基于注意力密集连接金字塔网络的新增建设用地变化检测

城市新增建设用地变化迅速频繁、场景复杂等因素导致变化检测结果出现欠分割或过分割等问题,基于此本文提出了一种融合注意力机制的密集连接金字塔网络用于城市新增建设用地变化检测。在编码阶段运用卷积注意力模型提升对变化信息的关注度,突出重要特征;采用密集连接空洞卷积空间金字塔池化模块实现多尺度特征的提取与融合,提高特征的利用率与传播效率;在解码阶段通过对提取的特征图进行上采样还原图像的空间尺度特征。试验结果表明,该方法有效改善了欠分割与过分割问题,变化检测效果更好。     

融合空间尺度特征的时空序列预测建模方法

假定原始的时空数据由较大尺度下的全局趋势项与较小尺度下的局部偏差项构成,提出了融合空间尺度特性的时空序列建模方法。首先,将原始数据转换为较大尺度下的数据,此部分反映原始数据的趋势特征。然后,将趋势部分剔除,剩余部分反映原始数据的偏差特征。最后,用灰色系统模型和BP神经网络模型分别对趋势项和偏差项建模,它们的组合预测结果即为原始时空序列预测值。采用该方法对实际的年降水数据以及日平均PM2.5浓度数据进行预测建模分析,实验结果表明:融合空间尺度特性的时空序列预测模型可以用于多空间尺度预测,并且预测精度优于不考虑空间尺度特性的建模方法。     

基于改进型U-Net网络的高分辨率遥感影像建筑物提取

针对传统人工提取方法自动化程度低、过分依赖人工设计的特征,以及现有的深度学习方法中存在的提取精度不高等问题,提出了一种基于改进型U-Net网络的高分辨率遥感影像建筑物提取方法.首先将空洞卷积加入到网络中,利用不同尺度的空洞卷积对来自网络编码部分的结果进行多尺度特征提取;再对提取的特征进行特征融合,并输入到网络的下一层;...     

密集卷积残差网络的遥感图像融合

针对传统的遥感图像融合方法通常会引起光谱失真的问题和大多数基于深度学习的融合方法忽略充分利用每个卷积层信息的不足,本文结合密集连接卷积网络和残差网络的特性,提出了一个新的融合网络。该网络通过建立多个密集卷积块来充分利用卷积层的分级特征,同时块与块之间通过过渡层加快信息流动,从而最大程度地对特征进行极致利用并提取到丰富的特征。该网络应用残差学习拟合深层特征与浅层特征之间的残差,加快网络的收敛速度。实验中利用GaoFen-1（GF-1）和WorldView-2/3（WV-2/3）的多光谱图像MS （Multispectral Image）和全色图像PAN（Panchromatic Image）（MS与PAN的空间分辨率之比为4）评估本文提出方法的有效性。从视觉效果和定量评估结果两个方面来看,本文方法得到的融合结果要优于所对比的传统方法和深度学习方法,并且该网络具有鲁棒性,能够泛化到不需要预训练的其他卫星图像。本文方法通过特征的重复利用实现了光谱信息的高保真并提高了空间细节分辨能力,有利于遥感图像的应用研究。     

卷积神经网络多层特征联合的遥感图像检索

针对卷积神经网络的特征表达方法难以满足大规模遥感图像检索需要的问题,该文将卷积层特征和全连接层特征进行联合,提出一种基于卷积神经网络多层特征联合的遥感图像检索方法。该方法提取不同卷积层特征作为图像的局部特征,提取全连接层特征作为感兴趣区域,并对二者进行跨层整合得到新的图像特征并应用于图像检索。实验结果表明,与利用单一的全连接层或者卷积层特征以及传统的经典检索方法相比,该方法取得了很好的检索结果,能够更好地保留图像的全局信息和空间结构信息,提高遥感图像检索的性能。     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

改进的残差3D-CNN的高光谱遥感影像分类

针对高光谱遥感影像分类中空间特征和光谱特征利用率低问题，该文综合三维卷积神经网络、谷歌神经网络和残差神经网络的优势，提出融合改进Inception模块的残差三维卷积神经网络高光谱遥感影像分类方法。改进后的Inception模块包括4条不同的卷积层分支，用以提取蕴涵在高光谱遥感影像中多尺度的特征；利用了3D卷积核代替2D卷积核能直接同时提取高光谱遥感影像中更丰富的空-谱特征；通过残差结构连接分支提取特征缓解了梯度消失的问题，提取更深层次的特征。实验表明，该文算法不仅提高了条状和线状地物区域的边缘分类准确率，对小目标的分类能力也得到了增强。     

多尺度全卷积神经网络建筑物提取

针对VGG16网络在高空间分辨率遥感影像中进行大型建筑物提取时存在空洞的现象,提出一种基于多尺度影像的建筑物提取方法。将原始影像进行不同尺度的下采样,提取不同尺度下的建筑物特征,并将这些多尺度特征相加合并,同时为了减少网络参数数量,用全卷积上采样过程代替原始VGG16网络中的全连接层进行建筑物提取。以0.5 m分辨率的上海市嘉定区影像和1 m分辨率的Massachusetts地区影像进行试验,精度分别达97.09%和96.66%,表明本文方法的有效性。     

面向非均质区域的空间增强型时空融合模型研究

随着遥感技术的发展,遥感数据日益增加。然而,受传感器限制及云雨天气影响,单一传感器难以获取高时空分辨率的遥感影像,从而在一定程度上影响全球及区域环境变化研究。遥感影像时空融合理论与技术的发展为解决这一问题提供了有效途径。近年来,国内外学者提出了大量的时空融合算法,但对于复杂地表景观区域空间细节的融合仍存在挑战,地表非均质区域时空融合的精度有待提高。为此,本文提出了一种面向非均质区域的空间增强型时空融合模型。首先,基于混合像元分解原理与遥感数据空间特征尺度不变性假设,将低分辨率光谱变化降尺度为高分辨率光谱变化值;然后,基于不同分辨率遥感数据光谱关系的时间不变性假设,获得最终融合影像。试验结果表明,相对于常用融合模型STARFM、FSDAF,本文模型既能有效反映不同地物物候变化信息,同时能更好地保留地表的空间细节,增强了非均质地表覆盖区域融合影像的空间特征与效果;本文模型的均方根误差RMSE、相关系数r及结构相似性指标SSIM平均值分别达到0.024、0.898、0.897,相对于常用融合模型STARFM、FSDAF,RMSE平均值分别降低了6.71%和4.33%,r平均值分别提高了1.9...     

卫星影像匹配的深度卷积神经网络方法

本文侧重于智能化摄影测量深度学习的第一个方面：深度卷积方法。传统的影像同名点对提取算法通常利用人工设计的特征描述符及其最短距离作为匹配准则进行匹配,其匹配结果易陷入局部极值,造成部分正确匹配点对的遗漏。针对这一问题,本文引入深度学习方法,设计了一种基于空间尺度卷积层的两通道深度卷积神经网络,采用其进行影像间的匹配模式学习,实现了基于深度卷积神经网络的卫星影像匹配。试验表明,在处理异源、多时相、多分辨率的卫星影像情况下,本文方法比传统匹配方法能提取到更为丰富的影像同名点对,且最终匹配提纯结果正确率优于90%。     

顾及时空异质性的缺失数据时空插值方法

时空插值方法被广泛应用于缺失时空数据集的插值与估计。时空插值是时空建模与分析的一个重要内容,当前该研究关注的热点之一是异质条件下的时空插值与估计问题。因此,本文从时空数据的异质性出发,提出了一种顾及时空异质性的缺失数据时空插值方法。该方法首先对数据集进行时空分区,然后分别在时间和空间按照异质协方差模型计算缺失数据的估计值,进而利用相关系数确定时空权重、融合时间和空间估计值得到缺失数据的最终估计结果。最后通过两组气象数据集进行交叉验证对比分析试验。试验结果表明本文方法对比其他插值方法具有更高的精度和适用性。     

时空理论变异函数模型及其精度影响

针对已有的时空模型研究深度不够的问题,该文主要研究两类时空理论变异函数模型,即分离和非分离模型,并分析其对时空预测精度的影响。首先,阐述了两类模型中较为流行的6种时空理论子模型及其参数物理意义;最后以2014年山东省PM2.5日均浓度为例,给出各模型理论表达式,并在Matlab中对各模型运用遗传算法进行参数拟合和时空预测精度验证。实验结果显示,6种模型的整体预测精度顺序与模型拟合精度顺序相当,说明时空理论模型同空间理论模型一样,其模型拟合精度与后续预测精度成正相关。     

移动区域时空关系变化建模研究

针对二维欧氏空间内的移动区域对象在时空关系变化建模中存在的问题,该文提出了一种时空关系变化序列模型,并建立了时空关系变化概念邻域图。采取基于时间片的时空数据模型,通过分析移动区域间随时间变化的拓扑、距离和方位关系,解决时空关系变化的集成建模问题。该方法能有效刻画移动区域的动态时空特征。     

多级格网时空索引

在时空数据库中,地理实体模型包括地理对象空间信息和时态信息。为了快速查询实体的空间和时间信息,这就需要一个高效的时空索引机制。本文在分析和参考目前几种时空索引方法的基础上提出了一种新的时空索引方法———多级格网时空索引,并介绍了多级格网时空索引的算法。     

面向对象的遥感影像时空特征模型研究

对遥感影像的影像对象进行时空特征分析是遥感影像的智能分析与解译的基础,现有的时空数据模型不能满足影像对象时空特征分析的需要。文中基于遥感影像多尺度分割产生的影像对象用面向对象的方法建立时空特征数据模型,此模型可以满足对象存储和基于时间、空间、特征、属性查询的需要。同时,将此模型应用于遥感影像中海岸线与海岸带地物的时空特征建模,并验证模型的有效性。     

时空一体化框架下时空异常探测

：提出一种时空一体化的时空异常探测方法,首先基于时空统计学与聚类分析构建一体化时空邻近域。进而, 发展兼顾时空相关与异质性的时空异常度量方法。最后,采用一种3步骤的策略探测时空异常。应用本文方法探测中国 陆地区域33年(1970年—2002年)的年平均气温时空数据中的时空异常,探测结果具有较好的可靠性,反映时空数据的时 空一体化特征。同时,对时空异常的产生机理与实际意义进行分析和解释。     

时空数据的动态关联技术研究

为了检测时空数据之间的发展变化关系,本文研究时空数据的动态关联技术,提出了一种动态关联算法和一种基本的时空变化类型。该算法用几何特征和属性特征相结合的方法进行匹配和变化检测,可以匹配时空对象并自动提取变化情况,能够解决一对一、一对多、多对一和多对多的变化关系,并且可以检测出时空对象的移动变化情况。     

面向地理信息大数据的时空事件关系可视化分析框架

不同类型的地理信息大数据蕴含了丰富的时空关系,反映个体或者群体时空事件之间的变化模式,在资源、环境、交通等领域的智慧应用中起到关键性作用。然而,地理信息大数据拥有的多尺度和多语义特性,在挖掘地理信息大数据的时空关系时会存在许多困难。如何有效地构建多尺度多语义时空关系,并直观地表达这些时空关系是一个重大挑战。本文设计了一种时空事件关系可视化分析框架,通过定义事件间时空关系的描述,设计了一种多视图协同的可视化分析方法,结合时空关系的可视化协同交互,实现地理信息大数据时空事件可视分析。基于时空轨迹数据,通过试验说明该方法可以探寻时空事件及背景间的时空关系,实现时空事件的交互可视分析。     

顾及空间异质性的大范围地面沉降时空预测

大速率、不均匀的地面沉降已经威胁到人类的生产活动,高精度的沉降预测结果对于地质灾害的精准防控具有重要意义。为掌握地面沉降的演化规律,利用现场观测数据或InSAR数据开展了多项预测研究。然而,由于空间异质性的存在,大范围地面沉降的准确预测仍然是一项挑战。在这项研究中,从数据驱动的角度提出了一种顾及空间异质性的大范围地面沉降时空预测方法STLSTM（Spatio-temporal Long Short-Term Memory）。首先,通过聚类识别地理空间中的均质子区;然后,在每个子区中,一个特别的长短期记忆LSTM（Long Short-Term Memory）网络被用来捕捉局部位置的非线性特征;最后,利用预训练的网络对未来时刻的地面沉降进行定量预测。在实验部分,哨兵1号影像数据被用来比较STLSTM与其他8种基准方法的性能,利用空间统计指标分析了模型的有效性。结果表明,STLSTM在152 s内达到了最高的预测精度（71.4%）,且能够有效弱化空间异质性对大区域沉降预测任务的影响。总之,这项研究将空间异质性处理策略融合到深度学习模型中,实现了高精度、高时效的大范围地面沉降时空预测。     

时态信息可视化模型研究及实现

时间问题是地理学中一个基本的研究问题。随着空间技术和现代信息基础设施的飞速发展,使得空间信息具备了较强的时态特性,传统静态地图中的可视化表达方式已无法满足时态信息的动态表示需求,如何在空间格局上和基于时间维的动态演化过程中,提供时态信息模拟结果的可视化分析和表达,是不可忽缺的一个环节。针对当前时空数据模型较多,而可视化研究相对较少的现状,在充分研究时态信息特点的基础上,研究了可视化动态过程所涉及的相关模型,包括概念模型、时空耦合模型以及预测模型等。