基于深度学习的卫星多通道图像融合的海雾监测处理方法

海雾无论在海上还是在沿岸地带，都因其恶劣的能见度对交通运输、海洋捕捞和海洋开发工程以及军事活动等造成不良影响，因此对于海雾的实时监测和预报就显得尤为重要。本文提出了基于深度学习的静止气象卫星多通道图像融合分割算法，使用D LinkNet深度卷积神经网络语义分割算法模型对黄渤海海域范围的16通道、空间分辨率为0.5 km的Himawari 8卫星数据进行研究。分别采用均交并比（mIOU）以及观测值检验作为评价指标，在测试集上的mIOU为0.9436，并且用卫星测试数据结果与海上观测数据结果进行对比，得出雾区准确率（检测有雾且真实有雾/检测有雾）为66.5%，雾区识别率（检测有雾且真实有雾/（真实有雾-云覆盖））为51.9%，检测正确率(检测正确/总样本)93.2%。本文提出的方法能为海雾监测提供一个可靠的参考。     

长时序Landsat的北极Lena河DOC浓度变化及驱动力分析

北极Lena河是世界第十长河,也是北极地区第二大河,其年径流量约占北冰洋淡水总量的20%,同时将陆地生态系统上的大量有机物携带进海洋,并且在全球碳循环中起到非常重要的作用。卫星遥感数据是监测河流有机碳循环的重要数据源,特别是在无冰期的高纬度地区。本研究的目的是:(1)建立一种高精度反演算法估算北极Lena河的溶解有机碳DOC (Dissolved Organic Carbon)浓度;(2)分析长时间序列遥感影像中DOC浓度的变化特征;(3)探讨北极Lena河的DOC浓度变化的主要驱动因素。本文中主要构建了一种基于谷歌地球引擎GEE的遥感反演算法,利用1999年—2018年的Landsat影像反演得到了北极Lena河的有色溶解有机物CDOM(Chromophoric Dissolved Organic Matter)浓度。基于CDOM与DOC这两种水体成分的实地测量值之间的强相关性(R2=0.873),本文将CDOM反演结果转换为DOC浓度。在此基础上,本文分析了近20年的北极Lena河无冰期DOC的时空动态变化。研究结果表明反演算法所表现的性能证实了使用Landsat系列不同传感器长时间监测河流DOC变化的能力。利用增强回归树模型分析了北极Lena河的DOC变化的是土地覆盖变化、流域坡度、气象因子、人类活动以及纬度地带性等众多驱动因素的共同影响,而季节性,地域性和规模性也会影响DOC浓度与上述驱动因素之间的定量关系。总之,本文的结果可以提高监测北极地区不同河流中DOC变化及其通量的能力,并加深对北极碳循环的了解。     

有人/无人机协同护航反潜研究

随着无人机作战应用范围的扩大,有人驾驶飞机与无人机协同反潜作战,将是未来航空反潜的重要方式。基于有人/无人机协同反潜作战过程和任务,提出了有人/无人机协同配置原则,确定了反潜巡逻机和无人机区域设置方法。仿真分析结果验证了有人/无人机协同反潜方法的可行性、实用性,为两者协同护航反潜作战提供了参考,对充分发挥无人机未来在反潜作战中的作用提供了有价值的参考。