2026-08-21 11:09:45 西盟科技资讯
在自然资源“摸家底”、生态监管“查状况”、国土空间“定边界”时，都离不开同一张图——地表覆盖图。它将森林、耕地、水体、建设用地等地表要素逐一归档，把空间分布与演变规律浓缩进网格。长期以来，这张图极度依赖人工在影像上标注，跨区域、跨季节就得返工重训，成本高、周期长。如今高分遥感卫星产出的数据持续激增，传统监督学习标注效率已经无法满足高频次更新的需求。
图 1 地表覆盖制图
在此背景下，SW-LCM(Scalable and Weakly-supervised Land Cover Mapping，可扩展弱监督地表覆盖制图应用)应运而生。该应用将像素的光谱、纹理及时空特征编码为高维向量，依托K-means聚类算法，通过反复计算像素与聚类中心间的欧氏距离实现地表类型划分。这一机制叠加亿级像素的处理规模，对算力、内存带宽及节点间通信均提出了极高性能要求。为此，研发团队结合“灵晟”超算的体系结构特点，从指令集、访存与通信三个维度进行了深度优化：
●向量优化释放算力潜能： 针对K-means中占比最高的高维特征与聚类中心间欧氏距离计算，团队充分利用“灵晟”LX2 CPU支持可扩展向量指令集的特性，相关代码进行向量化重构，显著提升了大规模并行运算效率。
●访存优化突破带宽瓶颈： 面对亿级像素特征矩阵在迭代中的频繁读写，团队优化了数据排布与访问逻辑，使其适配“灵晟”LX2 CPU上的片上内存，通过最大化利用其TB/s级带宽，打破传统DDR内存架构下的“访存墙”，支撑海量数据的高频访存。
●通信优化支撑线性扩展：依托自研“灵启”高速互连网络及通信库，团队对聚类中心更新的AllReduce通信与全局同步进行深度优化，支持集群近线性扩展能力。
为了检验这套系统在真实战场上的表现，团队选用Sentinel-2六波段影像展开实战演练：在典型的弱扩展模式下，每个计算节点固定“承包”一张13568×13568像素的超高分辨率影像，节点规模从1024个一路拉满至全机的22200个，动用的计算核心超过1300万个。结果给出了极具说服力的答卷：随着规模跨越式增长，单步迭代的运行耗时几乎不变;即便在全机22200个节点的极限压力下，并行效率依然稳居93%左右，未见明显性能衰减。这意味着，SW-LCM影像处理在“灵晟”超算上成功实现了越扩越快。
这一性能飞跃，正在重塑地表覆盖制图的作业模式。借助弱监督聚类方法和“灵晟”超算，海量遥感影像中的农田、林地与河流，都能在计算中自动精准归类，为大范围、准实时制图提供了经得起考验的技术底座，推动制图正式从传统的“人工手绘”迈入智能“绘”图的新时代。
