杨元喜院士：泛在感知与航天测绘

摘要：泛在感知是智慧地球、智慧城市建设的基础。本文将泛在感知分为主动感知和被动感知, 并分析了两类感知信息的特点, 前者具有时空基准, 并具有规则性、精确性和可靠性, 后者通常不具备时间和空间基准支持, 且数据零散、杂乱、不精确; 论述了泛在感知时空基准的重要性, 进而讨论了泛在感知与航天测绘的关系, 并梳理了泛在感知与航天测绘融合的关键技术。

关键词：泛在感知    时空基准    航天测绘    数据融合    知识挖掘    

引 言

智慧地球、智慧城市、智慧生活等都需要实时的、泛在的感知信息的支持。泛在感知有两层意思，一是泛在的观测信息，二是泛在的网络信息。而泛在网络和泛在计算必须基于实实在在的感知信息。进一步，泛在网络信息本身也是重要的信息源，泛在网络也支撑泛在感知信息的统计、挖掘、计算和应用。泛在信息包括无所不在的感知网络所衍生出的泛在信息获取、信息互联、信息识别、信息处理及信息应用等。泛在信息的前提是泛在感知。

泛在感知是信息化、数字化和智能化社会建设的基础。没有泛在感知信息支撑的信息化，只能是固化的基础信息；没有泛在感知信息支撑的地球，不可能称之为智慧地球；没有泛在感知支撑的城市，不可能称之为智慧城市。

泛在感知也是大数据的重要信息源。大数据首先要有海量数据的支持，而且大数据所依据的数据往往不是规则数据，大数据依赖的正是这些泛在网络数据和泛在感知数据。大数据所具备的4V特性，即数据量大(volume)、变化速度快(velocity)、数据样式多(variety)和数据价值密度低(value)，其特性与泛在感知和泛在传感网络数据的基本特征一致。

显然，泛在感知数据支撑大数据技术，即大数据将无所不在的感知数据进行存储、分类、计算、分析，并进行规律挖掘和提炼，为决策提供数据支持。在大数据框架下，遥感大数据处理与分析得到业界关注。其实，遥感数据本身也是泛在感知数据的重要组成部分。

在智能社会建设和泛在网络信息框架下，泛在感知网在灾害监测、太空探测、海洋探测及赛博空间探测等方面都发挥重要作用，于是诞生了泛在测绘(ubiquitous mapping)的概念。泛在测绘是指用户可以在任何地方、任何时间进行测量与制图，用以解决和理解空间问题。泛在测绘的显著特点是任何用户、任何时间、任何地点都可以生成地图、理解地图和使用地图。这类地图与通常的二维地图不同，泛在感知生成的地图通常为实景三维地图。显然，泛在测绘不仅包含各类测量传感技术，还必须包含信息技术和感知信息的快速网络传输技术。从泛在测绘的定义不难理解，泛在测绘包含了真实世界、真实图景、实际用户和信息技术。有学者讨论了智能社会与泛在测绘的关系，进而探讨了环境感知与智能定位、导航和定时的关系。其实，泛在感知比泛在测绘范围更广，前者包括虚拟空间的感知信息。从泛在感知到泛在测绘，都需要精确的空间位置和空间背景。航天测绘不仅可以提供高精度的空间位置，而且大区域测绘具有极强的背景几何信息和物理信息，可以将单一、甚至零散的点状泛在感知信息与航天测绘信息较好地融合在一起，充分发挥泛在感知的整体价值。本文侧重描述泛在感知与时空基准、航天测绘的关系，进一步梳理出未来测绘感知与智能服务可能的发展方向。

1 泛在感知的分类

泛在感知的核心是无处不在的感知和无时不在的感知。前者是感知的范围，即空间域，决定了感知的空间分辨率和精度；后者是感知的时刻，即时间域，决定了感知的时间分辨率和精度。泛在感知可以是物理感知、化学感知、生物感知等。泛在感知信息可以分为主动感知信息和被动感知信息，其分类标准与传统遥感主、被动感知略有不同。在航空、航天摄影测量领域，光学摄影都属于被动感知，微波或激光遥感属于主动感知。

但是从信息被利用层面，定义主动感知信息为：通过布设规则有序的传感器实施的各类感知信息；被动感知信息定义为：无意暴露在各类传感器感知范围内的各类活动信息，尤其是非主观暴露的信息被泛化应用的感知信息。

1.1 主动感知信息

主动感知信息包括空、天、地不同观测类的感知信息，其中，天基信息探测包括天绘系列卫星、资源系列卫星、高分系列卫星，以及气象监测卫星、海洋监测卫星、环境监测卫星等；空基信息探测包括对地观测和对海观测，如航空摄影测量、航空重力测量，以及各类无人机监测等观测的信息；地基信息探测和监测包括陆地、水面和水下目标等，如2000GPS大地控制网、GNSS地壳性变监测网、地震监测网、水面水下观测网以及各类路况、楼道、地铁、机场等场景监测信息等。

主动感知信息的另一类属于贴身传感器信息，如车载感知终端、智能手机、智能电子手表、动态血压监测设备和各类智能穿戴设备等检测信息。这些贴身感知传感器信息有的提供视频或音频，有的还提供位置、时间、生命体征等，利用车载探地雷达可识别城市道路地下空间重要典型目标(如电缆、雨水井等)^[31]，贴身感知信息本来属于主动感知信息，但是，这些主动感知信息一旦融入公共互联网，则在信息层面又变成了被动感知信息，或称为主动被感知信息。

主动感知信息通常是科学研究、科学决策、环境监测、灾害监测预警、抢险救灾、环境治理、地理测绘等的重要信息来源。主动感知信息的特点是规则性强、精确性高、可靠性好，且具有相对可信的时间和空间信息，其信息本身的不确定度相对较小。

1.2 被动感知信息

被动感知信息包括路边摄像头获取的各类视频信息、图像信息及各类移动感知网络信息，有线和无线通信网络的音频信息、文字信息、电话号码信息，互联网的电子邮件信息和各类平台的视频、音频和文字信息等虚拟空间信息。被动感知信息还包括主动感知信息被泛化使用的信息，如贴身感知信息、个人车载感知信息(如特斯拉电动车就是泛在感知载体之一)和家庭监控信息等。一旦被接入互联网，这些主动感知信息就可能被泛化利用，也可能被大数据挖掘，相对个人而言，这类主动感知信息就成为被动感知信息。

被动感知信息往往是大数据挖掘的基础，是商业活动、产业转型决策，甚至疫情分析、政府决策，以及战场信息挖掘等的基础。泛在被动感知信息的主要特点是感知信息规则性往往较差，尤其是泛在网络信息的单一信息源可靠性更低，且大多数缺少时间标签和空间位置信息。

其实，信息化社会的信息源主要来自泛在感知信息，包括上述主动感知和被动感知信息。

2 泛在感知的时空基准

泛在感知的绝大部分信息都需要时间信息和位置信息。大部分泛在感知信息都是单个点的信息、非规则信息，具有较大不确定性。如果没有时间标签和空间位置信息，各类感知信息之间不会产生任何联系。特别需要强调的是，各类泛在感知信息的简单叠加并不能获得完整的结论或决策信息。欲将零散的、不规则的、缺乏精确度的泛在感知信息形成具有高价值的信息，必须对泛在感知信息进行时间关联和空间关联。泛在感知信息关联的核心是统一的时间基准和统一的空间基准。

泛在感知的时间基准必须统一。事实上，由于大部分泛在感知信息本身并不附带时间标签，因此在不同时间感知的零散信息，本身很难显示任何形式的规律。例如，A、B两个路口摄像头之间如果时间基准不一致，则所记录的同一辆汽车的时差可能与该汽车实际行驶的时间不一致，甚至会出现时间负值，即通过路口B的时间减去通过路口A的时间可能是负值，进而造成信息错乱。此外，同一卫星平台中不同传感器之间需要有统一的时间基准，如遥感平台中，GNSS测量值、星敏感器测量值以及光学相机摄影影像之间若没有统一的时间基准，3类感知数据无法有序集成使用。泛在感知信息具有各自的时间尺度，甚至没有时间标签，若这些信息没有统一的时间尺度，泛在感知信息之间非但不能形成整体，还会出现信息之间的矛盾。

泛在感知的空间基准必须统一。无论是光学感知、微波感知、力学感知、震动感知或无线电感知等，都与特定的空间位置、特定的背景和特定环境实体相关。尽管泛在感知信息本身表征多样、零散和空间无序，但是，只要空间基准相同，相对于同一空间基准，人们就能找出各类泛在感知信息的某种空间分布规律，挖掘出有用的信息。若忽视空间要素，感知信息的表征意义就会混乱；若空间基准不统一，不同的传感器或不同时间感知的同一实体可能出现矛盾。图 1展示的是从不同角度拍摄的某大厦的影像。由图 1可以看出，从不同角度拍摄的该大厦形状不同，甚至差别较大，但是，将这两类影像套合到具有空间位置信息的影像后，位置坐标基本相同，则可以判断这两个图像所描述的特征建筑是同一建筑。

图 1 不同角度拍摄的同一建筑物卫星影像

Fig. 1 Satellite imagery of the same building taken from different angles

又例如，智能手机感知的不同地点但形状相似的物体，如果没有空间信息的支持，则可能被误解为是同一物体，造成信息误判；同样，不同视角对同一物体的感知，如果没有空间位置的支持，也可能被误判为不同的物体，如图 1中红圈中的建筑物。

因此，相同的时间尺度和相同的空间基准是泛在感知信息集成、融合、规律挖掘的基础。在我国北斗卫星定位导航授时服务系统支持下^[34-35]，只要各类泛在感知传感器携载北斗卫星导航终端，各类感知信息就具有精确的时间和空间属性，而且这些信息的空间基准与中国CGCS2000基准一致。如果这些泛在信息在传输过程中附带时间标签和空间位置，则所有泛在感知信息即具备统一的时空基准。

3 泛在感知与航天测绘

航天测绘不仅是泛在感知的重要手段，也是泛在感知的空间基准框架和空间背景支撑框架，可以为泛在感知提供重要空间背景和空间位置。

首先，航天测绘是泛在感知的核心内容。航天测绘的目的是通过卫星测制全球地表信息、地形信息、海面地形、海底地形、全球重力场、磁力场等重要信息。毫无疑问，从泛在感知整体性、连续性方面看，航天测绘无疑是感知信息最全面、整体性最好的感知手段。

其次，航天测绘信息是泛在感知信息的重要背景信息。大多数泛在感知都是个体的感知、点状信息感知，单一的泛在感知信息很难体现信息的价值。而航天测绘通常是针对大区域面状信息，具有极强的背景几何信息，甚至物理属性信息。只有将“点状”感知信息与具有背景的“面状”感知信息进行匹配，才能发挥零散“点状”感知信息的作用，进而展示泛在感知的整体价值。例如，普通智能手机拍摄的单景影像发送到网络上，本身可能没有特别的价值，但是，当手机影像嵌入到具有地理面状背景信息的航天感知影像中，则可以判断单个感知信息本身的属性和相应背景信息之间的关系，并可能揭示出某种特殊的现象；如果众多的单个感知信息展示在航天全球“面状”感知影像中，并与各单点影像背景信息进行关联，就能挖掘出重要的规律和趋势。从这个意义上说，航天测绘不仅是泛在感知的基础，也是“大数据”挖掘的基础。

最后，航天测绘是泛在感知的空间基准框架。航天测绘产品的显著特点是位置信息精确，所有点目标都具有高精度地理经纬度和高程信息。例如高分十四号航天测绘影像的平面精度达到1.8 m(RMS)，高程精度达到0.8 m(RMS)。如果将各类单点泛在感知信息匹配到如此高精度的全球影像上，则任何单点感知信息都可获得米级精度的位置信息。图 2为某立交桥通过手机、无人机和卫星拍摄的影像。

图 2 不同平台获取的影像

Fig. 2 Imagery from different platforms

由图 2的多种影像可以看出，作为泛在感知的手机影像图 2(a)，尽管立交桥脚点照片清晰(图中红圈处护栏的底部)，局部背景也可辨识，但不可量测其三维坐标；而无人机影像(图 2(b))可以判定该立交桥的概略位置，但由于普通无人机拍摄时往往无法获取相应的姿态和位置信息，也很难量测该脚点精确坐标；但是在图 2(c)上，由于航天测绘影像具有精确空间坐标，则很容易量测和计算出该立交桥脚点精确坐标。于是，基于泛在感知多源影像与航天测绘影像的快速匹配，可以实现对同名像点的快速识别、快速量测实现手机影像或无人机影像的快速定位。根据该特征点的定位信息，又可对影像中其他建筑物进行概略定位。

又例如，单个的重力传感器感知的重力标量信息，通常本身并无空间位置信息，但如果将其匹配到具有精确位置支撑的全球卫星地球重力场信息中，就能判定该传感器的位置，这正是重力匹配导航的原理。

综上所述，航天测绘产品可以作为其他泛在感知信息的空间背景框架，实现泛在感知信息的背景关联；同样，航天测绘产品还可以作为其他泛在感知信息可量测、可定位的重要支撑，即作为其他泛在感知信息的空间基准框架。泛在感知信息只有与航天测绘产品进行融合或匹配才能确定泛在感知空间规律，甄别泛在感知信息价值；另一方面，泛在感知也可以丰富和更新航天测绘的细部信息，提高航天测绘产品的时间分辨率和空间分辨率。

4 泛在感知与航天测绘融合的关键技术

(1) 泛在感知数据挖掘的时空基准赋能。零散的、无序的，甚至无源头的泛在感知数据如何才能在时间轴和空间轴进行对标定位，是泛在感知首要解决的核心问题，否则，泛在感知数据的价值将大打折扣。泛在感知信息的空间位置标定相对容易，一般通过几何形状和属性与具有精确位置的测绘地理信息相应特征点匹配即可确定该目标的空间位置；泛在感知信息的时间测定往往相对困难，可以通过感知传感器本身的时钟为感知信息打上时间戳，对于网络实时感知信息可以通过网络授时体系为网络信息打上时间戳，无线电感知信息也可以通过信息传输的时间作为时间标签。对于网络非实时感知数据，则可以通过同步感知且有时间标签数据进行时间确定。有了时间和空间位置支持的泛在感知信息不仅可以分析其空间分布，而且可以分析动态变化。

(2) 泛在感知信息高精度匹配。泛在感知信息绝大多数都属于非合作目标的信息，且几乎都属于非规则信息，属性信息也具有较大不确定性，时间空间信息也有可能缺失。为了确定泛在感知信息相对的空间位置，可与高精度的航空航天影像或地理空间信息进行匹配。航空航天影像信息是主动感知信息，也是时空信息精确已知的规则感知信息。于是需要研究具有高精度外部信息约束的不同源、不同时相的空天地一体的泛在感知匹配方法和匹配算法，以便提高泛在感知信息的可用性和精确性。

(3) 泛在感知数据时间序列分析。在泛在感知信息时空信息支持下，单一事件多个时段的泛在感知信息可以生成单一事件的时间序列，进而发现该事件的动态变化及其速度；如果由泛在感知获得批量事件信息，则可以通过群体信息的时间序列分析群体事件的动态变化，并预测发展趋势。例如，可以通过夜光红外主动感知和被动泛在感知不同时段的变化分析城市范围的拓展；也可以通过航天红外感知某城市夜间灯光的密集度和总体亮度时间变化，分析战争对城市的毁坏程度。显然，泛在感知与高时间分辨率的航天测绘信息匹配，可为泛在感知信息的时间序列分析提供参考。

(4) 泛在感知数据空间分布规律挖掘。泛在感知信息的空间分布反映了感知对象的分布范围、密度、属性等特征，于是，为了合理挖掘泛在感知信息的动态分布规律，必须将感知信息进行统计量化，并以合理的时间维和空间维统计出这些几何分布的基本特性。显然，精确的、高时空分辨率的航天影像信息将发挥不可替代的框架作用。

(5) 泛在感知与机器学习交叉演进。泛在感知信息的价值来自信息的分析、挖掘和利用，而杂乱无章的泛在感知信息的高价值来自数据背景的分析和规律的挖掘。如果采用机器学习方法，则可以有效地挖掘泛在感知信息中的高价值信息，或采用具有先验约束的监督学习法，使得机器学习效能更高、针对性更强。

5 结束语

泛在感知是大数据的重要来源，是数字地球甚至智慧地球信息更新的重要支撑信息。泛在感知分为主动感知和被动感知，主动感知信息往往规则性强，且具有时空标签；被动感知往往杂乱无章，且具有较大的属性不确定性、背景不确定性和时空基准不确定性。天基、空基、海基和地基测绘信息属于主动感知信息，不仅具有规则性强、背景信息清晰的特点，而且具有精确时空基准信息，可以作为泛在感知信息的框架。只有将泛在感知信息与航空航天测绘信息精确匹配，泛在感知的知识挖掘才有可能。要解决泛在感知信息与测绘信息的匹配与融合问题，首先需要解决感知信息的时间标签和空间位置问题，然后需要解决泛在感知信息与全球影像信息或地理空间信息的快速配准难题，进而建立泛在感知信息的时间序列分析或空间统计分析模型和方法，机器学习方法一定会助力泛在感知信息的知识挖掘。

第一作者简介：杨元喜(1956—), 男, 博士, 研究员, 中国科学院院士, 研究方向为测绘科学技术。E-mail: [e-mail]

- END -