AI在摄影测量与遥感技术中的应用

20XX/XX/XXAI在摄影测量与遥感技术中的应用汇报人:XXXCONTENTS目录01

技术融合背景与发展历程02

核心技术架构与方法创新03

摄影测量智能化应用04

遥感影像智能解译应用CONTENTS目录05

行业典型应用场景06

技术挑战与解决方案07

未来发展方向与趋势技术融合背景与发展历程01摄影测量与遥感技术的演进单击此处添加正文

模拟摄影测量阶段（20世纪初-70年代）以光学机械仪器为核心，依赖人工操作进行像片纠正、立体测图，如Aviograph、Topocart等仪器，生产周期长，精度受操作员技能影响大。解析摄影测量阶段（20世纪70年代-90年代）引入计算机技术，利用数学模型解算摄影测量方程，实现部分自动化，代表系统有analytikA10、BC2等，数据处理效率较模拟阶段提升3-5倍。数字摄影测量阶段（20世纪90年代-21世纪初）基于数字影像和计算机视觉算法，实现全数字化处理，如VirtuoZo、JX4等软件，可处理航空、卫星等多源数字影像，立体测图精度达厘米级。智能摄影测量与遥感阶段（21世纪初至今）AI技术深度融合，如深度学习用于影像分类（CNN模型分类准确率超90%）、目标检测（YOLO系列算法实时识别地物）、变化检测（时序分析精度提升42%），推动从“人工解译”向“智能认知”范式转变。AI赋能行业的技术变革

数据处理效率的革命性提升AI技术显著提升了遥感数据处理效率，传统人工处理需72小时/平方公里，AI赋能后可缩短至3小时/平方公里，效率提升24倍。例如，2023年某能源公司采用深度学习方法进行油田遥感图像分类，错误率从15%降至2%，人力需求从20名专家减少到3名。

多源异构数据融合能力突破AI实现了高光谱、SAR、LiDAR等多源遥感数据的深度融合。如AFMamba架构下的自适应融合分类网络，通过Mamba结构的远程特征学习优势，有效提升地物识别分类精度。清华大学团队融合AI与多源遥感大数据，构建了全球河湖高精度、高时空分辨率监测体系，解决了水文观测高时空分辨率难以兼得的问题。

智能化解译与动态监测技术成熟遥感智能解译技术从数据驱动向知识推理与数据学习联合的第三代范式发展。武汉大学发布的LuoJiaNET深度学习框架和LuoJiaSET样本库，支持大幅面处理和通道自适应优选。在灾害监测中，AI+遥感可在6小时内自动识别地震灾区范围，精度达92%，而传统人工图斑识别需72小时。

行业应用模式的智能化转型AI推动摄影测量与遥感行业应用模式向智能化转型。如第四次全国农业普查采用“卫星看、AI算、人工核”模式，山东训练的AI模型实现全省小麦、玉米面积智能化遥感测量，遥感影像分辨率从16米升级至优于2米，技术方法从人工、半人工转变为AI影像识别为主，大幅提升普查精度与效率。2026年技术发展现状与趋势

01基础模型与大模型技术进展2026年，遥感领域基础模型竞争焦点从参数规模转向对物理世界规律的理解与建模，Next-StatePrediction（NSP）范式推动AI从感知迈向认知与规划。遥感AI大模型通过多模态数据融合（光学、SAR、高光谱、LiDAR）和领域自适应技术，提升复杂场景下的泛化能力，如Meta的SegmentAnythingModel(SAM)遥感适配版在10m分辨率Sentinel-2全球影像上实现11类地表覆盖制图，精度达85%。

02多源数据融合与智能解译突破多分辨率特征融合技术整合高光谱、全色、热红外等数据，使作物长势监测精度提升42%，三维地形建模误差降低至0.3米级。AI驱动的遥感智能解译从数据驱动向知识推理与数据学习联合的第三代范式发展，耦合知识图谱和深度学习，如武汉大学LuoJiaNET框架支持大幅面处理和通道自适应优选，在国土利用动态监测等领域实现高精度自动化解译。

03星上智能与实时处理技术革新星上实时AI推理成为趋势，NVIDIAJetsonOrin太空级模块、特斯拉Dojo芯片等硬件支持卫星在轨目标检测延迟<1秒，如中国"珞珈三号"智能卫星。物理驱动的AI模型在损失函数中嵌入辐射传输方程，如NASA的PhysGNN使气溶胶反演误差降低40%，推动遥感数据处理从地面向太空边缘计算延伸。

04行业应用与未来发展方向AI在摄影测量与遥感中的应用向实时化、智能化、场景化深入，如"四农普"采用"卫星看、AI算、人工核"模式，实现小麦、玉米面积智能化遥感测量；灾害监测中，华为云Pangu-Weather模型扩展版输入SAR+光学数据，30分钟内输出淹没范围。未来将构建可泛化、可解释与可持续的智能遥感理论体系，推动"数据-算法-场景"闭环系统建设，优先突破时序分析、小样本学习等瓶颈。核心技术架构与方法创新02多模态数据融合技术多源数据输入类型涵盖光学影像（如Sentinel-2/Landsat）、SAR雷达（如Sentinel-1）、高光谱（如Hyperion）、激光雷达（如ICESat-2）等多种类型数据。融合方法技术路径主要包括早期融合（像素级对齐）、特征级融合（如CNN+Transformer双分支）、决策级融合（如多模型投票）等技术路径。典型融合模型架构如AFMamba：基于Mamba结构的高光谱和LiDAR数据自适应融合协同分类网络，为提升地物识别分类精度提供新方案。技术突破与应用成效多分辨率融合技术已使作物长势监测精度提升42%，三维地形建模误差降低至0.3米级，有效解决空间-光谱矛盾等问题。图像分类：从像素到语义的跨越基于卷积神经网络（CNN）的图像分类技术，实现了遥感影像中地物类型的自动识别，如道路、建筑物、植被等，分类准确率可达90%以上，大幅替代传统人工解译。目标检测：精准定位感兴趣区域利用YOLO、FasterR-CNN等深度学习算法，可在遥感影像中精准定位和识别车辆、飞机、船只等目标，为交通监控、灾害救援等提供关键信息支持。语义分割：像素级的场景理解通过U-Net等网络模型，实现遥感影像的逐像素语义分割，将图像精细划分为农田、森林、城市等不同区域，为土地利用规划、环境监测提供细致数据支撑。变化检测：捕捉地表动态信息结合时序遥感数据与深度学习方法，如基于LSTM的模型，能够自动检测地表覆盖的变化，如城市扩张、森林砍伐等，为动态监测和决策提供依据。深度学习模型在图像处理中的应用大模型与遥感专用框架研发遥感影像智能解译专用框架

2022年武汉大学发布全球首个遥感影像智能解译专用深度学习框架LuoJiaNET，该框架是“图-模-谱”融合的专用框架，支持大幅面处理、通道自适应优选等功能，同期发布业界最大遥感影像样本库LuoJiaSET。遥感AI大模型技术路径

遥感AI大模型发展主要有两种思路：一是基于现有CV/NLP大模型（如SAM、MAE、CLIP等）进行遥感适配，利用其通用知识；二是基于遥感数据从头预训练构建专用大模型，以解决模型泛化能力差、训练成本高等问题。大模型微调与小样本学习

在实际应用中，常采用“大模型微调+小样本学习”方法定制垂类模型，以减少对大规模标注样本的依赖。2025年《遥感智能解译大模型关键技术研究与应用》项目通过科技成果评价，达到国内领先水平，已应用于国土利用动态监测等领域。跨模态预训练模型优势

基于跨模态预训练的遥感图文检索方法在主流数据集上表现出性能优势，通过实验对比揭示了其不同微调策略的数据适配规律，为构建高效的遥感图像与自然语言双向语义关联提供了技术路径。智能解译技术体系构建

地理知识图谱协同构建与进化构建面向遥感影像解译的遥感领域知识图谱，实现地理空间先验知识的有效整合与自主进化，提升模型对地理空间结构和格局的理解能力。

知识图谱与深度学习融合架构采用耦合知识图谱和深度学习的第三代范式，利用知识图谱的先验知识提高模型的可解释性、计算效率和准确率，实现知识推理与数据学习的联合。

专用深度学习框架与样本库支撑武汉大学发布全球首个遥感影像智能解译专用深度学习框架LuoJiaNET和样本库LuoJiaSET，支持大幅面处理、通道自适应优选，为技术体系提供基础平台。

关键算法与模型优化核心算法包括卷积神经网络（CNN）、循环神经网络（RNN）等，通过多源数据融合、注意力机制等技术优化，实现从像素级到场景级的智能解译。摄影测量智能化应用03无人机航测智能航线规划自主感知-决策-执行闭环系统微分智飞AI系统实现“划定范围→自动规划”，2024年深圳白石洲旧改项目中，AI航线规划将围墙测绘误差压缩至0.1m²，较人工预设路径效率提升3.2倍。多源环境动态适配技术意大利KARMA系统融合射频+红外传感器，2025年长江三峡库区滑坡监测中，AI实时调整航线避开浓雾带，任务完成率从76%升至99.4%。稀少控制点智能补全方案2024年成都东部新区300km²航测中，AI基于POS/IMU数据将像控点密度降至传统30%，仍保障1:2000地形图高程误差≤20cm。影像自动处理与质量优化智能影像质量筛查与标注基于CNN平台可实现影像质量的自动筛查，如2023年某城市更新项目中，单日处理5000张影像，道路边界识别准确率达97.3%，标注成本降低60%，较人工处理效率提升9倍。多源数据智能配准与融合AI技术能实现光学影像与LiDAR点云的精准配准，2023年四川水电站项目中，通过AI将激光雷达高密度点云与无人机影像坐标系统一，生成厘米级精度DEM，勘探周期从45天缩短至12天。点云智能去噪与模型优化StatisticalOutlierRemoval等AI算法可有效去除点云中的离群点，陕煤黄陵电厂项目中滤除83%离群点，结合ICP拼接后模型吻合度达99.1%，建模周期压缩至12小时。异常数据实时拦截与修复搭载AI边缘计算模块的无人机可实时识别光照突变等异常影像并自动标记重飞，杭州亚运村道路测绘中返工率下降72%；GAN网络可用于曝光均衡处理，降低曝光不均对影像质量的影响。多源数据融合三维建模技术融合光学影像、LiDAR点云等多源数据，通过AI算法实现厘米级精度数字表面模型（DSM）和数字高程模型（DEM）生成，如四川水电站项目中，AI将激光雷达高密度点云与无人机影像坐标系统一，生成厘米级精度DEM，勘探周期从45天缩至12天。点云智能去噪与分类算法采用StatisticalOutlierRemoval等AI算法滤除点云中离群点，结合深度学习模型实现地物精细分类，如陕煤黄陵电厂项目中滤除83%离群点，结合ICP拼接后模型吻合度达99.1%，建模周期压缩至12小时。复杂场景三维重建应用AI驱动“空天地”一体化感知，支持城市级、部件级实景三维模型快速构建，为数字孪生城市提供统一时空基底，如2024年深圳南山区CBD建模，AI融合1272张影像+48个GCP，生成LOD3级模型，立面纹理还原度94.7%，楼间距误差≤8cm。建模精度与效率提升案例相比传统测绘，AI航测建模效率显著提升，如全站仪需42人天完成1km²地形勘测，AI航测仅用2飞手+4测图员5天完工，效率提升11.6倍；陕煤黄陵电厂项目通过“无人机+DeepSeek”系统，建模精度达±1.8cm，较常规RTK航测提升3.2倍。三维建模与点云智能分析误差控制与精度提升技术01多源数据融合误差修正通过AI技术融合光学影像、LiDAR点云与InSAR数据，实现多源信息互补。例如，在甘肃滑坡监测中，三源融合建模使位移监测精度达±0.5mm/年，较单源提升5.8倍。02深度学习驱动姿态补偿采用长短期记忆网络（LSTM）预测无人机姿态角偏差，结合卷积神经网络（CNN）校正镜头畸变。在山区高速公路测绘中，将平面误差从15厘米缩减至3.2厘米，满足1:1000比例尺要求。03智能去噪与特征点优化利用StatisticalOutlierRemoval算法滤除点云83%离群点，结合ICP算法实现自动配准，模型吻合度达99.1%。在陕煤黄陵电厂项目中，建模周期压缩至12小时，人工编辑工作量降低70%。04实时质量监控与动态调整搭载AI边缘计算模块的无人机系统，可实时识别光照突变、影像重叠率不足等问题并自动重飞。杭州亚运村道路测绘中，返工率下降72%，影像匹配成功率提升至99.3%。遥感影像智能解译应用04传统机器学习方法的局限性传统方法依赖人工特征提取，如最大似然法在城市建筑区分类精度不足，处理1GB遥感数据需12小时以上，且泛化能力差。深度学习分类技术演进从CNN、RNN到混合模型（如CNN+Transformer），在UAVID数据集上，混合模型多尺度地物识别表现最佳，MobileNetV3等轻量化模型结合注意力机制主导轻量级设备应用。典型目标检测算法应用YOLO系列算法实现遥感影像中车辆、飞机等目标快速定位；U-Net模型在道路、建筑物语义分割中，某案例道路识别错误率降低23%，边缘提取精度达98%。多模态数据融合提升精度结合光学、SAR、LiDAR等数据，如AFMamba网络融合高光谱与LiDAR数据，地物识别分类精度提升，建筑物识别精度案例中提升35%。地物分类与目标检测算法变化检测与动态监测技术传统变化检测方法的局限性传统人工目视解译方式耗时、费力、成本高、周期长，无法满足快速提取需求。例如地震后72小时才能通过人工图斑识别灾区范围。AI驱动的变化检测技术突破AI技术能够从时间序列遥感影像中自动检测地表覆盖变化，如城市扩张、环境退化等。AI+遥感可在6小时内自动识别地震灾区范围，精度达92%。关键技术：时序分析与动态匹配利用ECA-RNN等模型进行多时相特征提取、动态变化检测和季节性模式学习。在森林火灾监测中，CO2吸收变化识别精度显著提升。典型应用案例：灾害与生态监测甘肃滑坡监测项目中，AI自动匹配每月三维模型，成功预警2次小型滑坡；信息传递效率较二维图纸提升60%，储量估算误差降至5%以内。跨模态图文检索与语义理解

跨模态图文检索的技术定位遥感跨模态图文检索作为连接自然语言与遥感影像的桥梁，旨在构建高效的双向语义关联，是遥感数据智能化分析的关键技术。

主流数据集与评价体系主流基准数据集在规模、场景类别及文本标注质量方面各具特点，通用评价指标体系为方法研究奠定基础，支撑技术性能的客观评估。

特征表示技术突破文本特征表示从传统统计演进到深度学习，遥感影像特征表示从手工特征发展为深度神经网络，显著提升了语义提取能力。

预训练方法对比与优势基于跨模态预训练的方法较非跨模态预训练方法在性能上更具优势，不同微调策略展现出特定的数据适配规律，实验验证其有效性。

核心挑战与未来方向当前面临细粒度语义对齐、多源数据融合与跨域泛化、时序动态匹配机制缺失等挑战，未来需在细粒度特征增强、多源异构数据协同建模等方向突破。零样本分类与小样本学习应用

遥感零样本分类技术突破视觉语言模型通过大规模遥感图像文本对数据集训练，实现对未见过类别的地物识别，有效解决传统分类依赖大量标注样本的问题，提升模型地理感知能力。

小样本学习策略与模型微调采用"大模型微调+小样本学习"方法定制垂类模型，减少对大规模标注样本的依赖，在农业普查等场景中，可快速适应不同作物类型的识别需求。

典型应用案例与性能表现在零样本分类任务中，基于遥感视觉语言模型的研究表明，其性能高度依赖大规模高质量标注遥感图文数据对，在ROI-50数据集上对特定地物识别精度可达82%。

技术挑战与未来发展方向当前面临模型泛化能力有限、标注数据稀缺及算力需求高等挑战，未来需开发融合地理空间先验知识的轻量化架构，并建立统一的遥感视觉语言模型基准评价体系。行业典型应用场景05AI赋能农业普查技术革新第四次全国农业普查采用"卫星看、AI算、人工核"模式，遥感影像分辨率从16米升级至优于2米，技术方法从人工、半人工测量为主转变为人工智能影像识别为主，调查效率大幅提升。主要农作物智能化遥感测量山东省已训练卫星遥感测量人工智能模型，实现覆盖全省的小麦、玉米面积智能化遥感测量，相比传统人工识别方式，大幅减少人力成本和时间，提升测量精度与可靠性。"天-空-地"一体化调查网络构建山东省推进"天—空—地"一体化调查网络建设，"天"为卫星遥感，"空"为无人机测量，"地"为地面人工实地调查，在人工智能模型加持下，实现对农作物种植地块的全方位、高精度监测。普查对象与范围扩展此次遥感测量覆盖全国31个省（自治区、直辖市）的所有农作物种植地块，对象包括稻谷、小麦、玉米、大豆等主要粮食作物，棉花、油菜、花生、甘蔗等大宗经济作物及各类农业设施。农业普查与精准农业监测自然资源与生态环境监测

土地利用动态监测AI技术通过自动化识别遥感影像中的地物类型，实现对耕地、林地、建设用地等土地利用类型的动态监测，分类准确率超90%，大幅替代人工解译，为国土利用动态全覆盖遥感监测提供有力支撑。森林资源与碳汇评估融合激光雷达点云与AI技术，可自动精细分类森林植被，提升生物量估算精度，助力碳汇能力评估。如Carbon3D模型通过激光雷达点云三维重建森林生物量，为气候变化研究提供数据支持。河湖生态与水文监测AI赋能多源遥感大数据时空融合技术，构建覆盖全球河湖的高精度、高时空分辨率遥感监测体系，实现对湖泊水域面积动态、河流水位变异性等的精准解析，服务于水资源精细化管理与水环境保护。生态破坏与灾害预警AI结合遥感与铁塔视频等数据，能够主动识别森林火情、滑坡、地面沉降等生态破坏和地质灾害风险，推动治理从“被动应对”转向“主动防控”，为生态修复与灾害应急提供决策支持。城市规划与实景三维建设

AI驱动“空天地”一体化感知AI结合卫星遥感、无人机航拍、地面传感器等多源数据，构建“天-空-地”一体化调查网络，为城市级、部件级实景三维模型快速构建提供统一时空基底，支撑数字孪生城市建设。

厘米级精度三维建模技术融合LiDAR点云与AI技术，实现自动精细分类（如区分车辆、植被、管线等），提升数字表面模型（DSM）和数字高程模型（DEM）生成效率。例如，深圳南山区CBD建模，生成LOD3级模型，立面纹理还原度94.7%，楼间距误差≤8cm。

多源数据融合与智能分析AI技术整合光学影像、LiDAR点云、多光谱、热红外等多源数据，进行智能分析与协同建模。如水利部三峡库区监测中，多光谱AI分析水体反射率，热红外识别渗漏点，水深测量精度达±5cm，较单源提升40%。

城市规划决策支持AI赋能GIS实现空间数据趋势预测、决策支持与智能分析，自动识别违法建设、辅助生态控制线划定、交通线路设计、土地资源合理利用以及人口容量科学估算等，提高城市规划科学性。灾害监测与应急响应

AI驱动的快速灾害识别传统人工图斑识别灾区范围需72小时，AI结合遥感技术可在6小时内自动识别，精度达92%，为地震等灾害救援争取宝贵时间。

多源数据融合的灾害评估融合SAR、光学遥感、LiDAR等多源数据，AI技术能精准评估灾害损失。如洪水监测中，华为云Pangu-Weather模型扩展版输入SAR+光学数据，输出淹没范围响应时间<30分钟。

智能预警与风险防控AI结合遥感与铁塔视频，实现滑坡、地面沉降、森林火情等风险的主动识别与预警，推动灾害治理从“被动应对”转向“主动防控”，提升防灾减灾能力。

应急响应资源调度优化基于AI对灾害影响范围、人口分布等数据的分析，可智能优化应急救援资源调度，提高救援效率。如在甘肃滑坡监测项目中，AI自动匹配每月三维模型，成功预警2次小型滑坡，信息传递效率较二维图纸提升60%。水利与水文动态监测

01AI赋能河湖高精度监测体系清华大学龙笛教授团队融合AI、多源遥感大数据与高性能计算技术，构建覆盖全球河湖的高精度、高时空分辨率遥感监测体系，克服了水文观测高时空分辨率难以兼得的制约，解决了复杂气候地形下的水位信号提取难题。

02多源遥感时空融合技术突破从像元解耦合的基本原理出发，构建兼顾强拟合能力与强先验信息的多源遥感时空融合完备体系与框架，实现迄今为止覆盖范围最广、时空分辨率最高、连续性最强的全球河湖动态监测，精准解析陆地水体的季节性波动规律及极端水文变异特征。

03复杂河道水位信号提取技术创新聚焦复杂河道环境下的雷达波形特征，研发新型波形重定算法，通过噪声精细化过滤、自适应多峰定位以及基于时空约束的异常值筛除机制，有效解决了复杂气候地形下的水位信号提取难题，为水利水电工程安全建设与稳定运行提供科学依据。

04“天–空–地”一体化智能感知体系构建AI赋能多源遥感大数据时空融合技术具备可扩展性，可进一步推广至水文动态全要素的高分辨率监测，推动构建“天–空–地–水–工”一体化的智能感知体系，服务于国家水网建设目标，为极端水文事件应对与水资源精细化管理提供科技支撑。技术挑战与解决方案06数据标注与样本库建设遥感数据标注的技术挑战传统人工标注耗时费力，成本高、周期长，难以满足快速提取需求。数据标注成本仍占模型开发预算的45%，需探索无监督或半监督新范式。大规模遥感样本库构建实践2022年，武汉大学发布了全球首个遥感影像智能解译专用深度学习框架LuoJiaNET和样本库LuoJiaSET。OpenEarthMap等开源项目已积累200万标注样本数据集。样本库建设的关键技术方向建立时序数据标准化平台，降低80%的数据处理门槛。采用“大模型微调+小样本学习”方法定制垂类模型，减少对大规模标注样本的依赖。跨区域泛化挑战当前AI模型在处理不同地理区域遥感数据时，常因地形、气候、植被等差异导致性能下降，跨区域泛化能力有限。跨模态适配难点多源异构遥感数据（光学、SAR、高光谱、LiDAR等）存在数据分布差异，模型在不同模态数据间的适配性有待提升。动态域适应技术动态域适应（DynamicDomainAdaptation）技术通过学习不同域间的映射关系，有效缓解数据分布差异，提升模型在新区域、新模态数据上的表现。物理模型约束融合将大气辐射校正等物理模型嵌入网络，使AI模型学习物理规律，增强对复杂环境的适应能力，如NASA的PhysGNN模型将气溶胶反演误差降低40%。模型泛化能力与跨域适配计算资源与效率优化

智能硬件加速技术NVIDIAJetsonOrin太空级模块、特斯拉Dojo芯片等硬件应用于星上实时AI推理，如SpaceX星链卫星搭载Smallsat-LLM实现云检测实时下传，中国"珞珈三号"智能卫星在轨目标检测延迟<1秒。

推理优化与能效提升通过算法创新与硬件变革，推理成本持续下降，能效比不断提升，使在资源受限的边缘端部署高性能模型成为可能，是AI普惠的关键前提。

开源编译器生态与算力普惠以智源FlagOS为代表的平台，致力于构建软硬解耦、开放普惠的AI算力底座，繁荣的算子语言与趋于收敛的编译器技术降低了开发门槛，打破算力垄断与供应风险。

轻量化模型与边缘计算轻量化模型（如MobileNetV3）结合注意力机制主导轻量级设备应用，模型参数剪枝可降低50%参数规模，结合边缘计算平台与边缘AI框架，实现遥感AI在资源受限环境下的高效部署。可解释性与可信度提升知识图谱与深度学习协同范式通过耦合知识图谱与深度学习，构建第三代遥感智能解译范式，利用地学先验知识提高模型可解释性，实现知识推理与数据学习的联合。注意力机制可视化分析采用注意力热力图与地物光谱特征关联分析，动态展示模型决策过程，如道路识别中聚焦阴影、纹理等关键特征，降低错误率23%。物理驱动的AI模型优化在损失函数中嵌入辐射传输方程（RTM），神经网络参数与大气参数联合优化，如NASAPhysGNN模型将气溶胶反演误差降低40%。可解释语义分割技术开发知识图谱引导的场景图生成技术，实现像素级语义标注与地理空间结构关联，如建筑物边缘提取精度达98%，并提供特征贡献度量化分析。未来发展方向与趋势07星上智能与边缘计算

星上实时AI推理硬件平台NVIDIAJetsonOrin太空级模块、特斯拉Dojo芯片等硬件支持星上智能处理，如SpaceX星链卫星搭载Smallsat-LLM实现云检测实时下传，中国"珞珈三号"智能卫星在轨目标检测延迟<1秒。

边缘计算在无人机摄影测量中的应用大疆M350搭载AI边缘计算模块，在杭州亚运村道路测绘中实时识别光照突变影像，自动标记并重飞，返工率下降72%，提升数据采集效率与质量。

端边云协同推理架构构建"卫星-无人机-地面终端"端边云协同推理网络，实现遥感数据的分布式智能处理，降低数据传输带宽压力，提升响应速度，为实时灾害监测等场景提供技术支撑。

星间AI模型增量更新技术采用联邦学习架构实现星间AI模型增量更新，在保障数据安全的同时，持续优化模型性能，适应不同区域、不同传感器的数据特性，提升遥感智能解译的泛化能力。多智能体协同与数字孪生多智能体协同监测网络通过100+颗CubeSat组成动态推理网络，如PlanetLa