地球系统科学需要全面、宏观、及时的信息保障。翱翔太空的数百颗遥感卫星就是地球数据采集器，不断为人类提供着超高维度和超高频次的地球观测科学数据。

数据驱动型的知识发现首先强调的就是海量数据获取的便捷性。当今地球系统科学研究中涉及的大气、海洋、陆地、生态等要素的大尺度观测几乎都离不开遥感技术，多谱段、多尺度、多角度、多时相的遥感数据结合机器学习手段，使得遥感信息提取技术从统计模型、物理模型逐渐进入到数据模型阶段，也就是遥感大数据时代。

大数据时代，大量的传感器遍布世界各地，让数据采集更加便捷;数据存储、云计算、高性能计算技术的突飞猛进，为海量数据的存储、处理提供了“安身之所”和“用武之地”;智能遥感卫星系统的发展更是将数据获取和信息提取紧密地融为一体。

深度学习是机器学习的一种，都属于人工智能技术，为这些海量数据的信息提取和分析提供了无以伦比的工具，它含有超多隐层感知器，开启了人类认知的全新方式。

机器学习与人工智能技术的突破，为这些海量数据的信息提取和分析提供了强大工具。

不是人为设定特征和模式，而是基于大量的已知数据，通过计算得出之前未知的知识和规律。深度学习能够自动地学习特征，并对特征逐层抽象提取，这都大大超出人类有限的‘总结’、‘归纳’出的特征数量，进而帮助人类发现隐匿着的规律和知识。

以传说中的“比萨斜塔铁球试验”为例进行了形象地描述，“这是一个通过有意识有计划的物理实验发现了不同重量铁球的自由落体现象，研究者进一步就可以推导出物体运动公式和规律，这是一个经典的实验归纳的科学发现范式。假如我们有许多遍布全球的数据采集器，记录下了每一个物体自由落体过程的各种数据，通过机器学习方式同样能够直接做出准确的轨迹预测。

当前，遥感数据也面临着不同类型和结构的数据整合、海量数据的高效能计算、智能算法的遥感适用性、数据准确性与结果验证等一系列挑战。

相对常规图片数据，遥感图像数据由于其产生方式、获取条件和应用等方面特征具有明显的独特性，使得现有基于数码照片设计的深度学习算法仍旧无法深入挖掘遥感图像蕴含的相关信息;此外，遥感图像观测尺度大、场景复杂，现有网络模型对遥感图像的理解和特征提取还存在明显不足。