卷积神经网络在SAR遥感海冰分类中的应用可行性分析

分别介绍了卫星遥感海冰监测、分类的传统方法,以及卷积神经网络在遥感影像分类识别中的应用成果。尝试将在图像识别、语言检测等方面取得成功的卷积神经网络算法应用在海冰图像分类中,利用其能够应对非线性、网络结构简单、可并行运算等能力去解决海冰数据分类问题。     

面向分类的高光谱遥感影像数据特性的研究

分析了高光谱遥感的特点、影像数据的应用现状,针对高光谱遥感影像处理、分类的现状及遇到的困难,对高光谱遥感影像数据的分类特性进行了深入的分析总结,对高光谱遥感影像分类的支持向量机方法进行了系统研究,并分析指出了支持向量机分类法的优越性,最后提出了需要进一步研究的问题.     

卷积神经网络在卫星遥感海冰图像分类中的应用探究

本文以TensorFlow为框架搭建卷积神经网络，基于迁移学习的思想，以经典的手写数字识别作为引入，对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源，分析了不同函数组合对遥感海冰图像分类的影响，优选出交叉熵代价函数与ReLU激活函数为最佳的组合，证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证，其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别，讨论了样本的窗口尺寸对海冰分类结果的影响，发现在400×400小范围分类实验中最佳窗口尺寸为2×2；最后对整个渤海海域进行识别验证，效果较好。     

中巴资源卫星在红树林遥感调查中的应用研究

利用资源卫星信息提取技术，探讨中巴资源卫星(CBERS-1 CCD)数据在红树林资源调查中的应用能力。由于红树林群落间光谱特征的近似性和数据本身光谱信息的限制，给分类信息提取带来了困难。将红树林植被分布区与陆地植被分开，结合实地调查结果准确选取各群落训练区，采用神经网络分类法分类，获得了精度较高的分类结果。在此基础上，对主要群落的空间分布特征进行了简要分析。     

基于高空间分辨率的红树林卫星遥感监测技术进展

卫星遥感技术是红树林生态系统监测的重要手段。文章系统地总结了红树林的光谱特征,给出了目前应用于红树林生态监测的高空间分辨率卫星包括IRS-P6、SPOT-5、IKONOS、OrbView-3、QuickBird的主要技术参数以及它们在红树林遥感监测中的应用程度,叙述了目视解译法、波段组合法、图像分类法、专家分类法、模糊分类法和面向对象分类法等遥感监测技术方法在红树林的生态参数包括类外区分和类内区分、生物量和健康状况等的遥感提取的应用和精度对比情况。另外,对应用高分辨率卫星遥感资料监测红树林的技术发展趋势进行了讨论。     

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-1 02D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-1 02D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-1 02D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。     

结合纹理特征的SVM海冰分类方法研究

海冰分类是遥感监测领域中的重要应用之一，海冰分类的准确性对于评估海冰冰情、保证航海安全和开辟北极航道具有重要的意义。针对海冰分类问题，本文选用Sentinel-1遥感数据，结合纹理特征分析，提出了一种改进的SAR海冰分类方法。该方法选用灰度共生矩阵提取特征值，通过实验得到适宜用于海冰分类的多特征组合，在此基础上利用支持向量机开展SAR海冰类型的分类研究。实验结果表明，该方法可以实现对海冰SAR图像中一年冰、多年冰和海水3种类型识别，与传统的海冰分类方法神经网络和最大似然法相比较，使用SVM分类方法，结合纹理特征开展海冰类型监测是可行的，同时也表明多特征组合有利于提高SAR图像的分类精度，从而验证了本方法的有效性，为海冰分类提供了一种新思路。     

基于极化散射特性的神经网络海岸带信息提取

应用遥感手段开展海岛海岸带监测为海岸带资源开发利用提供科学的信息支撑。采用Radarsat-2数据,开展Cloude极化,获得分解参数,进行海岸带地物特性极化参数特性研究,在此基础上,以辽宁鲅鱼圈作为研究区域,运用神经网络方法开展海岸带信息分类提取研究。结果表明:极化目标分解理论对海岸带信息提取具有一定的应用潜力,采用基于H/α的分类方法能较好地区分单次散射的特征地物,但对于偶次散射和体散射的混合体,仅从极化特征参数还难以区分;综合利用极化散射特性及神经网络分类方法则可以有效进行分类,采用基于SPOT5数据的"我国近海海洋综合调查与评价专项"遥感调查成果为验证标准,精度达到88.5%。分类精度与训练样本有关,此外,海岸带区域地物分布往往较为复杂,对于复杂地物的散射机制研制,是下一步研究工作的重点。     

海岸带高光谱影像分类技术研究

以海岸带地物分类研究为重要对象,针对传统海岸带区域地物及海水等目标分类技术的局限性,通过分析海岸带地物的光谱特征以及在高光谱数据中的表征,研究高光谱成像技术在海岸带遥感应用中的有效性。实验结果表明相对传统的遥感影像分类技术,高光谱海岸带分类显得更为精细,也展示了高光谱技术在海洋遥感中的巨大应用前景?     

基于BP神经网络的东屿岛遥感影像分类

精准高效的海岛遥感影像分类是充分利用海岛基础资料的有效手段,也是全面掌握海岛基本情况及变化情况、保障海岛保护和开发利用有序进行、实现全国海岛动态监管的重要技术措施。以2008年海南省东屿岛航空遥感影像为数据源,借助ENVI遥感图像处理软件选取训练样本集,通过MATLAB仿真软件构建"3-8-5"的3层BP神经网络分类模型,实现对东屿岛遥感影像的分类。实验结果显示,BP神经网络分类总精度为87.85%,Kappa系数为0.84,与最小距离法分类相比,分别提高5.53个百分点和0.07。实验证明BP神经网络分类方法是一种行之有效且精确度更高的分类方法。     

塘沽盐场遥感图像模式识别方法的研究

通过塘沽盐场遥感图像的模式识别,对该盐场的盐田水体类别进行了监督分类,其成果将为塘沽盐场的开发管理、产量估算及资源调查等提供重要依据。     

基于GA-BP神经网络的临洪河口湿地土地覆盖分类算法研究

针对传统分类方法易受到"同物异谱"和"同谱异物"影响，致使河口湿地覆盖分类精度较低的问题，提出一种基于遗传算法优化BP神经网络分类算法。以江苏省临洪河口湿地为研究区，选用哨兵Sentinel-2影像，经辐射校正、大气校正和图像裁剪等预处理后，构建基于自适应遗传算法优化的BP神经网络算法开展临洪河口湿地土地覆盖分类研究，并与传统BP神经网络、支持向量机和随机森林算法进行精度比较。研究结果表明：遗传算法优化后的BP神经网络算法开展河口湿地土地覆盖分类的总精度为96.162 7%，Kappa系数为0.952 0；与传统BP神经网络、支持向量机和随机森林分类算法的分类总精度相比，分别提高了7.359 7%、11.677 9%和6.042 4%；对应的Kappa系数也相应提高了0.090 8、0.118 0和0.074 8；有效解决了河口湿地土地覆盖分类精度低的问题。遗传算法优化后的BP神经网络可实现河口湿地土地覆盖的高精度分类，促进湿地资源的合理开发和保护，为实现海洋生态文明建设提供技术支撑。     

基于改进BP神经网络的海底底质分类

通过采用遗传算法优化神经网络初始权值的方法,将GA算法与BP神经网络有机结合,应用于海底底质分类。基于多波束测深系统获取的反向散射强度数据,应用改进的BP神经网络分类方法,实现对海底基岩、砾石、砂、细砂和泥等底质类型的快速、准确识别。通过实验比较,GA-BP神经网络分类精度明显高于BP神经网络,证明了该方法的有效性和可靠性。     

A neural network approach to classification of sidescan sonarimagery from a midocean ridge area

A neural-network approach to classification of sidescan-sonar imagery is tested on data from three distinct geoacoustic provinces of a midocean-ridge spreading center: axial valley, ridge flank, and sediment pond. The extraction of representative features from the sidescan imagery is analyzed, and the performance of several commonly used texture measures are compared in terms of classification accuracy using a backpropagation neural network. A suite of experiments compares the effectiveness of different feature vectors, the selection of training patterns, the configuration of the neural network, and two widely used statistical methods: Fisher-pairwise classifier and nearest-mean algorithm with Mahalanobis distance measure. The feature vectors compared here comprise spectral estimates, gray-level run length, spatial gray-level dependence matrix, and gray-level differences. The overall accurate classification rates using the best feature set for the three seafloor types are: sediment ponds, 85.9%; ridge flanks, 91.2%; and valleys, 80.1%. While most current approaches are statistical, the significant finding in this study is that high performance for seafloor classification in terms of accuracy and computation can be achieved using a neural network with the proper combination of texture features. These are preliminary results of our program toward the automated segmentation and classification of undersea terrain     

基于粒子群优化神经网络的水深反演模型

针对直接采用BP神经网络反演水深收敛速度慢,且易陷入局部最优的问题,提出了一种基于粒子群(PSO)优化BP神经网络的水深遥感新模型。该模型首先利用粒子群算法对BP神经网络的权重和阈值进行优化,然后将该优化值作为BP神经网络的初始值,最后再将PSO优化后的模型用于测试海区的反演精度评估。实验结果表明,该模型的网络收敛速度明显加快,水深反演的精度也得到提高。     

基于粒子群优化算法的PSO-BP海底声学底质分类方法

利用粒子群优化算法（PSO）较强的鲁棒性和全局搜索能力等优点,将PSO算法与BP神经网络相结合,优化了BP神经网络分类时的初始权值和阈值。基于珠江河口三角洲的侧扫声呐图像数据,提取了海底声呐图像中砂、礁石、泥3类典型底质的6种主要特征向量,利用PSO-BP方法对海底底质进行分类识别。实验表明,3类底质分类精度均大于90%,高于BP神经网络70%左右的分类精度,表明PSO-BP方法可有效应用于海底底质的分类识别。     

基于深度学习的海温观测数据质量控制应用研究

基于国家海洋信息中心质量控制后的西太平洋 10 度方区约 100 万站次温盐实测历史调查资料,对经过 26 种严格质量控制方法的综合海温质量符进行分类分析,首次将深度学习技术应用于海洋数据质量控制多分类 （multiclass classification）算法与应用研究。通过人工合成少数类样本和加权损失函数方法减少多数类的频率来降低数据的不平衡,并构建了多层感知器 （Multi-Layer Perceptron, MLP） 和深度神经网络 （Deep Neural Network, DNN） 两个海温资料质量符分类深度学习模型。分类结果表明本文构建的两个深度分类模型能够较准确快速地识别该海域海温数据质量,在 20 975 条温盐剖面资料测试集中分类准确率分别达到 99.63%和 99.69%。海温资料的分类精度评分有着较好的表现,其中正确数据 （QC1） 和数据缺失（QC9） 的正确识别率均达 100%。MLP 和 DNN 多分类质量控制模型可大幅降低传统质量控制方法的工作量,提升海量数据处理速度和分析能力,为海温观测资料在海洋研究与工程中应用提供参考。     

A methodology for acoustic seafloor classification

A seafloor classification methodology, based on a parameterization of the reverberation probability density function in conjunction with neural network classifiers, is evaluated through computer simulations. Different seafloor provides are represented by a number of scatterer distributions exhibiting various degrees of departure from the nominal Poisson distribution. Using a computer simulation program, these distributions were insonified at different spatial scales by varying the transmitted pulse length. The statistical signature obtained consists of reverberation kurtosis estimates as a function of pulse length. Two neural network classifiers are presented with the task of discriminating among the various scatterer distributions based on obtained acoustic signatures. The results indicate that this approach offers considerable promise for practical, realizable solutions to the problem of remote seafloor classification     

基于ZY-3遥感影像的不同地貌水边线提取方法

水边线的精确提取对于沿海地区的经济开发和海域的使用管理具有重要意义。以雷州半岛东北部为研究区域,利用2017年资源三号(ZY-3)卫星数据为数据源,基于不同海岸地貌特征为划分依据,运用阈值分割法、神经元网络分类法和面向对象法对多光谱数据的人工海岸、砂质海岸、淤泥质海岸和红树林海岸进行水边线提取。通过目视解译提取融合图像的海岸线为基线,将提取的水边线与基线进行定性、定量分析。研究结果表明,对于人工岸线,神经元网络分类法最优,均方根误差为6.4m;对于砂质岸线,阈值分割法最优,均方根误差为5.4m;对于淤泥质及红树林岸线,面向对象法最优,均方根误差分别为23.3m和15.2m。该研究对于不同岸线的提取具有重要的借鉴和指导意义。