融合网格注意力阀门和特征金字塔结构的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中提取建筑物轮廓是地区基础建设信息统计的一项重要任务。适应性较强的深度学习方法已在建筑物提取研究中取得较大进展,受网络模型对影像特征表达的局限性,存在局部建筑轮廓边缘模糊的问题。本研究提出一种基于注意力的U型特征金字塔网络（AFP-Net）可以聚焦高分遥感影像中不同形态的建筑物结构,实现建筑物轮廓的高效提取。AFP-Net模型通过基于网格的注意力阀门Attention Gates模块抑制输入影像中的无关区域,凸出影像中建筑物的显性特征;通过特征金字塔注意力Feature Pyramid Attention模块增加高维特征图的感受野,减少采样中的细节损失。基于WHU建筑物数据集训练优化AFP-Net模型,测试结果表明AFP-Net模型能够较清晰地识别出建筑物轮廓,在预测性能上有更好的目视效果,在测试结果的总体精度和交并比上较U-Net模型分别提高0.67%和1.34%。结果表明,AFP-Net模型实现了高分遥感影像中建筑物提取的结果精度及预测性能的有效提升。     

基于ＤｅｅｐＬａｂｖ３＋的高分辨率遥感影像

提出一种建筑物自动化提取架构,基于ＤｅｅｐＬａｂｖ３＋网络模型,使用ＷＨＵ建筑物数据集,完成数据集增强、 模型训练、建筑物提取以及精度评估。实验表明,架构中ＤｅｅｐＬａｂｖ３＋模型分类的总体精度为９６．３％、准确度为 ９４．２％、召回率为９２．５％、Ｆ１得分为９３．３％、交并比为８７．５％,优于基于像素的分类方法（支持向量机、Ｋ均值聚类 算法（Ｋ－Ｍｅａｎｓ））和面向对象的分类方法（最邻近节点算法（ＫＮＮ）、分析与回归树）以及基于深度学习的分类方法 （ＵＮｅｔ、ＳｅｇＮｅｔ、ＰＳＰＮｅｔ）。文中构建的高分辨率遥感影像建筑物自动化提取模式,可以完成建筑物高精度高效率的 提取任务。     

济南市中心城区地表热环境时空变化分析

针对目前众多学者主要针对夏季热环境进行研究,分析方法相对单一,且融合地理探测器等多种方法针对不同季节相关分析研究相对较少的问题,该文基于2017-2018年Landsat8遥感数据,反演济南市中心城区四季的地表温度,综合运用景观格局指数法和剖面法分析不同季节热环境空间分布变化;利用相关性分析方法和地理探测器模型针对地表遥感指标和热环境进行相关性和影响力研究.结果表明:济南市中心城区除冬季,地表温度分布东高西低,与 自然地表、工业生产、人口活动等区位要素关联密切;气温骤降与骤增导致温度斑块割裂、聚合;水体、水汽与建筑的交互作用对春、夏、秋季的城市热环境影响最大,水体与不透水面(交互因子:0.392 952)对冬季热环境交互影响最大;城市热环境的空间分异特征受多因子影响,其中植被与水体(交互因子:0.379 927)、植被与水汽(交互因子:0.380 707)协同降温效应最优,建筑与植被(交互因子:0.278 922)协同保温效应最优.