随着遥感成像方式多样化以及数据获取能力不断增强,遥感数据已经呈现出多源化和海量化的特征,遥感传感器的空间分辨率、光谱分辨率、时间分辨率也在不断提升,遥感大数据时代已经到来。遥感大数据使得长时间、大空间、高精度的对地观测研究成为可能,也对传统遥感数据处理方法提出新挑战。海量遥感数据处理往往需要耗费大量时间和人力物力,传统数据处理方法已经无法满足遥感大数据的分析应用需求。在一般应用场景下,遥感影像处理涉及到多个步骤,如常见的数据预处理、地图代数计算和机器学习分类等,这些算法特点不同,计算方式各异,导致在遥感大数据时代所面临的问题差别很大。因此,在遥感大数据实际应用过程中,需要充分考虑不同计算步骤下的算法特征,根据不同类型算法所面临的效率问题,提出综合性遥感大数据计算方法,解决实际应用中所面临的问题。本文以荒漠化信息提取作为遥感大数据典型应用场景,分析影像预处理、地图代数计算和机器学习分类三个步骤所面临的大数据计算问题,提出影像、瓦片、像元三种粒度的分布式计算方法,提高遥感影像分布式计算效率,在充分考虑遥感影像数据空间特征和深入分析大数据相关研究的基础上,对不同限制条件下改善大数据计算效率的方法开展研究,具体研究内容和结论如下:(1)在遥感影像的预处理阶段,针对历史遥感算法难以支持主流大数据计算框架,重新开发实现并行化困难、移植性差、无法满足海量遥感数据快速处理等问题,本文提出使用Docker容器技术封装和运行遥感算法镜像,根据遥感算法特征设定镜像管理与分发策略,基于Kubernetes集群容器管理引擎将封装后的算法程序分布式部署和运行,实现以影像为最小计算粒度的分布式处理,提高历史遥感算法程序的计算效率。在实验部分,封装了大气校正程序,在不同计算节点数量和集群并行度条件下开展实验,研究表明扩展节点能够极大提高计算集群计算效率,选择合适程序运行并行度,也能够有效提高分布式计算效率。(2)对于地图代数计算而言,数据本地化率是影响分布式计算效率的主要因素之一,因此对其存储优化能够有效提高计算效率。为了解决遥感影像分布式存储时未充分考虑其空间特征,从而引发临近数据被切分存储在不同节点,导致涉及临近信息计算时数据本地化率低问题。本文在研究分析不同数据切分方法以及空间索引技术的基础上,提出一种瓦片数据分配策略,充分考虑遥感数据空间、维度以及集群资源特征,确保空间临近瓦片存储到物理位置相近的节点,降低计算时的数据迁移成本,同时完善数据冗余存储策略,提高涉及临近信息分布式计算的算法效率。在实验中,比较不同节点数量和数据量下优化数据分配后的效率提升,结果表明节点数量和数据量越多,优化数据分配后的临近计算效率会越高,证实优化数据存储在分布式计算中对计算效率提升所起的重要作用。(3)针对分布式遥感影像机器学习算法实现复杂和各种机器学习模型组合应用困难的问题,本文基于Spark框架实现以像元为最小粒度的分布式计算,通过适应Spark MLlib算法库的数据组织要求,最终实现了对于整个分布式机器学习算法库的支持,进而提供了同一平台下多机器学习模型组合应用的能力。通过实验比较了不同节点和不同数据量下的分布式计算效率,结果表明在有限集群资源环境下,数据量增加会导致计算时间猛增,通过增强硬件条件能够有效提高计算效率,降低数据量对于计算耗时的影响。(4)将本文提出的遥感大数据计算方法应用到荒漠化信息提取具体实践中,实现了大数据技术支撑下的荒漠化信息快速提取,最终完成了蒙古国西北部区域的荒漠化信息提取。