光谱分辨率对地物分辨能力的影响分析

对高光谱数据进行地物识别处理时,如果直接采用原始观测值进行分析,由于相邻波段之间相关性强,进行地物识别时需要大量的训练样本,而且对于一些分布较少的地物类别则无法处理,因此需要通过特征选择来消除数据中存在的冗余,提高数据分析效率。本文针对在不同光谱分辨率条件下,对典型地物分辨能力的统计,分析了光谱分辨率对地物自动识别能力的影响情况。同时通过模拟数据的办法比较了高光谱数据和多光谱数据(以TM数据为例)对地物光谱特征的描述能力,指出高光谱数据存在的优势。通过本文的研究,为高光谱遥感技术在地物自动识别方面的应用提出了初步的方向。     

集成高度和彩色纹理特征的影像目标模糊聚类识别方法

提出一种基于高度和彩色纹理信息的目标识别方法 ,其目的是提取具有相对高度的地物。由于传统二维纹理分析的方法往往不能有效地提取这类目标 ,本文把高度、色彩和纹理信息有机地结合起来 ,提高了识别率。依据影像提取结果 ,探讨了树林对森林覆盖地区自动空中三角测量选点的负面影响 ,同时建议采用数据分组的方案来改善森林覆盖地区自动空中三角测量的精度 ,并用对比实验证明了其有效性。     

城市旅游形象塑造与传播策略

城市旅游形象是当今城市旅游发展的热点探索领域,城市旅游形象的塑造和传播是城市旅游的生命力所在,是促发人们前来旅游的动力,也是城市旅游发展的战略制胜点.在分析城市旅游形象塑造原则的基础上,探讨借助于多样化的手段,形成全方位的立体传播网络,使城市旅游保持长久的吸引力.     

基于时间序列Sentinel-1A数据的水稻识别

基于时间序列的Sentinel-1A数据,利用光谱相似性方法(SSM)对广东省台山县汶村镇和海宴镇进行了水稻识别。首先将SSM应用于时间序列SAR图像中,计算光谱相似度;再通过设置阈值获得初始水稻种植面积图;最后消除斑点噪声,获得水稻种植面积图。结果表明,基于VH极化图像,利用SSM和阈值法获得的水稻种植面积图的总体精度最高为97.34%,Kappa系数为0.94。因此,时间序列Sentinel-1A数据对于识别水稻或其他作物具有很大的潜力。     

台湾以东黑潮路径识别与变化规律

为研究对中国台湾以东海域黑潮路径及其变化,本文基于法国空间局AVISO中心提供的1993—2015年的卫星遥感海表流场逐日资料,对121°—125°E,22.4°—25°N海域黑潮路径进行了逐日识别,得到了共计23年累计8400天的台湾以东黑潮流轴的逐日路径,并研究其在不同纬度的流轴位置及其对应的表面黑潮流量的时空变化规律。主要结论如下:(1)采用模糊C-均值聚类法对台湾以东黑潮流轴路径进行聚类分析,发现台湾以东黑潮流轴在24°N以南出现明显摆动,形成正常和偏东两种路径;黑潮流轴存在明显的时间变化,流轴偏东现象年平均大约出现25次,大致每隔3年出现一次偏东较少的现象,各月流轴偏东次数以4、5月最少,10月至次年3月较多;(2)台湾以东黑潮表面流量大小在6.2—8.3×104m2/s之间;总体上来说,纬度越高流量越大,在23.5°N左右范围内存在一个流量低值中心;在24.3°N以北流量总体较大,且增长趋势稳定,同时表面流量大小具有较强的季节和年际变化特征。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

顾及兴趣点潜在上下文关系的城市功能区识别

城市功能结构的探索对人们理解城市及城市规划有着重要的作用。兴趣点(point of interest,POI)数据作为城市设施的代表,被广泛应用于城市功能区提取。以往对城市功能区研究大多只考虑了POI统计信息,忽略了POI中丰富的空间分布信息,而POI空间分布特征与区域功能密切相关。本文利用空间共位模式挖掘方法挖掘POI潜在上下文关系,提取POI空间分布信息,构建区域特征向量,并进行区域聚类;再利用POI类别比例、居民的出行特征等对聚类结果进行识别。以北京市核心城市功能区为例,将研究结果与北京市百度地图、居民出行特征进行对比验证分析。试验表明,本文方法能识别出具有明显特征的城市功能区,如成熟的娱乐商业区、科教文化区、居住区等。同时,与基于POI语义信息的LDA方法及顾及POI线性空间关系的Word2Vec方法进行对比分析,证明了本文方法的优越性。     

组合粗差探测的MHSS ARAIM算法

针对目前MHSS ARAIM (multiple hypothesis solution separation advanced receiver autonomous integrity monitoring)算法存在的抗差能力弱、计算子集过多、计算量过大等不足,提出一种组合粗差探测的MHSS ARAIM算法。该算法先用粗差探测方法对原始数据进行粗差识别与剔除,而后用MHSS ARAIM算法处理经粗差探测后的数据,可弥补MHSS ARAIM算法的不足。对若干IGS和全球连续监测评估系统iGMAS(international GNSS monitoring and assessment system)监测站观测数据进行计算和分析。结果表明:在航行LPV-200阶段,该算法应用于GPS和BDS导航的性能优于MHSS ARAIM;在假设单故障情况下,该算法对GPS和BDS观测数据的有效监视门限EMT(effective monitor threshold)的精度分别提高了22.47%和9.63%,对VPL(vertical protection level)的精度分别提高了32.28%和12.98%;在假设双故障情况下,对EMT的精度分别提高了80.85%和29.88%,对VPL的精度分别提高了49.66%和18.24%。     

基于无人机多源遥感数据海岛植被叶面积指数协同反演研究

无人机多源遥感数据的获取、融合以及应用是当今研究的热点和难点。文中以城洲岛为例,针对海岛特殊的地理生态环境,获取无人机多源遥感数据。结合无人机多光谱遥感数据定量分析各遥感植被指数与植被叶面积指数(Leaf Area Index, LAI)的响应关系,构建单因子遥感反演模型;基于无人机激光LiDAR点云提取海岛植被冠层高度模型(Canopy Height Model,CHM),并将其作为自变量引入到多源统计回归分析中,从而构建多源遥感数据协同反演模型,对区域尺度下海岛叶面积指数(LAI)进行估算,开展验证和精度评价。结果显示,加入植被冠层高度因子的协同反演模型的判定系数R2为0.92,绝对平均误差系数为12.29%,预测精度要优于单因子反演模型(判定次数R2为0.86,绝对平均误差系数19.95%)。研究表明,加入了植被冠层高度因子的协同反演模型能在一定程度上提高乔木植被LAI的预测精度。实践证明,无人机多源遥感技术在生态学定量研究中具有巨大的潜力和广阔的应用前景。