实现高时空检索性能。非结构化二进制图像文件存储在 RSIData中。RSIData提供了大的可扩展存储容量和高效的 GDAL（地理空间数据抽象库）兼容 I/O 接口，使得流行的GIS 软件和工具（例如 QGIS、ArcGIS、rasterio）可以直接访问存储在 RSIData中的数据。 RSIAPI为用户提供了一套统一的数据访问和检索接口，隐藏了RSIMS复杂的内部结构。测试结果表明，RSIMS可以存储和管理来自各种来源的大量遥感图像，性能高且稳定，并且易于部署和使用。相关工作发表在SCI期刊《Remote Sensing》上，该刊2021年影响因子为4.509。
相关论文： RSIMS: Large-Scale Heterogeneous Remote Sensing Images Management System.
图像超分辨率重建 (SISR) 是基于低空间分辨率的遥感影像生成具有精细空间分辨率的高分辨率图像。最近，深度学习和生成对抗网络（GAN）在图像超分辨率重建这一具有挑战性的任务上取得了突破。然而，生成的图像仍然存在不受欢迎的伪影，例如缺乏纹理特征表示和高频信息。团队提出了一种基于频域的时空遥感图像超分辨率重建技术，以在各种频段 (TWIST-GAN) 上结合生成对抗网络 (GAN) 重建高分图像。团队引入了一种结合小波变换 (WT) 特征和转移生成对抗网络的新方法。通过使用WT将低分图像分割成各种频带，转移生成对抗网络通过提出的架构预测高频分量。最后，小波的逆传递产生具有超分辨率的重建图像。相关论文发表在人工智能领域国际权威期刊ACM Transactions on Intelligent Systems and Technology (ACM TIST)。ACM TIST是ACM旗下的主要学术期刊之一，该期刊主要刊登多学科视角下的智能系统、应用算法和技术方面的高质量论文。
近年来，遥感影像处理在土地分类、识别转移、资源勘探、超分辨率图像等多项应用中得到广泛应用。由于轨道位置、修正时间、快速视角限制和天气影响，遥感影像有许多类型的分辨率，例如空间、光谱和时间，难以管理。对于遥感图像超分辨率快速基于小波的超分辨率 (FWSR)，团队提出了一种新颖的、基于小波的快速丛框架，该框架基于三个隐藏层执行超分辨率卷积神经网络 (SRCNN) 式的特征提取。首先，小波子带图像被组合成一个预定义的全尺度数据训练因子，包括近似和可互换的独立单元（频率子带）。其次，为了加速图像恢复，然后使用其近似图像测量小波的子带图像的映射。第三，在网络模型末尾添加的子像素层再现图像质量。离散小波变换小波分解后得到的近似子带图像由于其高频数据和保留特性而被用作输入而不是原始图像。基于三个公共卫星图像数据集和两个基准数据集上，团队对五种当前的超分辨率神经网络方法与所提出的技术进行了比较。相关成果发表在CCF C类期刊《IET Image Processing》上。
在恶劣天气条件下（如雾霾、雾霾）获取的图像中，物体识别由于图像的减少而造成困难。恶劣的天气条件不仅会导致图像视觉效果的变化，还会导致图像后处理的不利。此外，它还给依赖光学成像的各类仪器带来了不便，例如卫星遥感系统、航拍系统、室外监控系统和物体识别系统。因此，需要对视觉效果进行改进和恢复，并加强后期处理。团队研究了一种新的基于暗通道先验和分段线性变换的图像去雾增强方法。首先分析新角度之前的暗通道，显着增强暗图像效果的同时，减少雾霾和噪声的影响。然后应用分段线性变换技术进行色彩校正。实验结果表明，所提出的方法显著提高了算法对黑暗遥感图像和模糊自然图像的可见性。相关成果发表在CCF C类期刊《IET Image Processing》上。（撰稿：赵江华）
