基于聚类的极光形态分类的探索性研究

极光形态为研究日地物理过程提供了显著、直观和具有可识别性的特征。合理分类对研究各类极光现象与磁层动力学过程之间的关系尤为重要。极光形态分类机制的选择问题是极光有监督分类研究被主要诟病的问题之一。有监督分类实验中人工标记的工作量非常浩大,而且不能保证标记的准确性。更重要的是,高分类正确率只能说明自动分类符合人的认识,有监督分类结果无法验证分类机制的正确性。现有的分类机制是否为极光数据空间的真实划分,是否存在更为合理的分类机制都是我们应该探讨的问题。针对该问题,基于已有的全天空极光图像表征方法,引入聚类算法探究极光特征空间的结构,利用了9种聚类有效性函数选择适合极光数据的聚类个数。实验结果表明,对于从2003—2004年北极黄河站观测的全天空极光数据中随机选取的6 000幅极光图像,两类和四类的划分方式最为合适。两类的划分可以看作是分离度较好的极光类型,并且根据两类分布曲线呈现午前-午后双峰的分布特点,这一类极光可能是弧状极光。对于四类的情况,虽然通过肉眼观察无法用一幅典型的极光图像代表每一类,但是这些由聚类得出的极光类型具有各自的时间分布特点,这一结果从无监督的角度证明了极光类型在形态上是可分的。     

基于全天空极光图像方向能量表征方法的极光事件分类

针对基于全天空极光图像的极光事件自动分类问题,提出一种基于方向能量二元编码重组表征的自动分类方法。首先,通过对多个方向上能量分解来描述极光事件中的局部纹理和各个方向上的运动信息,并且结合分块策略获得极光事件的全局形态信息;然后,借鉴一种二元编码重组的方式对多个方向能量进行融合,从而使得极光事件的表征具有同时表征局部纹理、全局形态和运动信息的能力。该表征方法完全不依赖于极光事件的长度,可用于表征不同持续时间的极光事件,并且不需要复杂的训练过程。利用最近邻和支撑向量机分类器分别对从中国北极黄河站拍摄到的极光图像中挑选的特定极光事件进行自动分类,结果表明,与其他两种典型的动态纹理描述方法相比,本文所提出的表征方法结合最近邻分类器,得到了最好的分类效果,能有效用于极光事件的分析,为海量数据中的极光事件自动分类提供了一种新方法。     

面向高光谱遥感图像分类的连续空间依赖增强型空—谱卷积神经网络

利用深度学习技术对高光谱图像进行地表覆被的精细识别与分类已取得瞩目成果.其中,A2 S2 K-ResNet方法分类精度高、综合性能稳定,但其自适应卷积核选取机制未对卷积神经网络的感受野起到实质性的优化作用,进而影响分类结果.该文提出一种面向高光谱遥感图像分类的连续空间依赖增强模块,以弥补A2 S2 K-ResNet方法的不足,并借助三维残差网络框架,形成一种全新的空—谱卷积神经网络.实验采用4组高光谱图像分类标准测试数据集,并结合3种国际通用的精度评价指标进行方法验证.定性分析结果表明,该文方法可增强空间依赖信息,有效抑制噪声现象,大幅减少分类误判现象;定量分析结果显示,相比A2 S2 K-ResNet,该文方法的分类精度更高,计算复杂度更低,且随着训练样本数量递减,其优势逐渐增大.研究结果有助于解决极少训练样本支持下的高光谱图像分类问题,并提高高光谱图像分类模型的泛化能力.     

紫外极光图像极光卵提取方法及其评估

有效确定极光卵边界对于研究太阳风-磁层能量耦合过程是非常重要的.本文提出一种新的星载紫外极光图像极光卵边界的提取方法.该方法利用一种基于模糊局部信息C均值聚类方法,对紫外极光图像进行分割,并根据极光卵的环状特性,提取较完整的极光卵极向/赤道向边界.结合DMSP卫星沉降粒子观测数据,分别构建了极向边界和赤道向边界数据库,...     

点特征相似与卷积神经网络相结合的SAR图像分类算法研究

基于CNN的像素级SAR图像分类利用了输入图像块的邻域信息,但没有凸显出邻域像元对中心像元分类结果的影响力,导致在高噪声条件下中心像元易出现类别误判。针对该问题,该文提出了一种基于点特征相似性的卷积神经网络(Point feature Similarity-based Convolutional Neural Network,PSCNN),并将其用于SAR图像分类,以凸显邻域像元对中心像元分类结果的影响力,从而减小误分,提升分类精度。实验结果表明,相比传统基于CNN的SAR图像分类方法,该算法一方面能更充分利用图像块的邻域信息,有效抑制相干斑的影响,提升匀质区域的分类精度;另一方面借助块匹配方式,能够充分保留图像块的结构信息,有效提升边界定位精度。     

基于局部运动向量时空统计的极光事件检测

极光动态过程的分析与理解对极光发生机制研究具有重要意义。本文提出了一种基于动态过程的极光事件检测方法。首先利用多尺度流体光流的方法提取出极光的局部运动场信息,然后基于局部运动场时空统计特性表征极光视频序列,最后实现对特殊极光事件的检测。实验结果表明,本文方法能够高效、准确地检索到特殊极光事件,并且检测结果不依赖于目标事件的选择。这一成果为开展基于大量连续观测的极光视频对极光动态过程进行统计分析的研究奠定了基础。     

基于北极黄河站观测的日侧极光研究新进展

回顾了基于中国黄河站全天空极光观测对日侧弥散极光与喉区极光研究的最新进展。首先,利用黄河站极光观测,对日侧弥散极光展开系统性分类与统计研究,对这一重要空间物理现象取得新认识,指出日侧弥散极光对研究日侧外磁层冷等离子体的分布、形成及磁鞘粒子进入磁层都具有重要启示作用;同时发现并定义了一种新型分立极光结构——喉区极光,并推断其可能对应磁层顶的局地变形。喉区极光是指发生在电离层对流喉区附近、从极光卵赤道侧向低纬方向延伸出来的分立极光结构。全天空极光观测表明喉区极光走向大致与电离层对流方向一致。之后,观测验证了喉区极光对应磁层顶局地内陷式变形的推测;统计发现喉区极光是一种非常高发的现象,对应的磁层顶变形尺度可达2—3 Re,并指出这种变形最可能由磁鞘高速流冲击磁层顶产生;发现在喉区极光产生过程中还可能触发磁重联;证实伴随喉区极光的产生,磁鞘粒子会进入磁层并诱发产生一种新型弥散极光。通过喉区极光研究,可以将已有的磁鞘瞬态过程研究和触发式磁重联研究有机地结合在一起,对太阳风-磁层耦合过程形成一种新的认识,即:在磁鞘中局地产生(而不是存在于太阳风中)的瞬态过程可以在日下点附近频繁地导致磁层顶局地变形、触发重联、引发系列地球空间效应,可能对太阳风-磁层耦合具有不可忽略的重要性。以此为基础,讨论了日侧极光研究引出的新课题。     

基于卷积神经网络和高分辨率影像的湿地群落遥感分类——以洪河湿地为例

以洪河国家级自然保护区为研究对象,应用卷积神经网络（CNN）方法进行高分辨率湿地遥感影像的分类研究,并与基于光谱支持向量机（SP-SVM）的方法和基于纹理及光谱的支持向量机（TSP-SVM）的方法进行了对比。结果显示,对于所选取的2个研究区域,CNN分类方法的全局精度高于SP-SVM方法5.61%和5%,高于TSP-SVM方法4.18%和4.15%。尤其对于部分湿地植被的分类精度明显高于SP-SVM和TSP-SVM方法。研究表明,卷积神经网络为湿地识别的精细划分提供了有利的手段。     

南极中山站极光电集流分布特征分析

本文通过 1 997年在南极中山站观测的极光和所对应的地磁场扰动 ,利用 AU、AL、AE指数描述极光电集流在南极中山站的分布规律及其强度 ,我们发现东向极光电集流强度是正值 ,西向极光电集流强度是负值 ,从绝对值来说 ,西向极光电集流强度大于东向极光电集流强度。南极中山站夏季的极光电集流强度大于冬季的极光电集流。秋夏冬季节的东向极光电集流在72 0～ 1 44 0分 (世界时 1 2～ 2 4时 )的分布规律的拟合曲线类似口朝上的抛物线形 ;西向极光电集流在 72 0～ 1 44 0分这段时间的分布规律的拟合曲线类似正弦波形。了解了极光电集流在南极中山站的分布特征 ,有利于极区电离层和磁层耦合及极光动力学的研究。     

南极中山站极区空间环境观测系统

中国南极中山站位于极隙区纬度,可以观测到丰富的日地能量传输过程的电离层征兆和极光现象,非常适合开展极区空间环境观测研究。自1989年开始建设以来,中山站极区空间环境观测系统经历了观测设备的不断完善和发展,现已建立了涵盖地面极光、电离层和地磁观测多要素、多手段的自主观测体系,实现了极区空间环境的连续监测并建立了数据库。所有观测设备的运行状态可实时监控,地磁、宇宙噪声吸收等数据实现了准实时远程传输。最后展望中国极区空间环境观测研究的发展前景。     

基于GF-1与Sentinel-2融合数据的地膜识别方法研究

随着我国地膜使用面积的增加和人们对土壤微塑料污染问题的日益关注,大尺度的地膜遥感识别已成为农业生产管理、土壤污染防治的必要手段。针对地膜光谱反射特征的复杂性以及基于单一遥感影像光谱特征识别方法错分率高等问题,该文以河北省邯郸市邱县为试验区,利用GF-1数据的空间细节与Sentinel-2数据的光谱信息进行NN Diffuse Pan Sharpening融合,据此建立地膜识别的特征矩阵(NDVI、MNDWI、NDBI、IBI、PSI),基于该特征矩阵可实现自动阈值地膜分层分类识别。多种方法的地膜识别结果精度对比表明:多源光学遥感数据融合方法的总体精度为94.87%,Kappa系数达0.89,显著优于基于单一数据源的深度学习法的精度(93.14%)以及基于传统机器学习分类方法的支持向量机(85.91%)和随机森林分类法(86.78%)的精度;通过与Sentinel-2多光谱影像融合,弥补了GF-1数据光谱分辨率低的缺陷,实现了多源数据在地膜识别中的优势互补,可为相关部门农业规划与管理以及生态环境保护等研究提供大尺度、高精度的地膜分布参考数据。     

Performance of shape indices and classification schemes for characterising perceptual shape complexity of building footprints in GIS

Shape characterisation is important in many fields dealing with spatial data. For this purpose, numerous shape analysis and recognition methods with different degrees of complexity have so far been developed. Among them, relatively simple indices are widely used in spatial applications, but their performance has not been investigated sufficiently, particularly for building footprints (BFs). Therefore, this article focuses on BF shape characterisation with shape indices and classification schemes in a GIS environment. This study consists of four phases. In the first phase, the criteria for BF shape complexity were identified, and accordingly, benchmark data was constructed by human experts in three shape complexity categories. In the second phase, 18 shape indices were selected from the literature and automatically computed in GIS. The performance of these indices was then statistically assessed with histograms, correlation matrix and boxplots, and consequently four indices were found to be appropriate for further investigation. In the third phase, two new indices (Equivalent Rectangular index and Roughness index) were proposed with the objective to measure some BF shape characteristics more efficiently. The proposed indices also were found to be appropriate with the same statistical assessment procedures. In the final phase, BF shape complexity categories were created with the pairs of six appropriate indices and four choropleth mapping classification schemes (equal intervals, natural break, standard deviation, and custom) in GIS. The performance of the index–scheme pairs was assessed against the benchmark data. The findings demonstrated that both new indices and two of the selected indices (Convexity and Rectangularity) delivered higher performance. The custom classification scheme was found more ideal to reveal absolute shape complexity with the index value ranges derived from the boxplots while the other classification schemes were more appropriate to reveal relative shape complexity.     

Remote sensing methods to detect land‐use/cover changes in New Zealand's ‘indigenous’ grasslands

We compared four remote sensing methods to detect changes in New Zealand's grasslands (image differencing, normalised difference vegetation index (NDVI) differencing post‐classification and visual interpretation). The visual interpretation resulted in the best classification results, with a 98% overall accuracy when compared with ground‐truthed data. The tests on automatic classification (image differencing, NDVI differencing) and post classification had much lower accuracies, ranging from 47% to 56%. In the New Zealand grassland landscape, automatic detection methods were not able to differentiate between variations of soil moisture and vegetation phenology from variations in land‐use change. This, in combination with topographic effects, which have hampered the automated mapping of vegetation, is the main reason why visual interpretation of high‐resolution imagery is still needed.     

A comparison of techniques for generating forest ownership spatial products

To fully understand forest resources, it is imperative to understand the social context in which the forests exist. A pivotal part of that context is the forest ownership. It is the owners, operating within biophysical and social constraints, who ultimately decide if the land will remain forested, how the resources will be used, and by whom. Forest ownership patterns vary substantially across the United States. These distributions are traditionally represented with tabular statistics that fail to capture the spatial patterns of ownership. Existing spatial products are not sufficient for many strategic-level planning needs because they are not electronically available for large areas (e.g., parcels maps) or do not provide detailed ownership categories (e.g., only depict private versus public ownership). Thiessen polygon, multinomial logit, and classification tree methods were tested for producing a forest ownership spatial dataset across four states with divergent ownership patterns: Alabama, Arizona, Michigan, and Oregon. Over 17,000 sample points with classified forest ownership, collected as part of the USDA Forest Service, Forest Inventory and Analysis (FIA) program, were divided into two datasets, one used as the dependent variable across all of the models and 10 percent of the points were retained for validation across the models. Additional model inputs included a polygon coverage of public lands from the Conservation Biology Institute’s Protected Areas Database (PAD) and data representing human population pressures, road densities, forest characteristics, land cover, and other attributes. The Thiessen polygon approach predicted ownership patterns based on proximity to the sample points in the model dataset and subsequent combining with the PAD ownership data layer. The multinomial logit and classification tree approaches predicted the ownership at the validation points based on the PAD ownership information and data representing human population, road, forest, land cover, and other attributes. The percentage of validation points across the four states correctly predicted ranged from 76.3 to 78.9 among the methods with corresponding weighted kappa values ranging from 0.73 to 0.76. Different methods performed slightly, but statistically significantly, better in different states Overall, the Thiessen polygon method was deemed preferable because: it has a lower bias towards dominant ownership categories; requires fewer inputs; and is simpler to implement.     

全球及区域模式中陆面过程的地表植被覆盖分类方法

全球和区域尺度上陆面生态系统与气候密切相关。全球和区域模式的发展对于我们认识气候与陆地生态的变化起到重要作用。在这些模型中，植被覆盖是影响大气-植被间热量、水分和CO2等交换的重要陆面参数。在分析了陆地植被覆盖分类原理基础上，介绍了目前全球不同植被覆盖分类方案，包括基于地基观测的植被分布、基于生物气候特征的分类方案（如：Holdridge的方案）；特别近年来陆面过程试验表明，各种遥感数据源（如：NOAA—AVHRR，EOS—MODIS，Landsat—TM）等为我们提供了有利的工具来监测全球植被动态，完善植被分类，并且采用高时空分辨率的全球土地覆盖状况特征，在不同时空尺度揭示植被-大气相互作用。本文分析了代表性的3种基于卫星遥感技术的陆面植被分类方案，分别是BATS（18类）、SIB（9类）、SIB2（12类）和BIOME—BGC（31类）陆地模式的植被覆盖分类方案．最后分析了目前可用于全球植被覆盖分类的新的遥感数据库。     

基于三维激光点云的复杂道路场景杆状交通设施语义分类

文章提出一种完整的全自动化处理框架，基于三维激光点云数据对高速公路和城市道路场景的杆状目标进行了检测和分类，主要包括3个步骤：数据预处理、杆状目标检测和分类。其中，在数据预处理阶段，采用基于布料模拟滤波算法自动分离地面点和非地面点，然后基于欧氏距离聚类方法对非地面点进行快速聚类，以及采用迭代图割算法进一步分割目标对象；在目标检测阶段，集成先验信息、形状信息和位置导向搭建滤波器，对杆状目标进行检测；在对象分类过程中基于多属性特征，利用随机森林分类器对目标的特征进行计算和分类。并使用3个道路场景数据集进行测试，结果显示，3个数据集的整体MCC系数为95.6%，分类准确率为96.1%。这说明文章所构建方法具有较高性能。另外，该方法还可以鲁棒地检测杆状目标的重叠区域，较为适应复杂程度不同的道路场景。