基于多源遥感的大尺度高分辨率不透水面深度学习提取方法EI北大核心CSCD

深度学习是提取不透水面的一类重要方法,具有精度高,泛化性强等优势。但是模型的训练需要依靠大量的训练样本。尤其是在高分辨率、大尺度不透水面制图时,获取数量足够且高质量的训练样本非常费时费力。因此,本文结合多源遥感影像与开源数据,提出了一种大尺度高分辨率不透水面自动提取方法。该方法首先从众源数据OpenStreetMap中自动获取训练样本,然后用开源的不透水面产品对噪声样本加权,减小标签噪声对模型训练的负面影响;在此基础上,构建了一种三分支的超轻量级CNN模型,融合光学、SAR和地形数据生成10 m不透水面产品。以越南全境为试验区,对本文方法进行了验证。试验结果表明,本文提出的方法分类总体精度和Kappa系数分别为91.01%和0.82,优于目前已发布的不透水面产品。本文研究成果可为澜湄流域等热带亚热带城市可持续发展和生态环境保护提供基础技术和数据支撑。     

多源遥感精确提取光伏电站研究

光伏是主要的清洁能源之一,对光伏电站的监测是获取光伏电站运行、分布和变化的重要途径.以哨兵2号(Sentinel 2)和高分2号(GF-2)卫星影像为数据源,建立光伏电站识别指数,构建融合指数特征和纹理特征的多特征多尺度的图像,利用深度学习方法识别不同本底环境的光伏电站,结合空间关联方法精确提取光伏电站的面积.结果表明...     

顾及多源LOD的室内外三维模型组织和调度方法

针对倾斜摄影、建筑信息模型(BIM)、三维城市模型等室内外三维模型的多源数据融合问题,该文研究了三维地理空间数据的生产、建库、组织和调度情况,分析了海量的多源细节层次(LOD)室内外三维模型的特点,提出了室内外三维模型编码结构,结合顾及模型大小及模型面数聚类的改进四叉树索引,实现了室内外三维模型组织和调度。实验结果表明:该方法支持多源数据的统一组织和调度,顾及了多源数据间的差异,渲染效率高,具有有效性和可行性,能够满足规划、建设和运维等不同阶段的三维数据组织和管理需求。     

多源地理空间矢量数据关联分析

针对多源地理空间矢量数据多来源、难以集成综合利用这一现状,本文提出了多源地理空间矢量数据关联方法,并以此为基础构建了多源地理空间矢量数据关联的可视与计算查询系统。首先,对多源地理空间矢量数据关联的概念及分类进行了定义。然后,以此为基础,提出了关联关系构建技术：自适应四叉树编码技术、扫描线技术、几何匹配及语义匹配技术。最后,为实现关联关系的直观展示,设计了原型系统。关联技术的提出可建立起多源地理空间矢量数据之间的关联关系,原型系统的构建也为用户综合利用多源地理空间矢量数据提供了平台,提高了数据的利用率及数据查询的效能。     

多源地理空间矢量数据关联模型设计

多源地理空间矢量数据之间存在着隐含的关联关系,这些关联关系往往隐式存在,难以直观展示,也难以与空间数据映射交互展示,更无法进行查询分析,获取所需信息。针对这种情况,本文以多源地理空间矢量数据及统计数据为研究对象,首先定义了多源地理空间矢量数据关联的概念及分类,然后以此为基础设计了多源地理空间矢量数据关联模型,并将其分为3个子模型：基于自适应四叉树编码的空间关联子模型、基于几何匹配的空间关联子模型及基于语义匹配的空间关联子模型。该模型定义了多源地理空间矢量数据之间的关联方式,为关联关系的构建奠定了理论基础。     

基于地理国情监测的多源地理测绘信息整合

近今年,随着科学技术的发展以及信息网略的普及,我国的地理国情监测综合应用现代检测技术,针对地理国情变化统计、分析的技术体系研究,根据检测对象的不同,采用相应的测绘技术,在综合和应用遥感技术、大地检测技术以及地理信息系统技术,开发、利用各种信息资源,结合先进的测绘技术,全面地对我国的地理形态进行动态监测与研究.     

数据驱动的多源遥感信息融合研究进展

多源遥感信息融合技术是突破单一传感器的观测局限,实现多平台多模态观测信息互补利用,生成大场景高“时-空-谱”无缝的观测数据的重要手段。随着人工智能理论与技术的日益完善,数据驱动的多源遥感信息融合获得了研究者的广泛青睐,然而,数据驱动算法与生俱来的低物理可解释性,弱泛化能力都阻碍了其在多源遥感信息融合领域的长远发展。因此,本文分别对同质遥感数据融合,异质遥感数据融合,以及点-面融合的有关研究成果进行了系统的梳理和归纳,分析了各融合问题的发展趋势。最后,对算法研究进展进行了总结,剖析了数据驱动的融合算法所面临的挑战,指出了未来多源遥感信息融合领域的研究方向。     

多尺度特征融合深度学习建筑物的提取方法

提出一种基于多尺度特征融合的建筑物提取方法,结合新的网络DenseASPP-UNet,以实现影像多尺度特征的融合,进而高精度提取建筑物.通过Inria开源建筑物航空影像数据集进行验证,表明DenseASPP-UNet相比其他深度学习方法建筑物提取精度有很大的提升.     

基于多源信息的水资源立体监测研究综述

水资源监测是水资源管理的基础和支撑。随着中国最严格水资源管理制度的实施,从水量、水质、用水效率3方面的水资源管理开始向精细化和动态化管理转变。水资源要素具有时空变异大、通量变化快等特点,单独依靠地面监测手段难以开展大范围动态高效监测。目前中国水资源监测体系的建设,总体上以地面监测为主,还不具备水资源精细化和动态化管理需求的监测能力。随着卫星遥感等数据资源的不断丰富和陆面同化系统的不断发展,建立地面观测、卫星遥感和陆面同化系统三位一体的立体监测体系,探讨不同监测方式、多要素的协同监测机理、水资源监测要素的组织机制,对提升中国水资源监控能力具有参考价值。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。     

基于深度学习的高分辨率遥感影像建筑物提取方法

针对传统的建筑物提取方法精度较低和边界不完整等问题,本文提出基于深度学习的高分辨率遥感影像建筑物提取方法。首先,采用主成分变换非监督预训练网络结构,获得待提取遥感影像特征。其次,为减少在池化过程中影像特征信息的丢失,提出自适应池化模型,通过非下采样轮廓波变换来获取影像纹理特征,并将纹理特征输入网络中参与建筑物提取。最后,将影像特征输入softmax分类器进行分类,获得建筑物提取结果。选取典型区域进行建筑物提取试验,并与典型建筑物提取方法进行对比分析,结果表明,本文提取方法精度高,并且提取建筑物的边界清晰、完整。     

深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法

耕地是丘陵山区稀缺的土地资源,具有地形条件复杂、种植结构多样的特点,导致了山地耕地信息难以快速、准确获取,并且基于传统的遥感数据及遥感监测方法开展山区耕地信息快速自动提取比较困难。针对这一问题,本文以西南山区贵州省息烽县作为试验区,根据地理空间异质性特征,提出分区控制、分层提取的耕地形态信息提取思路,构建了一种地貌单元约束条件下的分区分层耕地形态信息的提取方法。该方法首先根据地貌-植被特征将试验区划分为平坝区、山坡区、林草区3类地理分区;然后在每类分区基础上,根据耕地所呈现的视觉特征划分为不同的类型,对不同类型的耕地分别设计不同的深度学习模型进行分层提取。试验结果证明,该方法对山区复杂地形背景噪声具有较好的抑制作用,所提取的耕地地块信息相比于传统方法更符合实际耕地的实际分布形态,有效地减少了漏提率和错提率。     

多源时空数据的地表分类信息挖掘

随着国土空间的发展,自然资源管理、国土空间规划等对于地表分类信息的需求日益增大,如何采用数据挖掘手段高效准确地获取地表分类信息成为目前重要的研究方向.本文在对多源数据进行分析研究的基础上,以地理国情监测、基础测绘、天地图等多源时空数据为数据源,参考第三次全国国土调查分类方案,综合采用多维度地表分类、语义规则映射、空间综...     

膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取

由于农村建筑物结构多样、空间分布复杂等特征,自动提取面临较多困难。针对该问题,本文提出采用膨胀卷积和金字塔池化表达的神经网络模型用于遥感影像中农村建筑物自动提取。在膨胀卷积神经网络模块中,通过改变孔尺寸的大小,获取不同感受野的特征信息;在金字塔表达方面,每个模块输入不同尺度的信息,且同时下采样的倍率也不同,获取多维的金字塔尺度特征;最终将提取的浅层及深层尺度特征信息进行融合,构建一个改进的适用于农村建筑物目标自动提取的深度学习模型。试验结果表明,与FCN-8s和DeepLab模型提取的结果相比,本文方法在农村建筑物提取中表现较好的性能,提取精度明显提高,且更好保留了目标边界细节信息,减少了噪声。     

车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

融合城市行道树特征选取模型的自适应深度学习分类

针对城市行道树的学习多分类问题,本文在综合分析城市行道树多分类特征的基础上,提出一种融合特征自动选取模型的自适应深度学习方法。基于随机森林法,学习行道树的特征重要性,通过特征消除方法舍弃不重要的特征,实现城市行道树多分类特征自动选取;在城市行道树分类特征工程提取的基础上,构建了城市行道树多分类问题的自适应深度学习方法,并采用交叉验证与参数搜索方法,对所提出的深度学习模型进行改进。试验结果表明,本文所提出的融合特征自动选取模型的自适应深度学习方法具有良好性能,解决了城市行道树多分类预测的准确性与泛化问题。     

基于深度学习的高分辨率遥感影像光伏用地提取

近年来我国光伏产业发展迅猛,随之也产生了诸多用地问题,通过遥感技术提取光伏用地,监测光伏用地分布与用地状况,对于光伏产业健康发展具有重要意义。本文提出一套基于深度学习方法的高分辨率遥感影像光伏用地自动提取方法,该方法利用GF-1等卫星影像和Google Earth影像构建光伏用地样本,基于ResNeSt-50作为骨干网络的DeepLab V3+模型实现深度学习语义分割算法,并结合计算机图形学方法对深度学习结果进行后处理,实现了面向高分辨率遥感影像较通用的且高精度的光伏用地自动提取。该方法的深度学习模型验证精度mIoU值达0.899 2,提取结果具有良好的边缘精度且具有广泛的适用性,支持GF-1、ZY-3、GF-6、GF-2和Google Earth等影像。     

特征提取和决策树法土地利用遥感分类

文章以安徽省淮南市为例,采用2005年Landsat-5 TM多光谱数据,分析地物谱间关系,选择改进归一化差异水体指数(MNDWI)、归一化植被指数(NDVI)、归一化建筑指数(NDBI)、TM4+ TM5、TM4+ TM5+TM7、DEM高程和坡度等特征值,构建决策树分类规则,完成研究区土地利用遥感分类.结果表明:MNDWI和TM4+TM5特征值能较好地区分水体与非水体;NDVI和NDBI可完成非水体区域植被与非植被信息分类;DEM和TM数据6波段和值可完成建筑用地、裸地和沙(旱)地分类;DEM和TM4+ TM5+ TM7能较好地解决耕地和园地混淆问题.决策树法分类总精度和Kappa系数分别为90.29％和0.87,相比较于最大似然分类法和基于特征提取波段的最大似然分类法,精度均有所提高.     

面向震害信息提取的多源遥感图像自动配准

为了从多源遥感图像中提取震害信息,研究了一种图像自动配准的高精度算法.首先,利用Moravec算子提取图像的特征点,并采用随机抽样一致性(random sample consensus,RANSAC)算法剔除误匹配点;然后,根据特征点对图像进行对数极坐标变换,求得基准图像和待配准图像间的旋转和缩放因子;进行旋转角度和缩放系数补偿后,采用与相位相关的亚像元级算法计算图像间的偏移量;最后,利用插值算法对待配准图像进行重采样,实现待配准图像与基准图像的几何配准.将配准后的震前和震后图像作为分类目标,分别进行基于特征的分类和震害信息提取,并对分类结果进行变化检测.实验结果表明,该算法流程具有较高的鲁棒性与配准精度,适用于多源遥感图像配准,所提取的震害信息能较好地应用于震害评估.