集成空间变换结构与深度残差网络的遥感影像场景分类方法

针对传统高分辨率遥感影像的场景分类效率较低,以及卷积神经网络在遥感影像场景分类上由于空间不变性而导致的分类精度不高的问题,提出了一种结合空间变换网络和迁移学习的高分辨率遥感影像场景分类算法.首先,利用ImageNet数据集训练深度残差网络ResNet101得到预训练模型,通过知识迁移提高模型目标探测效率;之后在模型中嵌入空间变换结构,使模型能够主动在空间上变换特征映射,提高模型的鲁棒性;最后,在模型中添加Dropout层减小模型出现过拟合的概率.本方法在AID和NWPU-RESISC45两种不同规模的高分遥感影像数据集上进行了验证,在只有20%训练样本的情况下仍达到了94.30%和93.63%的分类精度.实验结果表明本次改进模型具有更好的特征提取能力,针对易误分类场景的分类结果更优.     

基于卫星遥感数据南海南部海洋表面流场反演

海表流场可直接影响海表的气候变化,且对于研究海气相互作用、热通量输送等具有重要意义.通过利用Jason-2号与HY-2号卫星高度计数据以及Metop卫星的ASCAT与HY-2号卫星散射计数据反演海表流场.利用距离加权平均法生成分辨率为0.25°×0.25°的网格,通过数据融合分别得到海表高度场与海面风场,在此基础上构建地转流和Ekman流反演数学模型.利用Jason-2与HY-2号卫星高程计数据反演地转流,利用ASCAT与HY-2号卫星散射计数据得出风应力驱动的Ekman流,合并两者得到海表流场.通过对研究海域海表流速的反演结果与OSCAR海流产品的对比分析,发现越靠近赤道的位置,其流速误差较大,最大相对误差达到了0.6 m/s.实验结果表明利用卫星遥感数据反演海洋表层流场能较为准确地表现实际海表流场的基本特征.