基于深度学习的高分辨率遥感影像土地覆盖自动分类方法

土地覆盖变化是全球变化研究的核心,而精准分类是开展土地覆盖变化研究的基础。高分辨率遥感卫星技术的快速发展对地表分类的速度和精度提出了双重挑战,近年来人工智能等新技术的发展为图像自动分割提供了实现途径,而以卷积神经网络为代表的深度学习方法在遥感图像分类领域也具有独特的优势。为对比深度学习模型设计对高分辨率图像分类结果的影响,本文以郑州市2019年高分1号影像作为输入,对比研究了基于UNet模型改进的4种不同深度学习网络模型在高分辨率影像土地覆盖自动分类应用中的差异,探讨了残差网络、模型损失函数、跳层连接和注意力机制模块等编码和解码设定对于分类精度的影响机制。研究发现：同时加入多尺度损失函数、跳层连接和注意力机制模块的MS-EfficientUNet模型对郑州市土地覆盖分类结果最优,基于像元评价的整体分类精度可达0.7981。通过在解码器中引入多尺度损失函数可有效提高林地、水体和其他类别的分类精度;而对编码器进行改进,加入跳层连接和注意力机制可进一步提高草地、水体和其他类别地物的分类精度。研究结果表明,深度学习技术在高分辨率遥感影像自动分类中具有潜在应用价值,但分类结果精度的进一步提高和多级别大范围的精细分类方法仍是下一步研究的重点。     

面向对象的高分辨率影像信息提取方法研究——以四川理县居民地提取为例

本文对面向对象影像分析方法做了初步的探索和应用研究,通过建立多尺度影像空间和分类规则库对四川理县"5.12"震后的航空影像进行土地覆盖分类,并在此基础上提取了房屋和居民地的空间分布矢量信息。将土地覆盖分类的结果与传统的基于像元的方法进行对比,结果表明:面向对象方法的分析结果更接近于人工解译的效果,对试验区的分类精度也远远高于基于像元的影像分类的精度,有效克服了传统分类方法所存在的"椒盐噪声"问题,与基于像元分类的栅格数据相比,面向对象的方法可直接提取GIS分析的矢量信息,展示了面向对象技术应用于高分辨率影像信息提取的广阔前景。     

土地执法监察中的高分辨率遥感及变化检测技术

土地执法监察是国土资源管理业务体系的重要内容之一。当前土地执法监察工作多以传统手工作业为主,工作效率需要提升。随着高空间分辨率遥感技术的发展,借助高分辨率遥感影像实施准确、快速的土地执法监察成为可能。本文在分析实际应用需求和最新技术发展的基础上,以国产高分辨率影像提取违法建设用地为出发点,选取浙江省台州市黄岩区为研究区,开展县区级土地执法监察应用研究。借助面向对象变化检测与建设用地提取等技术获取了疑似的违法新增建设用地,取得了较好的应用效果,为挖掘国产高分辨率卫星影像在土地执法监察应用方面的潜力提供了参考。     

基于卷积神经网络的遥感影像地表覆盖分类

遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。     

基于改进全卷积神经网络模型的土地覆盖分类方法研究

遥感卫星数据是地球表面信息的重要来源，但利用传统的遥感分类方法进行土地覆盖分类局限性大、过程繁琐、解译精度依赖专家经验，而深度学习方法可以自适应地提取地物更多深层次的特征信息，适用于高分辨率遥感影像的土地覆盖分类。文中对高分辨率影像中水体、交通运输、建筑、耕地、草地、林地、裸土等进行高精度分类，结合遥感多地物分类的特点，以DeepLabV3+模型为基础，作出了以下改进：(1)骨干网络的改进，使用ResNeSt代替ResNet作为骨干网络；(2)空洞空间金字塔池化模块的改进，首先在并联的每个分支的前一层增加一个空洞率相对较小的空洞卷积，其次在分支后层加入串联的空洞率逐渐减小的空洞卷积层。使用土地覆盖样本库和自制样本库进行模型训练、测试。结果表明，改进模型在2个数据集的精度和时间效率均明显优于原始DeepLabV3+模型：土地覆盖样本库总体精度达到88.08%，自制样本库总体精度达到85.22%，较原始DeepLabV3+模型分别提升了1.35%和3.4%，时间效率每epoch减少0.39 h。改进模型能够为数据量以每日TB级增加的高分影像提供更加快速精确的土地覆盖分类结果。     

遥感影像融合在变化监测中的应用研究

本文以现阶段开展的地理国情普查和年度土地利用变更调查影像为研究数据,以土地利用数据和林业资源普查等其他专题资料为辅助资料,综合现有技术,进行地理国情普查地表覆盖数据和变更调查的动态监测研究、分析可行性研究。并通过项目实践,总结技术方法和工艺流程,精度评定方法,适用性分析,提出地表覆盖动态监测规模化生产作业流程,为开展变更调查和常态化地理国情监测奠定基础。     

国土调查遥感40年进展与挑战

运用遥感技术进行土地资源调查,摸清其数量及分布状况,长期以来都是遥感领域研究的重要内容。本文首先回顾了过去40年来遥感技术在我国国土调查中的应用情况,然后围绕高分辨率影像的特征提取、大范围影像的样本获取、多时相/多传感器影像的迁移学习以及多源异构数据融合4个方面介绍了相关进展情况;接着归纳总结了现有遥感信息提取技术在国土调查中面临的4个挑战：① 高分辨率影像分类存在如何定义、选择、挖掘高级特征的问题;② 国土调查中的遥感数据集规模庞大,存在着类间不平衡和类内多样性,为这种复杂数据集获取足够、均衡、多样化的样本集是一个巨大挑战;③ 对于多传感器/多时相影像,如何低成本、及时地实现土地利用分类是值得考虑的问题;④ 从土地覆盖到土地利用存在语义鸿沟,如何合适地引入语义信息以弥合语义鸿沟需要被考虑。最后,本文对国土调查遥感技术的未来发展方向和应用点进行了展望。     

基于多源数据的地表覆盖制图与分析——以广东省广州市为例

地表覆盖数据是关于土地利用信息的重要来源,在地理国情监测、气候变化研究、生态环境评估等方面发挥着重要的作用。本文以广东省广州市作为研究区域,利用OSM数据结合FROM-GLC数据和Landsat-8遥感影像数据,对研究区域地表覆盖进行分类并完成地表覆盖制图。实验结果表明,利用OSM数据进行地表覆盖制图结果总体精度较高,具有可用性,但是OSM数据空白区域占比较大,有数据区域个别要素数量较少,在参考选取样本时,样本代表性不够高,部分类型的地表覆盖分类精度较低。     

城市地表覆盖组分及植被多样性与热环境关联性分析——以贵阳市为例

本文以贵阳市为研究对象,研究了地表覆盖组分及植被多样性对地表温度的影响。首先基于Landsat8 OLI多时相影像数据在GEE平台上实现了研究区域地表覆盖精细分类;然后结合不同季节8天合成的MODIS温度产品数据,利用时空统计分析、相关分析等方法分析了研究区不同地表覆盖类型地表温度时空分布特征,地表温度与不同地表覆盖组分、地表覆盖多样性和植被覆盖多样性的相关性。结果表明：贵阳市建成区主要分布有常绿阔叶林、常绿针叶林等植被,常绿阔叶林在不同季节对地表温度的降温效应明显,而不透水面对地表温度具有明显的增温效应,尤其以夏季最为显著;地表覆盖多样性与地表温度之间具有较强相关性,其中植被覆盖多样性较植被覆盖率对地表温度的影响更为显著,而不透水面的增加会明显降低植被多样性的影响。因此,要发挥城市绿地对城市温度和热岛效应的调节作用,建议可以适当增加常绿阔叶林的绿化面积,同时在空间上要提升植被多样性水平,能够较大程度改善城市热环境。     

历史解译知识引导下组合遥感图谱特征的变化检测方法

高空间分辨率遥感影像为地表变化监测提供了大量细节信息,这使得基于高分辨率影像的变化检测技术成为当前遥感领域的研究热点之一。本文提出了一种历史解译知识引导下组合遥感图谱特征的变化检测方法。首先,通过分割前后时相的组合影像构建空间位置一致的对象,并在提取对象光谱和纹理特征后,引入前期土地覆盖专题图指导2类图谱特征相似度的DS证据融合;然后,利用其历史存档图斑所属区域的优势地类标签指示不同特征相似度的证据差异融合;最后,基于GMM（Gaussian Mixture Mode）模型的二值化方法提取最终的变化区域。实验结果表明,该方法能充分利用历史解译知识指导不同时相高分辨率影像对象特征相似度组合,一定程度上提高了变化检测正确率。     

基于高分辨率遥感目标特征库的地震灾情快速评估方法

高分辨率遥感影像已逐步成为地震灾害快速评估的主要数据源之一,但现有的遥感地震灾害信息提取方法存在对研究人员目视解译经验依赖性强和利用高分辨率影像提取结果精度不高的问题。因此,本文提出了一种基于目标特征库的高分辨率遥感灾害信息快速提取方法,用于提升遥感影像灾害信息提取的效率和自动化程度,并对基于目标特征库进行地震灾情快速评估的几项关键技术（目标特征库构建、样本匹配方法和自动分类方法）进行了阐述,最后,以云南鲁甸地震龙头山镇地区为研究区,基于高分辨率遥感影像在目标特征库支持下开展了地震灾情快速评估实验。通过与灾后调查数据的对比分析发现,基于高分辨率遥感灾害目标特征库的地震灾情快速评估结果在精度上可以满足灾情快速评估的业务需要,同时还具有更好的时效性。     

无人机遥感数据处理与滑坡信息提取

高分辨率的DEM和DOM数据是对地形地貌信息的准确描述,也是滑坡信息提取的重要数据源。首先,针对滑坡信息提取的要求,本文采用无人搭载微型单反相机的影像获取平台,结合野外测量的GPS数据,弥补了无人机POS信息精度低的劣势;针对无人机影像的特点,运用摄影测量基本原理与计算机视觉算法,获取高精度、高分辨率的DEM与DOM影像,保留了丰富的光谱与纹理信息。其次,借助ESP辅助工具获取了DOM影像的最佳分割尺度,并结合研究区地物特征构建了基于模糊分类与SVM算法相结合的决策树,运用面向对象的分类方法实现了对研究区内植被、道路、疑似滑坡区域的信息提取。最后,依照研究区地物分布的空间特征确定了高风险等级区域,并对该区域进行滑坡的形态与纹理分析以及精度评价,其中提取的疑似滑坡区域用户精度为91.44%、生产者精度为84.65%,结果表明无人机遥感在滑坡信息提取领域具有较高的应用价值。     

基于垂直带谱的太白山区山地植被遥感信息提取

遥感数据因其全覆盖的优势被广泛应用于山地植被信息的调查和研究。为了实现山区植被类型的高精度提取,本文以太白山区为实验区,结合山地植被的垂直地带性分布规律,利用太白山植被垂直带谱、高分辨率遥感影像（GF1/GF2/ZY3）和1:1万的数字表面模型（Digital Surface Model, DSM）数据,进行了多层次、多尺度的影像分割,构建了具有植被垂直带谱信息的地形约束因子,并据此进行样本选择和面向对象的分类,分类总精度达92.9%,kappa系数达到0.9160。该方法相比于未辅以垂直带谱信息的分类,总精度提高了10%。研究结果表明,分类过程中加入具有垂直带谱信息的地形约束因子,能显著地提高样本选择的效率和准确率,为后续的植被分类提供了精度的保证。通过人机交互的方式,将垂直带谱知识应用到分类中,可以有效地提高山地植被分类的精度。     

遥感石漠化信息的提取

石漠化信息提取是多种信息综合分析、反馈的过程。通过分析当前石漠化分级体系,对比喀斯特地区与石漠化范围、土地利用与石漠化关系,并结合当前石漠化信息提取关键技术研究认为:目前的石漠化分级体系在划分级别、分级指标、分级区域等方面存在巨大差异,将尺度划分引入石漠化等级体系是统一石漠化等级划分差异的有力途径;充分利用基于内容的特征识别算法进行喀斯区的圈定可以有效提高石漠化信息提取精度;利用已有的土地利用矢量数据,通过合理转换进行石漠化信息提取是重要研究思路;传统的建立石漠化解译标志、改进植被指数模型以及建立波谱关系模型等石漠化信息提取方法无法很好融合石漠化综合指征,提出基于遥感的石漠化综合指标度进行石漠化信息的提取方法。     

融合高度特征的高分遥感影像多尺度城市建筑类型分类

城市区域建筑类型信息在城市功能区识别、城市环境变量反演等应用领域具有重要作用。本文提出一种融合高分辨率遥感影像高度特征的多尺度城市建筑类型分类方法。首先利用语义分割模型识别高分辨影像中建筑和阴影对象;然后借助建筑对象及其阴影信息在卫星成像时的几何关系估算建筑高度;最后基于多尺度图像分析思想,提取一系列表征建筑对象的高度、空间结构、几何等多尺度特征,利用机器学习方法进行建筑类型分类,并进一步分析不同粒度的建筑类型分析单元对分类结果的影响。选取福州市主城区国产高分二号高分辨率影像进行实验验证。结果表明：① 基于所提方法的建筑类型分类总体精度达到82.98%, kappa系数为0.77,分类精度优于本文中未加入高度信息的分类方法和单一尺度分类方法;② 引入高度特征有效提高了中低层居民楼和高层商住两用建筑类型的分类精度,较未加入高度特征的分类结果,总体精度提高了11.28%;③ 融合多个尺度的图像特征可有效减少粘连建筑误分为密集型建筑的情况,较单一尺度分类方法,总体精度提高了2.77%。在精细的数字表面模型数据缺失下,利用高分辨影像阴影信息可为建筑物高度估计提供一种有效的策略,提高城市建筑类型分类精度。此外,融合多粒度图像特征可提升城市区域复杂建筑类型的表征能力,进而提高分类精度。     

面向不同环境背景的Landsat影像水体提取方法适用性研究

快速、准确地从卫星影像中提取水体信息一直是遥感应用的热点问题,在水资源管理、水环境监测和灾害应急管理等领域极具应用价值。虽然目前已有多种针对Landsat系列影像的水体提取方法,但由于地理位置、地形和水体形态等环境背景因素的影响,导致同种方法在不同的环境背景中呈现出不同的提取效果。本文针对人为影响严重、影像明暗对比强烈的城区（北京怀柔县城周边）以及地形起伏明显、水体细小的非城区（北京密云水库周边） 2种典型背景环境,选择波段设置略有差异的Landsat 5（2009年）和Landsat 8（2019年）卫星影像,对比了常用的指数法（NDWI和MNDWI）和分类法（最大似然法和支持向量机）在水体信息提取方面的优势和不足。结果表明：在城区背景中,SVM的准确性最高（总体精度>97%）;在非城区背景中,MNDWI与SVM的精度相当（总体精度>95%）,前者更适用于水体的快速提取,而后者提取的山间细碎河流更完整,且在Landsat 8中应用的效果更好。该研究为不同环境背景下水体提取方法的选择提供了参考。     

基于Google Earth Engine和NDVI时序差异指数的作物种植区提取

为提高农作物种植信息遥感监测的效率,扩展数据适用范围,本文提出了一种基于时间序列NDVI差异指数的作物种植区提取方法。随着海量遥感与云计算的发展,Google Earth Engine作为一个全球尺度地理空间分析云平台,弥补了单机计算耗时长的不足,为快速遥感分类带来了新机遇。基于Google Earth Engine平台,以河南省开封市杞县为研究区,以2019—2020年杞县地区多时相Sentinel-2影像为数据源,结合物候信息,根据不同作物在时间序列NDVI曲线上的差异构建NDVI时序差异指数,从而提取作物种植区,区分不同作物类型,并与其他方法进行了精度验证和对比。结果表明：① NDVI时序差异指数法以作物物候信息为基础,与GEE高性能的计算能力相结合,形成了作物种植信息快速提取框架,可以方便快捷地进行作物种植区提取,较本地处理具有明显优势;② 杞县冬小麦和大蒜种植区有明显的空间分异性,冬小麦种植区主要集中在研究区西北部以及南部的农村居民点周围,而杞县大蒜则由于产品流通需要,主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边;③ 与时间序列支持向量机法和最大似然法相比较, NDVI时序差异指数进行作物种植区提取的总体精度达到83.72%, Kappa系数为0.67,分别比最大似然法提高了10.02%和0.21,比支持向量机法提高了4.18%和0.09,表明该方法能更高效率,更高精度地提取作物种植信息,实现区域作物种植信息的高效准确监测。总体来看,该方法在一定程度上可拓展遥感数据在农业领域的应用范围,具有推广价值。     

地球信息科学技术在中国减贫中的应用进展

从救济式扶贫到精准扶贫,中国通过不断地探索和实践,走出了一条中国特色社会主义减贫道路,实现了农村贫困人口大幅减少,贫困地区面貌明显改善,脱贫攻坚取得历史性重大成就。很长时间,贫困地区的社会经济和资源环境监测都是建立在各类统计资料,统计报表,纸质档案等的基础之上,以行政单元为基础,缺乏有效、准确的空间位置信息。随着遥感和地理信息系统等地球信息科学技术的不断发展,其对空间信息高效地捕捉和计算能力,极大地提升了新时期扶贫开发工作的效率和决策支持水平。本文系统地阐述了地球信息科学在中国减贫中所发挥的作用,具体来说,主要集中在4个方面：① 多源地理空间数据在贫困地区自然资源和生态环境监测评估中的应用;② 贫困地区灾害监测,预警和管理;③ 基于地理空间数据的致贫因素分析和贫困预测;④ 依据精准扶贫工作机制建立精准扶贫决策支持系统。随着2020年中国消除绝对贫困目标的实现,地球信息科学服务于中国减贫的工作将主要集中在建立返贫监测和帮扶机制,以及向缓解发展不平衡、不充分的相对贫困转变。同时,乡村振兴作为下一步中国农村长期的工作重点,使用地球信息科学技术促进乡村基础信息化建设,促进地球信息科学服务和农业农村发展深度融合也将成为趋势。