结合注意力与双分支的高光谱树种分类研究

针对浅层机器学习方法在高光谱树种分类中存在的特征提取困难、泛化能力不足等问题,该文提出了一种基于注意力机制的双分支空谱联合网络,该网络由光谱分支和空间分支组成,在各分支中加入注意力机制对特征进行细化,以提取出更关键特征实现高精度树种分类。实验结果表明,该文提出的网络在3个数据集中均获得了89%以上的分类精度。利用高光谱影像和双分支注意力网络可以实现树种的高精度分类,在森林资源调查和监测中具有较大的潜力。     

轻小型无人机高光谱遥感原始数据存储与验证

高光谱遥感数据具有丰富的信息,但多通道海量光谱信息的存在给原始数据的存储带来了较大的压力.尤其是在轻小型无人机领域的应用中,受搭载平台的制约,无法使用体积与质量过大的存储介质.SD卡是一种体积小、容量大的存储设备,被广泛应用于无人机遥感数据的存储中.但一般的SD卡控制器实际的写入速度为30 MB/s,无法完成高速高光谱...     

激光点云数据的输电通道淹没分析

针对从数字高程模型(DEM)数据中提取有源淹没范围的算法实现中,种子蔓延算法的递归深度太深,在给定洪水水位条件下容易堆栈溢出的缺点.该文提出了两次遍历的实现方法解决了上述问题.利用直升机激光三维扫描技术获取到输电线路的点云数据,经过点云预处理、分离地面点、栅格化处理等操作,得到了高精度DEM数据.利用DEM数据的特点,通过ArcGIS Engine建立了快速、高效的洪水淹没深度识别模型和有源淹没范围提取模型.可用于模拟重现淹没范围,为分析输电线路灾情特征、制定应急处置方案提供决策支持.     

联合无人机LiDAR与Sentinel-2影像估算大豆叶面积指数

针对利用卫星遥感影像进行大范围反演大豆叶面积指数(LAI)时人工野外样本实测耗时耗力的问题，该文以黑龙江省海伦市、嫩江市两块大豆样地作为研究对象，使用无人机平台获取激光雷达(LiDAR)点云数据，利用孔隙度模型进行大豆LAI反演，根据地面实测数据开展精度评价，并进一步探讨利用无人机LiDAR反演值替代地面实测值进行Sentinel-2卫星影像LAI反演的可行性。实验结果表明，去掉地块边缘混合单元网格影响后，两块大豆样地的LAI反演精度均优于90%。利用无人机LiDAR反演值替代地面实测数据与植被指数构建回归模型，大范围卫星反演LAI精度均优于86%。