MODIS数据Bowtie效应快速消除算法研究

 Bowtie效应是EOS/MODIS L1B级图像数据的一个几何畸变问题，虽然目前已经提出了几种消除方法，但在计算效率和实际应用等方面还有许多限制。本文在分析国内外消除Bowtie效应的基本原理和算法的基础上，在不用星历表数据的前提下，对中国、美国和澳大利亚及其周边地区数据进行了实验，找出了这些地区Bowtie 效应的规律，提出了一种简单有效的消除算法。实验结果表明，该算法可以在不使用星历表数据情况下快速有效地消除Bowtie 效应。     

一种基于分布差异的分形网络演化分割方法

针对分形网络演化多尺度分割方法对高分辨率遥感影像存在的欠分割问题,文章提出以KL散度为核心的区域合并标准,研究出一种基于KL散度原理的改进分形网络演化多尺度分割方法。该方法相对于分形网络演化多尺度分割方法,在合并标准上更充分利用了遥感影像的光谱特征,能够很好地消除因光谱差异造成的欠分割,对同质性较强的地物效果尤为明显。通过WorldView-2高分辨率影像分割实验,比较欠分割率,结果证明该方法更适合于高分辨率遥感影像分割,能够为地物信息提取提供与自然更吻合的实体对象。     

ASAR和TM数据协同反演植被覆盖地表土壤水分的新方法

考虑到主动微波和被动光学遥感数据反映地表土壤水分的各自优势,提出一种ASAR数据和TM数据协同反演植被覆盖土壤水分的半经验耦合模型.该模型通过简化MIMICS模型,将研究对象分为植被冠层和土壤层两部分,模拟了冠层叶片含水量与单位体积内植被消光系数,后向/双向散射系数的经验关系,减少了模型的输入参数,使模型最关键的输入参数为光学易于反演的叶面积指数LAI.LAI采用PROSAIL模型进行反演,实现微波和光学模型的耦合,并引入植被均方根高度（Sveg）来修正冠层重叠造成的雷达阴影效应,然后对半经验模型的系数进行了参数敏感性分析,发现在LAI较小时（LAI≤3）,模型更为适用.最后,选用甘肃黑河试验区的TM,ASAR数据,利用耦合模型生成了研究区土壤水分布图,并利用地面实测数据对该耦合模型和MIMICS模型进行比较验证.结果表明：通过对雷达阴影效应的校正,该模型反演的地表土壤水分与实测值的平均相对误差Er从17.6%减小到10.4%,RMS从0.055降低到0.031g/cm3.同时,耦合模型的反演效果明显好于MIMICS模型单独反演的结果（Er=22.7%,RMS=0.068g/cm3）;表明在LAI较小的区域,该主被动遥感耦合模型能有效的反演土壤水分,取得较好的反演精度.     

玛纳斯河流域绿洲生态经济功能区划研究

生态功能区划是寻求人类与自然和谐共处的有效途径.运用地理信息系统工具提取遥感图像数据,定性分析与定量评价相结合,对玛纳斯河流域绿洲进行生态经济功能区划.研究表明:玛纳斯河流域绿洲可以划分为4个生态经济功能亚区.该划分有助于为玛纳斯河流域绿洲资源开发、产业布局、灾害防治、环境综合整治、生态建设及经济发展分区管理提供科学依据.     

地理国情大数据研究框架

地理国情监测作为大数据时代测绘地理信息领域一个新的、重要战略方向,其发展迫切需要顶层设计与新型技术的支撑,需要建立一种灵活、高效、低成本的大数据处理模式与服务方式。本文以地理国情监测与大数据研究相结合为切入点,阐述了地理国情大数据的分类及特点,提出了云计算环境下地理国情大数据研究架构,并从地理国情大数据存储、处理、挖掘、应用服务4个方面探讨了地理国情大数据云平台建设思路。本文将有助于地理国情监测的生产方式与服务模式变革,推动地理国情监测的广泛应用与产业化发展。     

卷积神经网络在高分遥感影像分类中的应用

针对目前应用于高分辨率遥感影像分类的常用算法,其精度已无法满足大数据环境下的分类要求的问题,该文提出了卷积神经网络分类算法。卷积神经网络模型降低了因图像平移、比例缩放、倾斜或者共他形式的变形而引起的误差。在大数据环境下,采用卷积神经网络算法对高分辨率遥感影像进行分类,避免了特征提取和分类过程中数据重建的复杂度,提高了分类精度。通过实验比对分析,证明了卷积神经网络在高分辨率遥感影像分类中的可行性及精度优势,对遥感图像处理领域等相关工作提供了参考价值。     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。