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。     

自然资源要素遥感智能解译样本分类体系研究

根据湖北省自然资源监测监管对大规模遥感智能解译的需求,对已有遥感智能解译样本数据集进行了总结,从提升地类细分领域的深度学习模型效果出发,研究了遥感影像智能解译的典型应用场景和解译对象,构建了湖北省自然资源要素遥感智能解译样本分类体系,并以优于2 m的多源异构高分辨率光学遥感影像为数据源,开展遥感智能解译样本采集。通过具体业务应用场景实验证明,建立的智能解译样本分类体系及其样本库,能够较好地反映湖北省自然资源卫星遥感影像智能解译的区域特征,取得较之前的样本库更为有效的解译效果。     

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.     

遥感影像解译样本数据生产及其质检系统的设计与实现

遥感影像解译样本数据生产及质检是全国地理国情普查内业编辑与整理的重要环节,数据量和涉及面都较大。遥感影像解译样本数据生产及质检系统依据相关技术规定,基于C#开发,运行平台为.NET Framework。实践证明,该系统运行稳定可靠,提高了样本数据库的生产效率和质量,减轻了劳动强度,对遥感影像解译样本数据的内业编辑与整理有着重要的意义。     

遥感影像解译样本的一体化生产研究

遥感影像解译样本数据包括地面照片和遥感影像实例,是制作遥感影像解译样本数据库的基础资料。文中针对地理国情普查中遥感影像解译样本的采集、整理进行了研究,通过利用GEOWAY地理国情普查外业调绘核查软件完成遥感影像解译样本的采集、整理,实现了解译样本的一体化生产流程,并与传统的纸质调绘、PDA数字调绘进行对比分析,充分证明解译样本的一体化生产流程自动化程度高,减少了人力、物力,提高了生产效率。     

深度学习遥感影像解译技术在耕地保护中的应用

耕地保护事关国家粮食安全、生态安全和社会稳定,是国计民生的头等大事。深度学习技术在海量数据分析领域的广泛应用,为高效、精准的遥感影像解译提供了技术基础。本文研究了基于深度学习的遥感影像解译技术,利用遥感影像数据和对应的矢量数据构建了可供训练的解译样本库,并提出了一种基于深度残差网络结构的解译模型。通过试验证明了该模型的实用性,实现了对试验区域主要地类面积的变化监测,对比多期影像解译结果和增减挂钩等业务数据,验证了耕地复垦的实施情况。结果表明,深度学习遥感影像解译技术在耕地保护领域有较广泛的应用前景。     

甘肃省地表要素遥感解译样本库建设与应用

面对自然资源遥感监测体系建设和省级基础测绘重点要素年度更新需求,本文以地理国情地表覆盖为主要参考数据,提出了省域遥感解译样本库的建设方法。首先制定了适用于深度学习的甘肃省自然资源遥感解译样本分类体系和顾及地学知识的样本选取标准,据此构建了囊括不同尺度单元的全要素、单要素和变化检测3类样本数据集;然后基于自主研建的甘肃省遥感解译样本库平台,构建了从样本采集、模型训练、智能解译到质量评估的全链路技术体系。试验结果表明,面向不同尺度区域,地物提取准确率达90%,变化检测准确率达74%,实现了地表要素从粗粒度到细粒度的自适应解译。研究成果在甘肃省省级基础测绘更新、城市国土空间监测及非农化监测等领域进行了业务化应用,提高了自然资源管理精准化和智能化水平。     

面向遥感影像智能分类的海量样本数据采集方法

以地理国情监测高分辨率遥感影像及高精度地表覆盖分类产品为数据源,提出了一种面向遥感影像智能分类、基于位置匹配技术的全国尺度海量样本数据采集方法。根据数据源特征,研究了县域采集数量权重设置、坐标投影转换、栅格灰度重采样、无效样本数据过滤、地表覆盖分类码映射、样本数据命名标识、特定地表覆盖类型样本数据采集等关键技术,构建了位置匹配的遥感影像数据与分类标签数据组成的样本数据对,开发了样本数据自动采集软件。利用该方法,以县级行政区划为单元,实现了全国尺度海量样本数据采集。选取其中5个县域的成果,评估了方法的实用性及运算性能。研究表明：该方法提升了生产全国尺度海量样本数据的计算响应速度;采集的样本数据能够满足遥感影像智能分类对样本源高质量、大规模的需求,提升了遥感影像分类与预测的准确度。     

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。     

多尺度特征融合神经网络的地表覆盖提取

深度学习的快速发展,为高分辨率卫星遥感影像解译提供了更好的技术手段和应用前景。围绕高分卫星遥感影像地表覆盖信息提取,利用高分辨率卫星遥感影像制作5种常见的地表覆盖类型的像素级样本数据集,并提出一种基于注意力增强与多尺度特征融合的语义分割方法,实现地表覆盖自动提取。通过影像波段选择、预训练模型迁移学习、损失函数改进等方法,提升语义分割模型识别精度,最优的提取结果中,5种地表覆盖类型的F₁均值、IoU均值和总体精度分别达到了78.6%、66.8%、85.0%,除道路之外,耕草、林地、建筑、水体的F₁均超过80%,且分类图斑边界能够与影像中的地物边界很好套合。实验表明建立的卫星影像地表覆盖分类样本数据集和分类方法,能够应用于高分辨率卫星影像地表覆盖信息提取。     

遥感影像解译样本生产质量控制方法研究

针对第一次全国地理国情普查质量检验过程中发现的遥感影像解译样本数据的质量问题,如遥感影像解译样本缺少典型性、地面照片拍摄不符合技术规程、影像实例数据结构异常等系统性质量问题,以及解译样本采集中存在操作不规范、样本采集主观影响较大等主观性质量问题,该文分析了影响遥感影像解译样本质量的关键生产要素、环节与原因等,提出了全过程的生产质量控制方法,给出了提高遥感影像解译样本过程的质量控制措施。该研究提出的基于全过程质量控制体系新需求,以解决质量问题为导向的生产质量控制方法,可以提升遥感影像解译样本质量,并为今后相关工程项目生产过程的质量控制提供借鉴。     

遥感影像分析在新增建设用地督察中的应用

以卫星影像大数据和时空数据挖掘技术为基础,采用深度学习框架支撑,构建了面向新增建设用地遥感监测应用需求的深度学习训练平台,可智能发现自然资源督察线索,全面提高自然资源督察问题的发现能力.该技术可广泛服务于大范围、高频次的督察工作,为督察工作提供更及时客观全面的信息基础和保障.     

遥感影像变化图斑智能化提取平台研发与应用

遥感影像变化图斑智能化提取是自然资源动态监测工作的基础。本文简述了遥感影像变化检测技术演进历程及特点,提出同时使用ResNet、U-Net和孪生神经网络3种深度学习算法,设计了集“影像预处理、智能提取、协同筛查”于一体的遥感影像变化图斑智能化提取平台,并详细阐述了各功能模块设计思路。实践表明,融合3种深度学习算法有利于解决单一深度学习网络模型改造难度较大、适用范围有限等难题,有效提升了遥感影像变化检测的查全率,工作效率比目视解译提升超过3倍。研究成果已在湖南省自然资源“1+N”卫星监测工作中广泛应用。     

遥感影像解译样本数据的检查方法

以鄂伦春自治旗测区的数据成果为例,介绍遥感影像解译样本数据的检查方法,包括对地面照片、遥感影像实例的人工检查,以及使用Python编制程序提取地面照片的EXIF信息,对遥感影像解译样本数据库中的属性信息进行自动对比检查,提高了质量检查效率及正确率。     

基于深度学习的耕地新增建房监测研究

基于深度学习技术,针对福建省常态化新增农村乱占耕地建房监测需求,构建了混合分辨率新增建房监测遥感影像样本数据集,采用卷积神经网络进行深度学习模型训练,并利用训练后的最优模型开展了耕地新增建房提取应用实验.结果表明,基于深度学习的耕地新增建房监测技术具备一定的应用潜力,可在实际工程中进行应用探索,以提高监测工作的效率和精度.     

多源遥感影像深度识别模型对抗攻击鲁棒性评估

基于深度神经网络的多源遥感影像目标识别系统已逐步在空天遥感情报侦察、无人作战自主环境认知、多模复合末制导等多个军事场景中广泛应用。然而，由于深度学习理论上的不完备性、深度神经网络结构设计工程上的强复用性、以及多源成像识别系统在复杂电磁环境中易受到各类干扰等多因素的影响，使得现有识别系统在对抗攻击鲁棒性方面评估不足，存在极大安全隐患。本文首先从深度学习理论不完备性和识别系统攻击样式两个方面分析了潜在安全风险，并重点介绍了深度识别模型对抗样本攻击基本原理和典型方法。其次，针对光学遥感影像和SAR遥感影像两类典型数据形式，从鲁棒正确识别率和对抗攻击可解释性两个方面开展多源遥感影像深度识别模型对抗攻击鲁棒性评估，覆盖了9类常见深度识别网络架构和7类典型对抗样本攻击方法，验证了现有深度识别模型对抗攻击鲁棒性普遍不足的问题，分析了对抗样本与正常样本的多隐层特征激活差异，为下一步设计对抗样本检测算法和提升模型对抗鲁棒性提供参考。     

基于网络服务的地类遥感影像样本检索系统的设计与实现

为了有效地辅助第二次全国土地调查,对土地覆盖情况和地类遥感影像判读提供辅助,运用ASP.NET和网络服务技术,以多源遥感影像为数据源,构建了基于网络服务的地类遥感影像样本检索系统。本文重点研究了基于网络服务的地类遥感影像样本检索系统的结构、流程和功能,提出了系统的数据库表结构设计方法,为网络化遥感样本检索服务提供了解决方案。     

深度学习农作物分类的弱样本适用性

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN（Deep Convolutional Neural Networks）,获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。     

遥感影像解译样本数据一体化整理方法

遥感影像解译样本数据在采集过程中,需要对地面照片、影像实例、样本数据库进行结构化整理,形成数据格式统一、存储结构规范、逻辑关系严密的成果。基于构建的方法模型,提出了一种一体化整理方法,利用Bresenham图形绘制算法,以及栅格、矢量、数据库数据编程接口,解决了各环节自动化处理问题,实现了影像实例采集、地面照片视野范围图形栅格化、数据库信息采集与录入、成果组织与结构化输出等自动控制,从而实现了一体化自动整理。试验表明：提出的方法和研发的软件能显著提高整理效率和质量,可为遥感影像解译样本数据整理提供可靠的技术方法。