遥感影像大数据的分析与应用混合式教学研究

王跃宾 臧宁

摘 要 遥感影像大数据的分析与应用是一门培养高质量遥感相关专业硕士研究生人才的课程，旨在培养学生的实际建模能力和团队协作能力。根据该课程特点和教学目标，本文提出了线上线下相结合的混合式教学模式，基于混合式教学的分析，详细阐述了遥感影像大数据的分析与应用课程的教学开展形式和内容设置，并提出了拟解决的关键问题，在疫情期间，进一步验证了混合式教学的合理性和有效性。

关键词 高等学校 遥感影像大数据 分析与应用 混合式教学

中图分类号：G424                                 文献标识码：A  DOI：10.16400/j.cnki.kjdk.2021.12.042

Abstract The analysis and application of remote sensing image big data is a course for cultivating high-quality graduate students in remote sensing related majors. It aims to train practical modeling ability and teamwork ability. According to the characteristics of the course and teaching goals， bleeding teaching combining online and offline is proposed. Base on the analysis of blending teaching， this paper illustrates the teaching form and content setting of the course of the analysis and application of remote sensing image big data and puts forward the key issues to be solved. During the epidemic， the rationality and effectiveness of blending teaching was further verified.

Keyword colleges and universities; remote sensing image big data; analysis and application; bleeding teaching

遙感影像大数据的分析与应用课程以学生的研究方向和科研兴趣为导向，是一门理论与实践相结合的课程，通过该课程的学习，使学生掌握遥感影像中的模式识别、深度学习、分类器、特征提取与选择等内容的基本概念、基本原理、基本分析方法，使之具有初步设计、实现模式识别的算法的能力，从而为学生进一步从事该方向的学习与研究工作打下基础。因此，如何更好的开设该课程，实现线上线下相结合的混合式教学模式，需要相关的专业课教师深入研究并付诸实践。

1 遥感影像大数据的分析与应用及课程内容设计

1.1 遥感影像大数据的分析与应用的背景

随着遥感技术的迅猛发展，遥感数据在空间、时间、光谱和辐射等方面的分辨率都越来越高，[1]成像方式的多样化以及遥感数据获取能力的增强，导致数据类型也比以往更加丰富，数据量也越来越大，遥感数据也已经具备了明显的大数据特征，如大容量、多类型、难辨识、多尺度、价值大等，这种种迹象都表明了属于遥感影像大数据的时代已经到来。[2，3]目前，深度学习算法和神经网络模型已被广泛迁移到遥感影像大数据分析中，并在影像分类、目标检测、影像分割和影像检索等诸多方面都有着广泛应用，彰显了深度学习在遥感领域中的巨大优势和应用潜力。[4]基于此，探讨遥感数据特点并开发适用于遥感大数据信息挖掘特点的深度学习模型是十分必要的。

1.2 遥感影像大数据的分析与应用的性质

遥感影像大数据的分析与应用课程综合了多个学科的相关知识，它不仅涉及了模式识别、特征提取与选择等内容中许多复杂的理论和模型算法，而且还涉及了相关模型算法的实际应用，这就要求参与此课程的学生将理论与实践结合起来。遥感影像大数据的分析与应用以使用深度学习方法对遥感图像处理为出发点，以期尽可能激发起硕士研究生对于遥感影像大数据和深度学习等方面的兴趣，打开他们的思维限制，使之对研究方向有更多的自我想法和突破，从而为学生进一步从事该方向的学习与研究工作打下基础。

1.3 遥感影像大数据的分析与应用课程的基本内容设计

遥感影像大数据的分析与应用课程主要从高分辨率遥感、高光谱遥感、模式识别、线性分类器、特征提取与选择等五个方向进行系统性介绍，高分辨率遥感和高光谱遥感主要围绕影像检索、目标识别、影像分类等方向进行研究，正是由于深度学习的协助，遥感影像通过特征提取和特征分析，进而借助于影像检索、目标探测和影像分类为高分遥感影像和高光谱遥感影像识别服务。

2 混合式教学的特色及工作开展

2.1 混合式教学的特色

2.1.1 必要性

遥感大数据时代的信息提取与分析是以数据驱动下的信息分析模型为主要特征，[4]深度学习模型的构建是将深度学习成功应用到遥感领域的核心任务之一，所以本门课程针对硕士研究生在内的科研人员，探讨遥感数据特点，开发适用于遥感大数据信息挖掘特点的深度学习网络模型是十分必要的。

2.1.2 创新性

一方面，教学研究内容与时俱进，遥感影像大数据分析与应用综合了多个学科的相关知识，在当前大数据、跨学科交叉背景之下，研究探讨相关教学知识。同时，探讨混合式教学的可能性，线上、线下两种课程模式各有优缺。线上模式形式灵活，内容丰富，但是一定程度上缺乏实时的交互。线下模式教学效果好，便于师生交流，但是教学条件严格，一定程度上会有所限制。所以线上和线下教学可以相互补充，完善教学方法体系。

2.1.3 充分性

混合式教学研究内容丰富，遥感影像大数据的分析与应用课程线上教学模式的建立主要以超星尔雅、钉钉、腾讯会议、哔哩哔哩等软件和网站作为授课平台，以实时直播、录制课程视频、网上实时讨论等方式作为主要线上授课方式，内容包括模式识别的最新知识和遥感领域的前沿进展等。遥感影像大数据的分析与应用课程线下教学模式在教学场地上以基本教室为主，可以完成课程知识讲述，学生汇报等课程环節，对于需要动手操作、编程实现的课程环节可以在实验室中完成。

2.2 混合式教学的工作开展

遥感影像大数据的分析与应用课程计划采用线上线下混合教学（Online-Merge-Offline， OMO）的模式进行授课。OMO模式就是将线上网络化学习与传统面授学习相结合起来，线上侧重实践，线下侧重理论，线上赋能线下，二者优势互补。[5]但是请注意的是，OMO并不是线上线下简单的互相叠加，而是那种我中有你、你中有我的几何化放大教与学效果的学习方式。在2020年新冠肺炎疫情中，OMO模式得到了充分的检验，相关线上平台得到了丰富和完善，这为本课程开展线上线下混合教学提供了客观条件。

从这门课的角度来说，OMO也非常贴合本课程的需要。教师通过PPT进行相关知识和理论的讲解，学生在线上学习且可以反复观看视频。在线下课程上，学生可以将自己对模型算法的实现方法进行展示，且能与老师面对面交流解决疑问。本课程理论模型大都必须凭借计算机才能得到具体的实现，这对于课堂的硬件水平提出了较高的要求，线上线下混合教学能够能更加简便高效地实现这一目的。这样的教学方式既传授了理论又兼顾了应用，尽可能落实了本课程名中的“分析与应用”几字的含义。

3 课程开设形式和内容设置

3.1 课程开设形式

3.1.1 建立遥感影像大数据的分析与应用课程的线上教学模式

随着网络技术发展、各类实时互动软件及视频网站的广泛普及，建立线上教学模式的客观条件已经基本成熟。线上教学模式有如下优点：1）线上课程比较灵活，不受时间及地点的限制;2）视频课程支持随时暂停、反复观看，有利于学生课后复习、加深理解;3）探索线上教学模式有利于高效完成疫情、地震、极端天气等特殊时期的教学要求，线上教学模式在特殊时期可以有效的保障学生安全且高质量的完成基本课业。综上所述，探索建立线上教学模式是很有必要的。

目前，课程线上教学模式的建立主要以超星尔雅、钉钉、腾讯会议、哔哩哔哩等软件和网站作为授课平台，以实时直播、录制课程视频、网上实时讨论等方式作为主要线上授课方式。遥感影像大数据的分析与应用课程总学时安排为32学时，线上教学部分为24学时。线上授课具体教学内容如下：背景知识介绍（4学时）、高分辨率遥感（4学时）、高光谱遥感（4学时）、模式识别概述（4学时）、线性分类器（4学时）、特征提取与选择（4学时）。

3.1.2 建立遥感影像大数据的分析与应用线下教学模式

在当下，线下教学模式即传统的面授式课堂仍然是主流的教学方式，拥有不可替代的优势。线下教学模式有如下优点：（1）师生之间交互性强，教学效果直观，教学效果好;（2）线下教学模式课堂氛围浓厚，学生听课纪律性、严肃性有保障;（3）针对一些细致深入的问题，采用传统授课方式更容易及时得到学生反馈，从而针对性的讲解，便于学生理解，提高教学质量;（4）布置一些问题面对面自由讨论，一方面激发学生的探究和合作精神，另一方面促进学生交流能力和展示自我能力的提升。遥感影像大数据的分析与应用的线下教学模式在教学场地上以基本教室为主，可以完成课程知识讲述，学生汇报等课程环节，对于需要动手操作、编程实现的课程环节可以在实验室中完成。遥感影像大数据的分析与应用课程总学时安排为32学时，线下教学部分为8学时。线下教学模式具体教学内容如下：前沿工作探讨（4学时）、学生汇报（4学时）。

3.1.3 线上线下教学相互补充

线上、线下两种课程模式各有优缺。线上模式形式灵活，内容丰富，但是一定程度上缺乏实时的交互。线下模式教学效果好，便于师生交流，但是教学条件严格，一定程度上会有所限制。所以线上和线下教学可以相互补充，完善教学体系。[6，7]主要有以下三点：（1）在教学内容上：线上教学以基础授课为主，线下完成关键性问题讲解和交流答疑。（2）在学生合作、讨论方面：线上教学主要以学生自主交流为主，线下完成小组的合作汇报。增强学生自主学习的能力并检验学习成果。（3）最终的成绩评定方面：最终成绩应由线上教学的课程完成情况、上课出勤情况和线下的结课论文、汇报情况综合评定。

3.2 课程内容设置

如表1所示，遥感影像大数据的分析与应用课程总学时32学时，其中线上教学为24学时，线下教学为8学时。线上教学模块承担了基本的课业内容，本课程一个重要的内容就是通过深度学习方法对遥感图像进行处理，首先利用前12个学时（背景知识介绍、高分辨率遥感、高光谱遥感）对于人工智能、深度学习、高分辨率遥感以及高光谱遥感相关基础知识及应用加以介绍。计算机视觉与图像处理是遥感图像处理领域与其他众多领域的研究热点，近年来各种基于深度学习的遥感图像处理算法被提出。模式识别概述、线性分类器与特征提取与选择三个部分共12学时，主要围绕图像处理中的分类与聚类任务展开，特征提取的好坏以及分类器的选择都极大的影响了分类与聚类任务结果。通过线上24学时的教学，首先学生应能初步了解深度学习以及遥感影像的基本知识，再者学生通过对模式识别、线性分类器以及特征提取及选择的学习，应能了解模式识别概念、分类与聚类任务以及常用的分类器和优化算法。最后，通过线上教学模块的教学，学生应能对遥感数据特征以及遥感数据的分类及聚类算法有所掌握，并能有效运用到未来的相关研究中去。

线下教学承担了前沿工作探讨和学生汇报工作，授课教师首先对相关研究领域近几年的研究工作加以介绍，主要以基于深度学习的遥感图像处理为主，涵盖图像分割、目标检测、场景分类以及图像聚类等内容;其次，课题组部分成员对他们的研究工作进行汇报，汇报内容主要包括研究内容背景、研究的方法理论、实验数据、实验设计以及实验分析等内容，比较完整的展示了一项研究任务的基本框架，最后教师和学生对相关领域的未来方向进行探讨。汇报要求学生分组对相关领域的研究进展进行综述，一方面研究综述能够快速的让学生了解相关领域的研究现状与发展，另一方面也有利于学生汇报和交流能力的提升。

4 总结

遥感大数据时代的信息提取与分析是以数据驱动下的信息分析模型为主要特征，深度学习网络模型的构建是将深度学习成功应用到遥感领域的核心任务之一，所以本门课程针对硕士研究生在内的科研人员，探讨遥感数据特点，充分发掘线上教学和线下教学的优势，并将这两者的优势应用到研究生的教学中，结合当前社会需求，进一步丰富线上教学和线下教学的教学内容。本文详细阐述了该课程线上教学和线下教学相结合的开展形式，并根据该形式对授课内容进行了细致规划。在疫情期间，进一步验证了混合式教学的合理性和有效性。

基金项目：中国地质大学（北京）2021年度研究生教改建设资助项目（2021YJSJG-2）

參考文献

[1] 杭仁龙. 遥感数据分析中的特征表示方法研究[D].南京信息工程大学，2017.

[2] 朱建章，石强，陈凤娥，等.遥感大数据研究现状与发展趋势[J].中国图象图形学报，2016，21（11）：1425-1439.

[3] 张成业，李军，袁德宝，孙文彬，陈伟.人工智能与大数据时代的《遥感数字图像处理》教学内容改革探讨[J].北京测绘，2020，34（06）：876-880.

[4] 张兵.遥感大数据时代与智能信息提取[J].武汉大学学报（信息科学版），2018，43（12）：1861-1871.

[5] 冯晓英，吴怡君，庞晓阳，等.混合式教学改革：教师准备好了吗——教师混合式教学改革发展框架及准备度研究[J].中国电化教育，2021（01）：110-117.

[6] 熊玲.遥感数字图像处理系列教材线上线下混合教学适应性研究[J].城市地理，2017（14）：224.

[7] 王海江，吕新，冶军，等.农业资源遥感课程混合式教学模式的探索研究[J].教育教学论坛，2020（13）：301-302.