SARBuD 1.0： 面向深度学习的GF-3 精细模式SAR建筑数据集

合成孔径雷达SAR（Synthetic Aperture Radar）是开展城市建筑区信息获取与动态监测的重要数据源。本文建立了一个面向深度学习建筑区提取的中高分辨率SAR建筑区数据集SARBuD1.0 （SAR BUilding Dataset）。该数据集包含了覆盖中国不同区域的27景高分三号（GF-3）精细模式SAR图像,并从中获取了建筑区共计60000个SAR样本数据,结合光学图像与专家解译,制作了与样本数据对应的标签图像。SARBuD1.0数据集包含了不同地形场景类型、不同分布类型、不同区域的建筑区。该数据集可支持研究者对建筑区进行图像特征分析、辅助图像理解,并可对当前热点深度学习方法提供训练、测试数据支持。本文以山区建筑为例,使用传统纹理特征与深度学习特征对建筑区进行了特征分析与比较,相比于传统的人工设计的纹理特征,卷积神经网络具有更深、更多的特征,利用网络模型浅层的不同卷积核采样可得到各种纹理特征,在网络的深层卷积结构中可获取代表着类别的深层语义特征,使得分类器能更好地检测并提取图像中指定的目标。基于本数据集利用深度学习方法对不同地形区域的建筑区进行提取实验。实验结果表明基于本数据集训练的深度学习模型,对建筑区提取可以取得良好的结果,说明该数据集可以很好支持面向大数据的深度学习方法。其他学者可以基于SARBuD1.0数据集开展建筑区图像特征分析与语义分割提取等方面的研究。     

山区DEM的快速生成与精度分析

首先提出了利用计曲线快速生成DEM的思路与技术方法，并以黄土丘陵沟壑区和秦岭山区的部分区域为试验样区，评定所生成DEM的精度特征与应用适宜性。研究结果表明，无论在丘陵区还是高山区，该方法生成的DEM同首曲线生成的DEM相比，虽然在高程以及所提取的地面坡度、坡向、地面曲率、沟壑密度、地面粗糙度、地面起伏度等因子方面存在着程度不同的误差，但可在很大程度上满足地形分析与应用的需要。该方法对于高差大、地面坡度较大、地形变化规律性较强的山地与丘陵沟壑地区，不失为一种快速、简洁、有效的技术方法。