遥感（Remote Sensing）是一种通过分析卫星、航空和无人机影像，以实现土地覆盖、环境监测、地理空间理解和地球观测的核心前沿技术，主要用于解决人类在地球观测时，因地理限制而导致的「宏观视野缺乏与数据获取困难」问题。该架构通过分析卫星、航空和无人机图像（Imagery），在不接触目标的情况下获取地表覆盖（Land cover）与环境信息，无需人工实地踏勘就能实现地理空间理解（Geospatial understanding）的同步闭环。它通常利用卫星、飞机、无人机等平台搭载的光学、雷达、红外、高光谱等传感器，接收目标反射或发射的电磁波，并通过数据分析识别地物、监测环境变化。

遥感最早并不是人工智能领域提出的概念，而是来源于地球科学、测绘和空间信息领域。 20 世纪 50 年代，美国海军研究办公室（U.S. Office of Naval Research, ONR）的地理学家 Evelyn L. Pruitt 提出了「Remote Sensing」这一术语，用于描述通过非接触方式获取地球信息的方法。 Evelyn L. Pruitt 提出的 Remote Sensing 与今天 AI 领域中的「遥感」并没有直接关系。当时人工智能和深度学习尚未发展，遥感主要依赖航空摄影、物理模型、人工解译和传统统计方法进行分析。随着 1972 年 NASA 发射 Landsat-1 等地球观测卫星，遥感逐渐形成现代 Earth Observation（地球观测）体系，成为获取全球环境、资源和地理信息的重要技术。

2012 年卷积神经网络（CNN）在计算机视觉领域取得突破后，AI 开始广泛应用于遥感图像分类、目标检测、语义分割、变化检测等任务。近年来，随着大模型技术兴起，研究进一步发展到遥感基础模型（Remote Sensing Foundation Models）、地球空间人工智能（GeoAI）和多模态地球观测模型等方向。

人工智能遥感领域具有代表性的研究成果包括：2012 年 AlexNet 推动深度学习视觉模型发展，为遥感图像智能分析提供了技术基础；2020 年 Vision Transformer（ViT）将 Transformer 引入视觉任务，推动其在遥感场景中的应用；2023 年 IBM 与 NASA 联合推出 Prithvi 地球观测基础模型，将大规模预训练模型应用于卫星遥感数据分析，成为遥感基础模型的重要代表。相关论文有 Foundation Models for Generalist Geospatial Artificial Intelligence（2023）等。