无人机影像密集匹配点云在违法占地和违法建筑监测中的应用

当前城市违法占地和违法建筑监测大多基于遥感影像开展,无法有效发现建筑物加建、加盖等情况,利用影像密集匹配点云提取建筑物三维变化是“两违”精准监测的有效途径。本文以贵港市“两违”监测工作为例,以无人机影像密集匹配点云为基础数据,通过构建深度神经网络模型自动提取建筑物点云,并检测不同时相建筑物点云的变化,经叠加审批、规划等自然资源管理数据,快速提取出疑似“两违”图斑并开展监测。     

结合地表模型和遥感影像的地表变化监测

针对现有快速发现和准确更新地表变化信息的方法效率低、工作量大等问题,文章结合DSM差分算法和遥感影像变化检测算法,提出了一种三维动态监测方法:DSM差分算法能够监测地物在高度方面的变化,遥感影像解译可以弥补DSM变化图斑的属性信息,并补充DSM技术无法获得的属性变化图斑和面积变化图斑。实验结果表明,所提监测方法能动态监测工业园区的开工率和重点项目建设状态,运用在土地监管实际工作中具有可行性。     

基于遥感+AI技术的沈阳市违法图斑的确定

研究了基于深度学习的自动变化检测等技术,并在沈阳市违法图斑确定项目中进行了深度应用。通过实际的成果分析,确定了该方法可以全方位提升遥感数据的自动化处理、分析能力,实现了影像变化信息的高精度、高效率提取,使目前的土地违法变化高效精准、常态化、低成本监测成为可能。     

深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

基于孪生神经网络的土地利用现状年度变化检测

近年来,利用多期高分遥感影像,构建土地利用现状年度变化检测模型,并以此为基础支持土地利用现状年度变化检测的智能化发展,正是当前研究的难点所在。本文探讨了构建土地利用现状年度变化检测模型存在的问题。通过对土地资数据进行预处理,构建基于孪生神经网络的变化检测模型,以及对模型输出结果进行GIS优化获取目标区域的变化图斑,实现针对土地利用现状变化区域的快速提取。试验结果表明,该方法可快速发现不同时期影像中土地利用现状的变化位置,有效提升了土地利用现状年度变化检测的智能化水平,可服务于日常土地利用现状年度变更检查工作。     

高分辨率遥感影像的深度学习变化检测方法

为提升高分辨率遥感影像的变化检测精度,提出一种利用深度学习的变化检测方法。在预处理的基础上,利用顾及邻域信息的改进变化矢量分析算法和灰度共生矩阵算法获取影像间光谱和纹理变化,并通过设置自适应采样区间提取最可能的变化和未变化区域样本。构建并训练包含标签层的高斯伯努利深度限制玻尔兹曼机模型,以提取变化和未变化区域深层特征,从而有效辨别变化区域。通过WorldView-3与Pléiades-1影像的试验表明本文方法在变化检测精度方面优于对比方法。     

人机协同的自然资源要素智能提取方法

开展自然资源统一调查监测评价,准确掌握我国各类自然资源家底和变化情况,是科学编制国土空间规划,逐步实现山水林田湖草的整体保护、系统修复和综合治理,保障国家生态安全的基础支撑.目前,基于遥感影像的自然资源要素提取,主要依赖人机交互的目视解译与外业逐图斑核查的方法,劳动强度大、生产效率低、人为因素多,已不能适应自然资源全要素、全流程、全覆盖一体化调查监测的新要求.本文顺应人工智能协作方法智能化发展新方向,总结分析了深度学习智能提取研究进展及存在问题,以及人机协同发展新方向研究现状,从分析自然资源要素的特点出发,提出了"智能计算后台+智能引擎+人机交互前台"人机协同智能提取技术框架,阐述了需要攻克的关键技术及解决途径,探讨了人机协同智能提取云平台构建思路,以期为自然要素智能提取提供新一代人工智能方法及思路,提升自然资源要素提取的自动化与智能化水平.     

领域知识优化深度置信网络的遥感变化检测

为提高高分辨率遥感影像变化检测精度,提出一种以领域知识为优化策略的深度学习变化检测方法。利用改进的变化矢量分析和灰度共生矩阵算法获取影像的光谱和纹理变化,设定合理阈值获得变化区域待选样本;引入领域知识中图斑形状特征指数与光谱知识,筛选得到高质量的训练样本;构建并训练了深度置信网络模型,使用优化策略对深度学习变化检测结果进行优化,以减少“椒盐”噪声和伪变化区对检测精度的影响。通过高分二号与IKONOS影像的变化检测实验表明,该方法较优化前准确率与召回率最大增幅分别为7.58%和14.69%（高分二号）、17.08%和23.87%（IKONOS）,虚警率和漏检率最大降幅为30.22%和23.30%（高分二号）、17.08%和23.87%（IKONOS）,能够有效提高变化检测精度。     

方差齐性检验与模糊评价的遥感影像变化检测

针对高分辨率遥感影像地物空间结构复杂、光谱纹理信息丰富的特点,该文提出一种基于Levene检验及模糊评价的遥感影像变化检测方法。首先,对预处理后的两期影像叠置分割得到图斑对象,提取其光谱、纹理等特征;其次,利用改进的Levene检验法统计各图斑变化信息得到候选变化图斑,经IHS变换获取影像色调信息,结合纹理特征进行变化向量分析;最后,通过迭代的方式确定阈值并计算候选图斑的变化隶属度,确定最终变化区域。选取江苏省某地区ZY-3高分辨率遥感影像进行实验,结果表明:改进的Levene检验法很大程度地减少了后续的计算量,提高了变化检测精度,对于相对辐射差异较大的非变化图斑具有良好的容错性;采用色调-纹理特征及模糊评价法可以有效地降低漏检及虚检率,提高变化检测精度。     

“空天地”一体化的自然资源违法行为动态监测研究

为实现自然资源违法行为“更早发现、更快反映以及更快处置”的目标，构建了全要素、全时段以及全覆盖的常态化“空天地”一体化的自然资源违法行为动态监测体系，阐述了卫星遥感监测技术、低空720全景影像监测技术以及巡查填报监测技术三种关键技术，搭建了自然资源违法行为监测系统，实现违法图斑采集、违法图斑展示、违法图斑查询、统计和分析以及监测成果编制等功能，有效提高了自然资源执法监察能力，为推进自然资源治理体系和治理能力现代化提供技术保障。     

陆地卫星遥感监测体系及应用前景

我国陆地卫星的快速发展和人工智能等高新技术的广泛应用为重构卫星遥感监测体系奠定了重要基础。针对我国自然资源保护、国土空间规划实施监督、生态修复及全球变化研究等对土地利用、土地覆盖及其相关地表参数指标动态变化信息的需求,基于当前我国陆地卫星观测能力,设计了全球宏观尺度监测及我国陆域范围季度监测、重点区域月度监测及应急事件即时响应的卫星遥感监测体系框架;针对自然资源卫星遥感监测需求,充分运用大数据、人工智能、云计算等高新技术,本文提出了基于工作流的监测生产线智能流转与可插拔模块调度控制、遥感影像样本知识库构建、复杂场景自然资源变化自动提取、自然资源特定目标自动提取和自然资源变化图斑全生命周期管理等技术解决方案,构建了遥感监测业务化应用技术流程,实现了我国陆域范围自然资源全要素季度监测、重点区域高频次精准监测、特定目标即时监测能力,并在自然资源执法督察和地表水变化等监测中得到应用。     

基于HRNet的高分辨率遥感影像建筑物变化信息提取

建筑物图斑变化检测是遥感影像信息提取的重要内容之一,对于土地调查、自然资源常态化监测、土地执法监测等具有重要意义。岭南地区建设结构复杂,高分辨率遥感影像信息丰富,包含建筑结构细节多种多样,加上成像的季节不同、时间不同等因素导致建筑物变化信息的自动提取十分困难。针对此问题,本文提出了基于HRNet的语义分割模型,通过筛选保留高分辨率的特征层,从而保留更细节的图像信息。此外,结合图像分割二值化对结果进行优化,在一定程度上提高了高分辨率遥感影像建筑物变化自动检测的能力。     

基于高分遥感影像的海口市违法建筑监测

基于WorldView遥感高分辨率影像,对海口市违法建筑进行了变化检测与人工识别.选取两时相遥感影像,通过变化检测发现疑似违法建筑空间分布,最后利用叠加分析与人工解译确定违法建筑物.实验结果表明,变化检测可提供较高位置精度和效率,最终人工判读解译图斑合计误判率仅为0.68％,可作为城市违法建筑监测,是一种高效率、高适普性的违法建筑监测方法.     

面向地理国情监测的变化图斑自动提取方法

地理国情监测是自然资源监测体系中的一项专题监测,主要是监测地表覆盖变化情况,以满足自然资源管理的需要.地理国情监测的首要工作是识别变化信息,仅依靠人工判读识别效率太低.针对地理国情监测的特点,提出基于前期地表覆盖矢量数据的多特征融合面向对象变化检测方法.先利用地表覆盖矢量图斑对预处理后的影像进行多尺度分割,再利用影像强...     

基于深度学习的遥感变化检测技术应用研究

传统的人工目视变化提取的方式耗费大量的人力、物力且作业周期长，已经无法满足当今快速监测分析的需求，现在利用不同期影像进行智能变化检测和提取成为专家学者和软件方研究的热点。本文将浅析基于深度学习的遥感影像变化检测方法，旨在探索基于遥感影像进行常态化、快速化变化检测的技术路线和相关业务的应用，如基础测绘地形图更新、土地变更调查、地理国情监测更新等，为城市变化信息、地理信息数据的快速更新提供支撑。     

结合均值漂移分割与聚类分析的遥感影像变化检测

针对传统遥感影像变化检测方法对前后期影像数据质量要求高、适应范围窄、检测精度较低等问题,本文在引入异常点检测思想的基础上,提出了一种结合均值漂移分割与聚类分析的遥感影像变化检测方法。首先将前期地理国情矢量数据与待监测的遥感影像进行地理配准;然后在地理国情矢量数据的基础上对遥感影像作均值漂移算法二次细分割,获得的矢量图斑继承了原有父级类属性,并对同一父级类的影像图斑进行光谱、空间、纹理、指数等特征提取;最后采用高斯混合模型与最大期望值算法聚类获得多个类别,在父级类下找出异常类别的图斑。通过试验对比分析,表明了本文方法的有效性和可靠性,为遥感影像变化检测提供了新思路。     

遥感影像CVA变化检测的CUDA并行算法设计

随着遥感影像数据量以及复杂程度的日益增加,遥感图像的快速处理成为实际应用过程中亟需解决的问题。为了实现遥感影像的实时变化检测,针对基于变化矢量分析CVA的变化检测算法,设计了一种基于统一计算设备构架CUDA的并行处理模型。首先利用地理空间数据提取库GDAL实现大数据量遥感影像的分块读取、操作和保存;其次将基于变化矢量分析的变化检测过程分为变化强度检测、映射表构建和变化方向检测,并借助CUDA C将变化矢量分析算法的3个步骤嵌入到CPU和GPU组成的异构平台上进行实验;最后利用该模型对不同数据量的遥感影像进行CVA变化检测并作对比分析。实验结果表明:与CPU串行相比,基于GPU/CUDA的遥感影像CVA的变化检测速度提高了10倍左右;在一定程度上,达到了实时变化检测的效果。     

基于深度学习的河道提取与变化监测应用——以永定河为例

本文基于2014年、2017年、2018年三期GF1遥感影像,针对北京市石景山永定河河道变化特征,开展基于深度学习算法的河道自动提取与变化图斑自动发现。选择GEOWAY GFLP作为地理要素智能训练平台,采用基于疑似变化区域自动发现与人工交互确认相结合的遥感监测技术路线,选取典型水体样本进行分析、训练,构建深度学习卷积神经网络水体提取模型。通过分析与验证发现,基于深度学习水体提取模型自动提取的河道准确率高于90%,精度高于最小距离、最大似然及SVM分类方法,可用于城市河道的自动提取和变化发现。     

矿山遥感监测数据发布和核查方法研究

针对矿山遥感动态监测工作中的监测数据下发不及时和数据核查质量差等问题提出了一种矿山遥感动态监测数据服务发布和核查方法:利用天地图在线服务体系将监测影像和图斑数据按照规范进行发布和注册,形成完整的“服务发布、服务注册、用户发现、服务共享”机制;设计使用智能终端外业核查、上报矿山遥感解译图斑信息.该方法应用于山东省基岩地区露天开采矿山遥感动态监测工作中.     

集成不变特征和纹理特征的遥感影像变化检测方法研究

研究提出了一种集成不变特征和纹理特征的遥感影像变化检测方法:一方面通过实验选取适合遥感影像变化检测的纹理特征,建立特征的计算模型从而进行变化检测;另一方面利用SIFT、Harris、Forstner、算子提取不变特征点,同时利用Canny、Sobel算子提取不变特征线,并从特征线上抽取不变特征点,通过Kd-树算法对不变特征点进行匹配并提纯,获得高精度的匹配点对,并通过统计图斑内落入的匹配点对进行变化检测。最后结合两者的优缺点将两种方法进行集成检测,从而降低了漏检率和误检率,提高了变化检测精度。研究结果具有可靠性,可为基础测绘更新和地理国情监测等提供技术支持。