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。     

DInSAR形变异常的建筑物违章检测方法

针对面对大区域变化检测时采用多源遥感影像进行建筑物违章变化检测面临效率低、准确性差的问题,该文提出了一种基于合成孔径雷达差分干涉测量(DInSAR)异常形变的多源遥感建筑物违章变化检测方法。首先,对建筑物DInSAR形变特性进行分析,利用DInSAR形变异常分析对建筑物违章变化区域进行定位;其次,依据DInSAR形变分析确定的建筑物变化范围,采用光学影像进行局部变化检测,实现DInSAR与光学影像融合的建筑物违章变化检测;最后,利用该方法对某区域的DInSAR影像和光学影像进行建筑物违章检测实验。结果表明,该方法能够快速定位违章建筑物,有效检测建筑物违章图斑。     

DInSAR形变异常的建筑物违章检测方法

针对面对大区域变化检测时采用多源遥感影像进行建筑物违章变化检测面临效率低、准确性差的问题,该文提出了一种基于合成孔径雷达差分干涉测量(DInSAR)异常形变的多源遥感建筑物违章变化检测方法。首先,对建筑物DInSAR形变特性进行分析,利用DInSAR形变异常分析对建筑物违章变化区域进行定位;其次,依据DInSAR形变分析确定的建筑物变化范围,采用光学影像进行局部变化检测,实现DInSAR与光学影像融合的建筑物违章变化检测;最后,利用该方法对某区域的DInSAR影像和光学影像进行建筑物违章检测实验。结果表明,该方法能够快速定位违章建筑物,有效检测建筑物违章图斑。     

DInSAR形变异常的建筑物违章检测方法

针对面对大区域变化检测时采用多源遥感影像进行建筑物违章变化检测面临效率低、准确性差的问题,该文提出了一种基于合成孔径雷达差分干涉测量(DInSAR)异常形变的多源遥感建筑物违章变化检测方法。首先,对建筑物DInSAR形变特性进行分析,利用DInSAR形变异常分析对建筑物违章变化区域进行定位;其次,依据DInSAR形变分析确定的建筑物变化范围,采用光学影像进行局部变化检测,实现DInSAR与光学影像融合的建筑物违章变化检测;最后,利用该方法对某区域的DInSAR影像和光学影像进行建筑物违章检测实验。结果表明,该方法能够快速定位违章建筑物,有效检测建筑物违章图斑。     

基于DCNN特征的建筑物震害损毁区域检测

为了提高基于高空间分辨率遥感影像的建筑物震害损毁评估精度,引入深度卷积神经网络(deep convolutional neural network,DCNN)模型,提出一种利用DCNN全连接层特征结合支持向量机(support vector machine,SVM)进行遥感影像建筑物震害损毁区域检测的方法。首先,利用神经网络前馈方式从DCNN全连接层提取训练样本和待检测区域的特征;然后,基于样本训练SVM分类器;最后,对待检测区域的所有区块进行分类预测和投票确定是否损毁。以2010年海地地震遥感影像为例,建筑物损毁检测正确率可以达到89%,相比于传统的特征提取方法正确率提高了4%。实验结果表明该方法在建筑物震害损毁检测方面具有一定的应用潜力。     

基于深度学习的农村建筑物遥感影像检测

如何快速高效地从遥感影像中检测农村建筑物对农村地区发展研究有着重要意义。传统的目标检测依赖人工提取特征并不能充分挖掘数据之间的关联,以至于检测精度不高。本文利用建筑物和非建筑物影像在Caffe深度学习框架下对几种卷积神经网络进行训练和测试,改进后的Caffe Net网络结构提高了建筑物训练和测试速度。通过对比两个结构相似的神经网络,发现将池化层置于归一层前能显著提升卷积神经网络在遥感影像检测中的精度。实验结果表明,改进后的Caffe Net性能得到了提升,检测精度达到了95.00%,更适合大量数据的训练和测试。     

利用PALSAR数据获取拉奎拉地震同震形变场

2009年4月6日发生的意大利拉奎拉Mw6.3地震造成了地表的严重破坏,为了解地震引起的地表变化情况,本文利用ALOS/PALSAR影像数据,采用二轨差分干涉测量技术提取了该次地震的地表同震形变场。通过分析可知:地表在西北-东南方向上发生错动,形变主要发生在40×30 km的范围内,西南部出现了沿视线方向的下降,东北部出现了沿视线方向的抬升,最大值分别为0.337 m和0.122 m。结果表明,获得的同震形变场与地震地质调查的结果一致。     

Res＿ASPP＿UNet++：结合分离卷积与空洞金字塔的遥感影像建筑物提取网络

针对连续池化操作丢失低层语义信息而导致建筑物提取精度低的问题，尝试以UNet++网络为基础，通过将编码器的标准卷积及最大池化替换成深度可分离卷积，以及在编码器末端利用不同采样率的空洞卷积构建多尺度空洞空间金字塔池化结构ASPP(Atrous Spatial Pyramid Pooling)来提升网络性能，并将改进后的建筑物提取网络称为残差空洞空间金字塔网络（Res＿ASPP＿UNet++）。为验证Res＿ASPP＿UNet++网络结构的有效性和适用性，以经过数据增强预处理的WHU和Massachusetts数据集作为数据源，对Res＿ASPP＿UNet++网络与目前常用的语义分割网络进行了试验和精度评估，并将Res＿ASPP＿UNet++网络与文献中的研究成果进行了对比。结果表明Res＿ASPP＿UNet++在模型参数量与精度两个方面均表现出优势，能够在大幅压缩模型参数量的前提下，显著提升建筑物提取精度，提取建筑物的边界更加平滑和精确，对不同尺度的建筑物表现出较强的泛化能力。     

乡村区域建筑物自动三维建模方法研究

乡村信息化建设是实现智慧乡村建设目标的前提,而恢复乡村区域的三维场景是实现乡村信息化建设的基础.根据已有的海量遥感数据,提出了一种迁移学习支持下的乡村区域建筑物自动三维建模方法.首先利用卷积神经网络(CNN)构建的建筑物解译模型检测目标区域的建筑物,然后利用Canny算子和约束性条件下的Hough变换检测并提取建筑物轮廓,最后采用参数化建模的方法自动重建建筑物的三维模型.实验结果表明,该方法建模效率高、成本低、自动化程度高,可应用于乡村辅助规划、确权调查、精准扶贫和空心村整治等工作中.     

2008年大柴旦M_w6.3级地震的InSAR同震形变观测及断层参数反演

2008年11月10日,青海省大柴旦地区发生了Mw6.3级地震。本文利用EnviSat卫星升降轨SAR数据和差分干涉测量技术提取了同震形变场,基于均匀位错模型反演确定了地震断层参数,然后利用格网迭代搜索法确定了较优断层倾角,同时基于非均匀位错模型获得了精细滑动分布。结果表明,地震使得上盘区域沿降轨、升轨视线向分别产生最大约8.5cm、10cm的抬升;较优断层倾角为47.9°;地震滑动未延伸至地表,主要发生在地下8.2~23.7km深度范围内,最大和平均滑动量为0.5m和0.19m,平均滑动角为104.9°。反演的地震矩为3.74×1018 N·m,矩震级为Mw6.35。     

哨兵-2号光学影像地表形变监测:以2016年Mw7.8新西兰凯库拉地震为例

光学影像已经广泛地应用于地表形变监测研究。哨兵-2号光学影像作为一种新的对地观测数据,具有重访周期短、空间分辨率高、影像覆盖范围大以及数据免费等优点,因此该数据在地表形变监测上有广泛的应用潜力。本文以COSI-Corr软件包为数据处理平台,基于亚像素的频率域相关性匹配技术,处理多时相的哨兵-2号数据获取地表形变。本文选取2016年M_w7.8新西兰凯库拉（Kaikoura）地震覆盖区域为例,对哨兵-2号影像地表形变中存在的各种系统误差源进行了系统分析和改正,并提出了改进的均值相减法去除形变场中的卫星姿态角误差。另外,还对哨兵-2号4个10 m空间分辨率的波段（Band 2/3/4/8）中可用于地表形变监测的最佳波段进行了分析,统计结果显示Band8的地表形变监测效果最好。最后,利用哨兵-2号光学影像获取了2016年11月14日M_w7.8新西兰凯库拉地震的同震形变场;分析了沿地震主要断层的滑移分布,结果表明最大水平滑移量达10 m;并与同期Landsat8全色影像的同震形变监测结果进行对比分析,结果表明哨兵-2号结果精度更高。本文的研究成果可以为哨兵-2号光学影像的应用提供参考。     

门源Mw5.9级地震形变InSAR观测及区域断裂带深部几何形态

利用Sentinel-1A卫星升轨、降轨合成孔径雷达影像数据,提取了2016年门源Mw5.9级地震的高精度合成孔径雷达干涉同震形变场,利用单纯形法和非负最小二乘法反演确定了地震断层几何和滑动分布,并构建了区域断裂带的深部几何形态模型。结果表明,门源Mw5.9级地震同震形变以地表抬升为主,沿升轨、降轨视线向的最大值分别为5.3 cm、7.1 cm;地震断层走向、倾角分别为133°、43°;地震滑动以逆冲为主,主要发生在地下6.14~12.28 km处,最大滑动量约0.5 m,平均滑动角为66.85°,地震矩为1.0×1018 N·m（Mw5.94）;形变观测拟合残差均方根为0.36 cm;区域断裂带的深部几何形态以花状构造为特征,整体倾向南西,门源地震发震断裂为花状构造中未出露地表的盲断层。相关成果能够为研究区域地壳运动与变形、活动断裂与地震孕育发生等提供参考。     

基于LBP纹理与SegNet网络的灾损建筑物提取

高分辨率遥感影像中震后灾损建筑物提取是震害预估中极具重要的参考指标，研究遥感影像的震后灾损建筑物提取方法具有重要的科学意义。本文以青海玉树震后典型的灾损建筑物数据为研究对象，针对卷积神经网络对于城市建筑物纹理特征信息利用的不足，将局部二值模式(LBP)纹理特征与SegNet深度卷积神经网络相结合，采用有监督学习分类的方式训练卷积神经网络，实现震后灾损建筑物自动分类提取，并与传统面向对象提取方法进行对比。实验结果表明，LBP纹理特征与SegNet卷积神经网络模型相结合，对于震后灾损建筑物的提取能提高预测精度，用户精度与生产者精度分别有2%～7%,2%～9%的提升。     

基于Sentinel-1A数据的地表形变监测

提取滑坡形变数据、分析形变趋势对地质灾害防治工作具有指导意义.合成孔径雷达干涉测量技术(InSAR)具有全天候、全天时精确获取地表形变数据的能力,是当前形变监测的重要手段.分别利用DInSAR和SBAS-InSAR技术处理了22景哨兵一号(Sentinel-1)C波段数据,得到了四川省安州区高川乡大光包滑坡2018年3月-2020年2月的形变数据特征.结果表明,大光包滑坡点共有3个相对明显的形变区域;近两年的平均形变速率最高不超过100 mm/a,其形变时间序列随降雨量变化具有周期性;总体地表形变趋于稳定,周边地区中小型地震的发生没有造成地质灾害隐患.     

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;...     

基于多源SAR数据的2022年门源Ms 6.9地震同震破裂模型反演研究

2022年1月8日青海省海北州门源县发生Ms 6.9地震,震中位于青藏高原东北缘祁连-海原断裂中段,属历史地震空区,基于多源合成孔径雷达（synthetic aperture radar,SAR）遥感数据研究该地震的破裂模式对理解青藏高原东北缘构造变形机制、应变释放过程以及地震危险性评估具有重要意义。首先利用Sentinel-1数据和合成孔径雷达差分干涉测量（differential interferometry synthetic aperture radar,D-InSAR）技术获取了门源地震的同震形变场,视线（line of sight,LOS）向形变场显示此次地震造成了约20 km长的地表破裂,最大形变约0.75 m;然后基于Sentinel-2卫星数据,利用光学影像配准和相关技术获取了本次地震的东西向同震形变场,最大同震位移达2.5 m;最后基于均匀弹性半无限位错模型,以LOS向形变场为约束反演了断层的滑动分布模型。结果显示,门源地震是一次典型的左旋走滑型地震,地震破裂主要集中在0~10 km深度范围,最大滑动量3.25 m,滑动角10.44°,对应深度4.89 km;反演给出的矩震量为1.07×1019 N·m,对应矩震级Mw 6.6。结合野外考察和地质资料,初步判定发震断裂为冷龙岭断裂,并引起托莱山断裂发生同震滑动。同震库仑应力结果显示,冷龙岭断裂东段和托莱山断裂西段应力状态为加载,未来具有发生强震的风险。     

高分辨率遥感影像建筑物提取的空洞卷积E-Unet算法

利用高分辨率遥感影像提取建筑物是目前研究热点之一,但由于建筑物颜色各异、形状大小不同、细节繁多,提取结果普遍存在边缘模糊、转角圆滑和细节丢失等问题。本文提出一种基于空洞卷积的E-Unet深度学习网络。在E-Unet的结构设计中,引入跳跃连接以减少边缘和转角的细节损失;采用新设计的卷积模块,使其扩大感受野的同时减少参数量;底层增加Dropout模块避免网络发生过拟合现象;遥感影像输入网络前先进行直方图均衡化、高斯双边滤波和波段间比值运算,然后合并为多波段张量输入模型（不转换为灰度图像）。为验证网络性能、明确性能提升的原因,本文在Massachusetts和WHU建筑物数据集上设计了两组试验。第1组是E-Unet、Unet和Res-net 3种网络的对比试验,结果表明E-Unet不仅精度评价结果优于Unet和Res-net,而且建筑物边角的细节被完整提取。第2组是消融试验,目的是明确预处理模块对提取精度的提升效果,结果表明预处理模块能提升不同网络提取精度。通过这两组试验证明了预处理模块的有效性和本文提出网络的优越性。     

GNSS网形变化的区域地壳形变信息提取方法

针对GNSS三维无约束平差不依赖基准且拥有高精度几何网形的特点,以GNSS监测网作为一个整体的时空观测单元,由GNSS网测站间相互关联的所有基线长度和基线夹角变化综合衡量网形的变化,用网形的变化集中反映区域地壳形变信息。利用地壳形变高空间相关性的特点,采用主成分时空响应分析的方法实现了区域地壳形变信息的快速提取。通过对2013年芦山Ms7.0地震近场区域陆态网GPS基准站2010—2014年观测数据的解算,提取并分析了对应地震前后近场区域地壳形变时空分布特征及形变的动态演变过程。     

基于卷积神经网络的电线塔识别与更新入库

利用卷积神经网络实现了电线塔的提取与更新入库.首先将遥感影像分为训练区域与校正区域,结合本底矢量数据,在训练区域分别获得目标与非目标样本影像块,并以此训练卷积神经网络;再利用卷积神经网络在校正区域提取电线塔;然后通过与本底数据的叠置分析,获得电线塔的增量数据;最后根据不同的类型对增量数据进行更新入库.实验结果表明,该方...     

面向高分影像建筑物提取的多层次特征融合网络

建筑物规模及其分布是衡量一个地区经济社会发展状况的关键指标,因此研究基于遥感影像的建筑物提取具有重要意义。现有神经网络方法在建筑物提取的完整度、边缘精确度等方面仍存在不足,由此提出一种基于高分遥感影像的多层次特征融合网络(multi-level feature fusion network,MFFNet)。首先,利用边缘检测算子提升网络对建筑物边界的识别能力,同时借助多路径卷积融合模块多个维度提取建筑物特征,并引入大感受野卷积模块解决感受野大小对特征提取的限制问题;然后,对提取的特征进行融合,利用卷积注意力模块进行压缩,经金字塔池化进一步挖掘全局特征,从而实现建筑物的高精度提取。并与当前主流的UNet、PSPNet(pyramid scene parsing network)、多路径特征融合网络(multi attending path neural network, MAPNet)和MDNNet(multiscale-feature fusion deep neural networks with dilated convolution)方法进行对比,使用亚米级的武汉大学航空影像数据...