遥感影像样本数据集研究综述

随着机器学习、深度学习等人工智能技术在遥感领域的不断应用与发展,基于海量样本的数据驱动模型已经成为遥感影像信息提取的一种新的研究范式,其对样本数据的规模、质量、多样性等提出了更高要求。最近,国内外众多学者和研究机构相继发布了一系列遥感影像样本数据集,为大数据时代下遥感影像的信息提取和智能解译等奠定了研究基础。然而目前尚缺乏对上述影像样本数据集的综合分析,针对这一问题,本文在文献检索与分析的基础上,归纳总结了124个具有一定影响力且应用广泛的遥感影像样本数据集并对其元数据进行了分析,并提供了数据来源、应用领域与关键词的发展变化,分析了数据集在空间、时间、光谱分辨率上的差异,以应用领域为依据将其划分为场景识别、土地覆被/利用分类、专题要素提取、变化检测、目标检测、语义分割等8个类别并以部分数据为例进行了具体分析,总结了深度学习模型在数据集上的研究进展,并针对稀疏样本导致的模型过拟合问题,探讨了样本时空迁移、小样本和零样本学习、样本主动发现、样本生成等在遥感影像信息提取中的应用前景。本文首次对遥感影像样本数据集进行了综述研究,可为相关领域科研人员提供数据参考。     

智能遥感深度学习框架与模型设计EI北大核心CSCD

近年来,随着遥感技术的快速发展,遥感对地观测数据获取量与日俱增。在对海量遥感数据的特征提取与表征上,基于深度学习的智能遥感影像解译技术展现出了显著优势。然而,遥感影像智能处理框架和信息服务能力还相对滞后,开源的深度学习框架与模型尚不能满足遥感智能处理的需求。在分析现有深度学习框架和模型的基础上,针对遥感影像幅面大、尺度变化大、数据通道多等问题,本文设计了嵌入遥感特性的专用深度学习框架,并重点讨论了其构建方法,以及地物分类任务的初步试验结果等。本文提出的智能遥感解译框架架构将为构建具备多维时空谱遥感特性的深度学习框架与模型提供有力支撑。     

耦合知识图谱和深度学习的新一代遥感影像解译范式

在遥感大数据时代,遥感影像智能解译是挖掘遥感大数据价值并推动若干重大应用的关键技术,如何将知识推理和数据学习两类解译方法有机联合已成为遥感大数据智能处理的重要研究趋势。由此提出了面向遥感影像解译的遥感领域知识图谱构建与进化方法,建立了顾及遥感成像机理和地理学知识的遥感领域知识图谱。在遥感领域知识图谱支撑下,以零样本遥感影像场景分类、可解释遥感影像语义分割以及大幅面遥感影像场景图生成3个典型的遥感影像解译任务为例,研究了耦合知识图谱和深度学习的新一代遥感影像解译范式。在零样本遥感影像场景分类实验中,所提方法在不同的可见类/不可见类比例和不同的语义表示下,都明显优于其他方法;在可解释遥感影像语义分割实验中,知识推理与深度学习的联合方法取得了最好的分类结果;在大幅面遥感影像场景图生成实验中,知识图谱引导的方法精度明显高于基准的频率统计方法。遥感知识图谱推理与深度数据学习的融合可以有效提升遥感影像的解译性能。     

高分辨率遥感影像智能解译研究进展与趋势

遥感影像解译是一个不断发展的研究方向,随着日新月异的遥感应用需求、高分辨率遥感数据的快速发展、地理知识的日积月累、以及人工智能技术的发展,亟需发展自动化、智能化的遥感影像解译技术。本文针对遥感影像智能解译,首先从遥感影像解译单元、分类方法、解译认知3个方面阐述遥感影像解译的研究进展,然后提出了面向地理场景的 “地理知识图谱构建—深度学习模型构建—地理知识图谱与深度学习模型协同的遥感影像语义分类”遥感影像智能解译总体框架,并给出初步试验成果,最后对智能解译的重要发展趋势予以展望,以期拓展遥感影像智能解译研究的思路与方法,提高遥感影像智能解译的精细程度和智能化水平,使智能解译具备地理空间理解能力,推动“数据—信息—知识—智能”的深度转化。     

遥感影像智能解译样本库现状与研究

我国遥感对地观测等项目顺利实施,获取了大量时效性强、覆盖范围广、信息量丰富的遥感数据.但遥感影像智能化自动处理技术发展仍相对滞后,无法满足区域/全球大范围地物信息快速提取的需求.近年来,人们利用深度学习技术显著提高了影像特征提取成效,但由于所使用的深度学习样本数量和类型有限,对于多源遥感影像的自动解译能力仍然不足.本文面向大范围多源遥感影像地物信息智能解译需求,在分析现有样本集现状及问题的基础上,研究提出遥感影像智能解译样本库设计方案,并在此基础上设计了基于互联网的样本协同采集与共享服务框架.本文将为多源遥感影像样本库建设提供参考,为大范围遥感影像智能解译提供支持.     

遥感大数据智能解译的地理学认知模型与方法

随着遥感数据和计算机算力的爆炸式增长、智能分析算法瓶颈的突破,亟须提升与之相匹配的遥感大数据处理与分析能力。针对复杂场景下遥感大数据智能处理与地理学认知耦合关联和交叉融合的关键问题,本文分析了遥感大数据与地理科学各自的特点与相互关系,提出了多模态知识融合关联的深度网络构建和面向地理制图的遥感智能解译思路,建立了遥感大数据智能处理与应用体系框架;面向技术发展和行业应用,本文提出了分别建设通用高分辨率遥感智能处理系统和智能精准应用平台的总体路线,以期推动遥感智能解译技术创新和工程化应用的全面发展。     

遥感大数据条件下多星一体化处理与分析

中国对地观测数据获取量持续增加,已步入遥感大数据时代,开展多星一体化数据处理与应用已成为发展趋势。文章从成像处理与信息提取两个方面系统回顾了技术发展过程,剖析了现有前沿方法的优势和特点,指出成像处理领域建立统一处理模型、信息提取领域建立高效学习模型面临的主要挑战。在此基础上,结合实际应用需求,提出了遥感大数据条件下多星一体化处理与分析的新思路,重点阐述了多星一体化处理与分析的基本概念、科学问题与解决方案,通过构建基于生成对抗网络的多星一体化成像处理模型与记忆保持的多任务特征共享与小样本增量学习模型,综合利用不同卫星和载荷间、不同任务和目标间信息,实现高质量图像产品的生成与高精度标注结果的提取。文末给出了技术途径和初步试验验证,并展望后续技术攻关方向。     

多源卫星影像的摄影测量遥感智能处理技术框架与初步实践

回顾并分析了摄影测量与遥感学科的发展历程,并针对大数据和智能化测绘新时代的多源遥感影像精准快速智能处理的迫切需求,本文提出摄影测量遥感的科学概念.全新的摄影测量遥感主要由摄影测量和遥感两个学科的交叉融合而形成,致力于研究解决同步探测被摄目标的几何位置、物理属性、语义信息和时序变化关系的理论方法及技术问题,其理论基础和支撑学科包括摄影测量、遥感、人工智能、大数据处理与高性能计算等,将突破目前摄影测量侧重几何处理、遥感侧重语义信息提取反演的相对独立现状和串行技术路线,通过几何模型与光谱辐射反射信息的深度交叉融合形成几何语义一体化处理机制.本文在阐述摄影测量遥感基本概念的基础上,初步探讨了其涉及的主要科学问题及相关研究应用领域,并以多源遥感卫星影像为例构建了一体化摄影测量遥感智能处理技术框架,通过语义信息提取与精准几何处理的交叉闭环融合,显著提升了高分辨率多源遥感卫星影像精准快速处理的自动化和智能化水平,多个应用实践初步验证了相关理论方法的正确性和有效性.     

测绘地理信息与导航高端论坛——《测绘学报》创刊60周年学术研讨会通知(第一号)EI北大核心CSCD

时间：2017年10月21日地点：深圳当前,新一轮科技创新和产业发展正在深度融合,以互联网＋为代表的信息技术飞速发展,泛在测绘与位置服务的发展已经进入大数据时代,智能、快捷服务已经渗透到我国各个行业,测绘地理信息行业资本融合势头迅猛。国家测绘地理信息局也在《测绘地理信息＂十三五＂规划》中,确立了新型基础测绘、地理国情监测、应急测绘、航空航天遥感测绘、全球地理信息资源开发＂五大业务＂,形成了公益性保障与地理信息产业市场化服务协同发展和深度融合的工作布局。     

基于深度学习的高光谱遥感图像混合像元分解研究综述

高光谱遥感是以成像光谱学为基础发展起来的一项综合性遥感技术,它能够同步记录成像区域内地物的空间信息和光谱信号,故而也称为“成像光谱遥感”。高光谱遥感所获取的数据称为“高光谱遥感图像”,相较于传统的遥感数据,高光谱遥感图像具有光谱分辨率高和“图谱合一”的特点,目前已成为遥感工程应用中的重要支撑数据之一。然而,受空间分辨率限制,混合像元（即某一像元内包含多种类型的地物）问题始终限制着高光谱遥感在精细化地物信息提取工作中的作用。混合像元分解（“解混”）是现阶段处理混合像元问题最有效的分析方法,旨在从亚像元角度出发,获取像元中纯净的光谱信号（“端元”）,并分析出各类端元在像元内所占的比例（“丰度”）。在遥感领域,为实现地物信息精细化解译,目前已发展出不同类型的解混方法,在一定程度上解决了混合像元问题对遥感定量化分析的制约。如今,随着深度学习的发展,越来越多的先进理论和工具被用于处理混合像元问题,发展出了一类基于深度学习的新型解混方法。这些新方法以光谱混合模型为桥梁,用深度学习方式来解译光谱混合现象。相比于传统的解混方法,基于深度学习的解混方法在隐藏信息的挖掘和利用方面更具优势,对先验知识依赖程...     

生态系统遥感：内涵与挑战

生态系统遥感以生态系统为对象,研究生态系统类型、格局、功能、服务及其过程的遥感解析方法,发展遥感驱动的生态系统服务评估方法,揭示贯穿在生态系统类型、格局、功能、服务中的深层次生态系统过程与隐性表现。新一代卫星和传感器为生态系统遥感提供了全新的数据源。生态系统类型和格局辨识能力还有待提高,从而对智能信息提取提出了更高的要求。生态系统功能监测方面还需要充分挖掘遥感数据的深层隐含特征,发展出一些易于处理且能够反映生态系统功能特征的新指标。生态系统服务评估方面仍需,发展遥感驱动的新的生态系统评估模型。与云平台的结合是生态系统遥感的未来发展方向,为全民参与生态环境保护及监督提供了契机,也可为重大工程的生态效应评估提供更丰富的数据支撑。     

对遥感科学应用的一点看法

本文提出遥感科学发展至今,需要进一步拓展和深化应用的一点思考。遥感已经无处不在,遥感学者不能停留在对传统的航空和卫星遥感数据的处理和分析,应该把现在无处不在的地面摄像、录音甚至是味觉传感数据以及其他社会经济大数据应用起来。遥感学者走出自己的熟悉领域实现跨学科发展,才能取得更大的科学突破。最后对遥感在实现联合国可持续发展目标中的作用进行展望,以期对年轻学者有一定帮助。     

数据驱动的蒸散发遥感反演方法及产品研究进展

蒸散发是水圈、大气圈和生物圈中水分循环和能量交换的纽带。在全球尺度上,蒸散发约占陆地降水总量的60%;作为其能量表达形式,潜热通量约占地表净辐射的80%。随着通量观测技术的发展,全球长期持续的观测数据得以获取和共享,近年来基于数据驱动的蒸散发遥感反演方法取得了较好的研究进展。本文针对数据驱动的蒸散发遥感反演方法和产品,从经验回归、机器学习和数据融合3个方面展开,对现有的研究进展进行了梳理、归纳和总结,并从驱动数据、反演方法、已有产品等方面指出目前仍存在的问题和不足。未来仍需开展数据驱动的高时空分辨率的蒸散发遥感反演方法的研究,有效考虑地表温度和土壤水分等可以指示地表蒸散发短期变化的重要信息,同时加强基于过程驱动的物理模型与数据驱动的模型的结合,使两类模型能互为补充、各自发挥所长,共同推动蒸散发遥感反演研究水平的进步。     

面向农作物监测的遥感信息处理技术研究

以区域性主要农作物种类识别、长势分析与产量估算及农业种植结构现状监测为主要研究对象,开展适于农业管理部门业务化运行的卫星遥感信息处理的关键技术研究。从分析主要作物类型识别的遥感物理依据入手,提出了卫星遥感数据处理及专题信息提取的基本技术框架、主要农作物类型及种植面积信息的提取方法以及主要粮食作物长势分析和产量估算模型,并对结果进行了简要的精度分析。     

The U.S. Geological Survey Land Remote Sensing Program

The U.S. Geological Survey has been a provider of remotely sensed information for decades. As the availability and use of satellite data has grown, USGS has placed increasing emphasis on expanding the knowledge about the science of remote sensing and on making remotely sensed data more accessible. USGS encourages widespread availability and distribution of these data and through its programs, encourages and enables a variety of research activities and the development of useful applications of the data. The science of remote sensing has great potential for assisting in the monitoring and assessment of the impacts of natural disasters, management and analysis of environmental, biological, energy, and mineral investigations, and supporting informed public policy decisions. By establishing the Land Remote Sensing Program (LRS) as a major unit of the USGS Geography Program, USGS has taken the next step to further increase support for the accessibility, understanding, and use of remotely sensed data. This article describes the LRS Program, its mission and objectives, and how the program has been structured to accomplish its goals.     

A New Approach to Improve the Cluster-based Parallel Processing Efficiency of High-Resolution Remotely Sensed Image

Object-oriented remotely sensed images processing method has been accepted by more and more experts of remote sensing. To advance the efficiency of data processing, parallel image computing is a good choice since large volumes of data need be analyzed efficiently and rapidly. This paper presents the information extraction method based on per-parcel extraction of high-resolution remotely sensed image; to extract efficiently different information from remotely sensed image, this paper gives the research idea of image rough-classification based on large-scale and subtle-segmentation based on small-scale; to improve the efficiency of image processing, we adapt parallel computing method to solve this problem by presenting an new data-partition method. At last this paper gives the implementation of the research idea based on Message Passing Interface (MPI) and analyzes our experimental system efficiency, and the results show that the new methods can improve the efficiency of high-resolution remotely sensed image data processing efficiently and have a good application.     

A FRAMEWORK FOR AUTOMATED CHANGE DETECTION SYSTEM

1Ｃｕｒｒｅｎｔｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｔｅｃｈ ｎｉｑｕｅｓＡｕｔｏｍａｔｉｃｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｉｎｉｍａｇｅｓｏｆａｇｉｖｅｎｓｃｅｎｅａｃｑｕｉｒｅｄａｔｄｉｆｆｅｒｅｎｔｔｉｍｅｓｉｓｏｎｅｏｆｔｈｅｍｏｓｔｉｎｔｅｒｅｓｔｉｎｇｔｏｐｉｃｓｏｆｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ .Ｉｔｆｉｎｄｓｉｍ ｐｏｒｔａｎｔａｐｐｌｉｃａｔｉｏｎｓｗｉｔｈｉｎｄｉｆｆｅｒｅｎｔｃｏｎｔｅｘｔｓ,ｒａｎｇ ｉｎｇｆｒｏｍｖｉｓｕａｌｓｕｒｖｅｉｌｌａｎｃｅａｎｄｖｉｄｅｏｃｏｄｉｎｇｔｏｔ…