卷积神经网络在卫星遥感海冰图像分类中的应用探究

本文以TensorFlow为框架搭建卷积神经网络,基于迁移学习的思想,以经典的手写数字识别作为引入,对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源,分析了不同函数组合对遥感海冰图像分类的影响,优选出交叉熵代价函数与ReLU激活函数为最佳的组合,证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证,其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别,讨论了样本的窗口尺寸对海冰分类结果的影响,发现在400×400小范围分类实验中最佳窗口尺寸为2×2;最后对整个渤海海域进行识别验证,效果较好。     

卷积神经网络在SAR遥感海岛海岸带地物信息提取中的应用综述

为满足科学管理海岛海岸带的需求,发掘合成孔径雷达（SAR）在海岛海岸带地物信息提取中的应用潜力,文章概述SAR和卷积神经网络的原理,分析卷积神经网络应用于SAR遥感海岛海岸带地物信息提取的可行性和优势。研究结果表明：通过卷积神经网络提取SAR数据中的海岛海岸带地物信息,无须预先提取图像特征,卷积神经网络能够自动提取图像中更本质和更抽象的特征,更好地应对地物目标的非线性混合;这种提取方法的精度更高,鲁棒性和泛化能力更强,可应用于海岛海岸带的精细化监测,为海岛海岸带的科学管理提供支撑。     

卫星遥感海冰监测系统在渤海海冰监测中的应用

海冰是渤海冬季常见的一种海洋灾害,对渤海海冰的监测是海洋防灾减灾的重要一环.本文初步分析了卫星遥感监测渤海海冰的能力,介绍了一种结合多遥感卫星数据源的海冰监测系统的搭建方法,该系统实现了从数据输入、预处理直至海冰信息提取、成果输出全过程的处理功能.最后介绍了该系统建成后在2010-2011年冬季渤海海冰监测中的应用情况...     

海冰卫星遥感资料的分析与应用技术研究

本文以卫星遥感资料为基础，与其它冰情实况历史资料进行比较，分析和研究，制定出各预报海区年度及月旬结冰范围等级标准，同时也得到我国结冰海区冰情变化的一些规律。     

模板匹配法在遥感海冰位移上的应用

我们运用模板匹配法即最大互相关方法(MCC)从相邻时间的海冰遥感图像跟踪海冰的表观漂移,得到了辽东湾海冰表观位移的空间分布.我们试验了计算机自动跟踪和人机交互式特征跟踪两种方法,并对模板匹配中的几个问题进行了讨论.     

MODIS数据在海冰遥感中的应用

MODIS数据作为中国可见光遥感的重要数据源之一,目前已经在许多领域获得了重要应用.国家卫星海洋应用中心从2000年开始接收处理MODIS数据,并同时为海冰预报提供海冰遥感图像服务.本文利用MODIS卫星遥感的原始数据,通过对数据进行地理定位、辐射定标等处理,形成MODIS数据的一级产品,并利用海冰实验的实测数据和海冰光谱分析,对一级产品进行定量化处理,获得了海冰厚度、密集度和外缘线等海冰数值产品,逐步应用于海冰的预报服务.     

模板匹配法在遥感海冰位移上的应用

我们运用模板匹配法即最大互相关方法(MCC)从相邻时间的海冰遥感图像跟踪海冰的表观漂移,得到了辽东湾海冰表观位移的空间分布。我们试验了计算机自动跟踪和人机交互式特征跟踪两种方法,并对模板匹配中的几个问题进行了讨论。     

海冰密集度卫星遥感反演研究进展

海冰密集度是海冰的重要参数之一,在冰区导航、海上作业、海冰模式验证和气候模型改进等方面具有重要意义。卫星遥感具有覆盖范围广、重访周期短、成本相对低等优势,已成为获取海冰密集度的主要观测手段。本文从主被动微波遥感和光学遥感的角度,回顾了现阶段海冰密集度卫星遥感反演研究进展情况,包括海冰监测传感器、海冰密集度反演算法和海冰密集度产品等。结果表明,被动微波遥感是目前获取海冰密集度的主要方式,已发展出许多成熟的业务化算法;主动微波遥感数据已成为制作冰情图的主要数据源,海冰密集度反演算法由合成孔径雷达SAR（Synthetic Aperture Radar）图像分类向深度学习算法发展;光学遥感海冰密集度算法较为成熟,但受限于云层和夜晚限制,其反演结果多用于其他海冰密集度产品的验证。受传感器硬件限制,3种观测手段各有其长处与不足。为获得高精度、高时空分辨率的海冰密集度数据,开展多源数据融合研究是解决传感器性能瓶颈的有效手段。大数据时代,基于深度学习的海冰密集度卫星遥感反演技术快速发展,需要深度融入海冰密集度卫星遥感领域知识。海冰密集度卫星遥感反演应着力于海冰预报服务,致力于提高我国的海冰预报能力。     

基于双极化SAR图像的U-Net海冰多分类模型

北极多年冰在近几十年有明显的减少趋势,与北极海冰的厚度、体积和夏季最小海冰范围的减少密切相关。合成孔径雷达(synthetic aperture radar, SAR)具有全天时、全天候成像能力,基于SAR卫星影像的海冰分类对监测北极多年冰具有重要意义。基于深度学习U-Net模型,以SAR图像的双极化信息为模型输入,构建了像素级的海水、一年冰和多年冰多分类模型。与已有SAR图像海冰分类方法(支持向量机、随机森林和卷积神经网络)进行对比,基于双极化SAR图像的U-Net海冰分类模型的准确率、平均重叠度和Kappa系数,分别达到了90.73%、0.831和0.849,优于其他对比模型,分别提升了4.08%～19.04%, 0.063～0.321和0.111～0.335。此外,针对SAR图像水平-垂直极化(horizontal-vertical polarization, HV)有明显的条状热噪声和水平-水平极化(horizontal-horizontal polarization, HH)受入射角效应而亮度不均匀的特点,设计敏感性实验,研究HV噪声、入射角和灰度共生矩阵(gray leve...     

海冰卫星遥感资料微机处理系统的改进与应用

本文利用我台１９９１年引进的“极轨气象卫星数字信号实时采集和处理的微机系统”，根据海冰预报业务工作的需要对卫星遥感资料微机处理系统进行了开发和改进。为实现渤海及黄海北部海冰冰情实况速报业务及海冰数值预报提供了重要的基础资料     

中巴资源卫星在红树林遥感调查中的应用研究

利用资源卫星信息提取技术，探讨中巴资源卫星(CBERS-1 CCD)数据在红树林资源调查中的应用能力。由于红树林群落间光谱特征的近似性和数据本身光谱信息的限制，给分类信息提取带来了困难。将红树林植被分布区与陆地植被分开，结合实地调查结果准确选取各群落训练区，采用神经网络分类法分类，获得了精度较高的分类结果。在此基础上，对主要群落的空间分布特征进行了简要分析。     

基于遥感数据的近40 a弗雷姆海峡海冰输出研究

北极海冰作为一个巨大的淡水资源库, 每年向全球输送大量淡水资源, 从北极输出的海冰在向南输送的过程中融化, 对海洋水循环与水环境产生影响, 进而影响全球气候变化, 弗雷姆海峡作为北极海冰输出的主要通道, 对其研究显得尤为重要。为了解弗雷姆海峡海冰长期输出量, 利用美国冰雪数据中心（NSIDC）发布的海冰密集度、海冰厚度与海冰漂移速度数据, 计算得到 1979 年至 2019 年弗雷姆海峡海冰输出面积通量与 2010 至 2019 年弗雷姆海峡海冰输出体积通量, 并在此基础上分析弗雷姆海峡近 40 a 海冰输出量的变化状况以及弗雷姆海峡海冰输出的年际变化、季节变化, 并分析了影响弗雷姆海峡海冰输出量的可能原因。结果表明: 近 40 a 弗雷姆海峡年均海冰输出面积通量为 7.83×10⁵ km²,近 10 a 弗雷姆海峡海冰年均输出体积通量为 1.34×10⁶ km³, 从长期来看, 弗雷姆海峡海冰输出面积通量呈略微增加趋势, 弗雷姆海峡海冰输出体积通量在 2010—20...     

“北京一号”小卫星图像在渤海海冰监测中的应用

利用“北京一号”小卫星全色和多光谱影像对冬季渤海海冰进行了监测。根据多光谱谱段特征和现场测试的海冰光谱之间的对应关系, 建立了卫星影像冰水识别、渤海海冰外缘线的模型, 估算了海冰面积及判别海冰发展趋势;对卫星影像数据进行监督分类, 建立了相应的分类模型;根据海冰类型的不同将海冰区域进行了划分, 并作为对海冰灾害严重程度的判别依据;以2007年度冬季为例, 对渤海海冰的分布面积进行了统计, 与海冰监测业务中使用的MODIS数据反演结果进行了对比, 对比结果显示“北京一号”卫星可以为海洋监测和预报服务部门提供高分辨率海冰遥感信息, 并为我国海冰灾害的防范提供可靠有效的资料。     

基于长短时记忆神经网络的辽东湾海冰延伸期预报方法研究

通过合成分析和回归分析,研究了影响辽东湾海冰变化的局地和大尺度环流因子,并基于一种深度学习方法——长短时记忆神经网络(LSTM),建立了辽东湾海冰延伸期预报模型。结果表明,LSTM模型能较好地预报出未来15 d辽东湾海冰的总体发展趋势、浮冰外缘线离岸距离的振荡变化及峰值发生时间等关键特征,1～15 d预报的平均绝对误差为4.1～5.7 n mile~①,均方根误差为5.4～7.5 n mile。LSTM模型的预报时效可达到15 d,较目前海冰数值预报(5～7 d)的时效延长一倍,且运算速度极快,能够节省大量的计算资源和时间成本。该模型的建立为利用深度学习方法开展海洋和气象预报提供了一种新思路。     

卷积神经网络在近岸表层海温预报中的应用

针对数值预报和人工经验预报在近岸定点表层海温(sea surface temperature, SST)预报中预报准确度不高,将近岸台站定点SST预报转换为多元时间序列预测任务,应用卷积神经网络(convolutional neural networks, CNN)构建近岸台站定点SST时间序列变化模型,对近岸台站每日最高海温、最低海温、平均海温进行预报,并与人工经验方法和长短期记忆网络(long short-termmemory,LSTM)方法进行对比试验。结果显示,在测试数据中相比人工经验预报,CNN方法全年日最高海温预报平均绝对误差(mean absolute error, MAE)为0.36℃,平均下降0.14℃,均方根误差(root mean squared error, RMSE)为0.49℃,平均下降0.21℃,日最低海温预报MAE为0.36℃,平均下降0.17℃, RMSE为0.63℃,平均下降0.24℃,日平均海温预报MAE为0.30℃, RMSE为0.47℃,预报性能和LSTM模型预报性能相当。研究表明CNN应用于近岸SST预报具有可行性,能够有效地提高SST预报准...     

融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。     

基于混合损失U-Net的SAR图像渤海海冰检测研究

渤海是我国重要的经济区,海冰灾害严重威胁着人类生产活动。合成孔径雷达具有全天候成像能力,研究渤海区域的SAR图像海冰检测具有重要意义。传统海冰检测方法受限于特征提取方法和建模方式,检测精度有待提升。深度学习具有极强的特征自学习能力,适用于图像检测问题。本文基于深度学习框架U-Net,以Sentinel-1双极化（VV和VH）合成孔径雷达图像为输入信息,设计混合损失函数优化传统U-Net模型,形成了基于混合损失U-Net的渤海海冰检测模型。将本文模型与传统海冰检测方法[脉冲耦合神经网络（PCNN）、马尔科夫随机场（MRF）和分水岭算法]和基于深度卷积神经网络（CNN）的深度学习方法进行了对比。实验结果表明：本文基于混合损失U-Net的海冰检测模型在重叠度、F1分数、精确度和召回率4项度量指标上分别达到了97.567%、98.769%、98.767%和98.771%,检测效果明显优于对比方法;双极化信息输入的检测结果比VV单极化输入的检测结果在F1分数、精确度、召回率和重叠度上分别提高了0.375%、0.111%、0.639%和0.740%;混合损失函数的检测结果比非混合损失函数的检测结果在F1分数、精确度、召回率和重叠度上分别提高了1.129%、0.947%、1.794%和2.231%;模型能对冰水沿线、冰间水道、冰间隙等细节进行有效检测;可应用于渤海区域整幅SAR图像的海冰检测,为海冰监测、海冰变化分析、海冰预报提供技术支撑。     

基于深度卷积神经网络的海洋牧场岩礁性生物图像分类

水下视频可直观记录和反映海洋牧场生物资源的现状和变动,目前亟待开展基于图像的海洋牧场生物识别分类方法研究,以充分发挥图像处理技术在海洋牧场生物群落监测领域的应用潜力。利用采集自我国北方烟威地区包含鱼礁、藻床和泥沙三种图像背景的水下视频,开展了图像增强、图像分类数据集的建立和3种分类模型的应用。对比了基于绿通道的色彩补偿和限制对比度的自适应直方图均衡等方法在海洋牧场水下图像增强上的效果。建立了北方海洋牧场常见岩礁生物图像分类数据集,包括花鲈(Lateolabraxjaponicus)、(Lizahaematocheilus)、许氏平鲉(Sebastes schlegelii)等鱼类11种、棘皮类3种和蟹类1种,共23 211张图像。基于飞桨深度学习框架和PaddleX全流程开发工具,选择AlexNet、MobileNetV3和ResNet50三种图像分类卷积神经网络进行迁移学习,并分别验证了其在含噪音水下图像上的鲁棒性。结果表明,三种模型在测试集的类准确率分别达到96.64%、94.75%和99.23%,其中ResNet50模型在含有高斯噪音的图像集验证具有更好的鲁棒性。综之,基于深度学习的计算机视觉技术在我国海洋牧场生物群落监测中具有较大应用潜力,可为我国海洋牧场监测和管理提供新的思路和方法。     

基于遥感图像分析的极区海冰漂移研究

对极区的海冰运动进行观测具有重要的意义,卫星遥感技术是目前极区海冰监测的重要手段.星载多光谱仪器和合成孔径雷达(SAR)能够生产高分辨率、宽刈幅、连续的遥感图像,是开展海冰遥感监测的优选载荷.通过对极区遥感图像的分析,可以获取极区海冰漂移运动的资料信息.文中提供了可用于极区海冰漂移研究的遥感资料源,详细介绍了两种基于遥感图像的海冰运动分析方法:相关匹配法与光流算法,以及两种方法的对比;利用文中介绍的遥感资料和分析方法,在两极海区发现了明显的海冰中尺度运动特征.