湖泊亚像元填图算法研究

湖泊面积变化监测具有重要的科学和社会意义,使用中低分辨率卫星遥感数据进行大面积的湖泊面积变化监测有很多优势,但易受混合像元的影响。本文根据湖泊水体的遥感特性,发展了使用中低分辨率卫星遥感数据的混合像元分解算法,应用线性多端元混合像元分解技术,自动、快速地得到在每个像元中湖泊所占的面积百分比;在上述分类结果的基础上,基于地物的空间依存现象,建立空间吸引力的概念,用循环迭代的方法实现超过遥感影像自身分辨率的湖泊亚像元填图。在针对青藏高原不同季节不同地区的Modis影像的实践中,显示混合像元分解算法可以提供较高精度的软分类结果;使用迭代方法进行亚像元填图是简单高效的,具有很大的应用潜力。     

多尺度纹理及多光谱影像协同的遥感岩性识别方法

岩性识别是遥感图像分类的难点,也是遥感地质应用的难点和热点。从遥感地质应用的实际需求出发,以西昆仑地区侏罗纪沉积岩地层为例,通过尺度转换提取高分遥感图像的多尺度纹理信息,采用波段叠加的方式协同多尺度纹理信息与ASTER影像多光谱信息进行岩性识别方法研究。利用WorldView-2全色数据进行向上尺度转换,形成空间分辨率分别为0.5,2,5,10,15,30m6种尺度图像数据,基于灰度共生矩阵提取各尺度上的纹理信息;将不同尺度的纹理信息分别与ASTER多光谱数据叠加形成协同数据;采用监督分类方法对研究区协同数据进行岩性分类。结果表明:(1)岩性纹理信息对空间尺度表现出依赖性,纹理信息量及含义随空间尺度不同而变化;(2)每套特定岩层因其独特的几何空间结构特征(厚度、产状、夹层、互层等)都有与之相适应的最佳纹理尺度,且该最佳尺度下纹理与光谱的协同效应最大;(3)纹理信息与多光谱数据形成的协同数据能有效提高岩性分类的精度,分类精度提高的程度与纹理计算的尺度相关。研究区岩性分类结果显示当纹理尺度为10m时,与仅基于ASTER纯光谱分类结果相比,精度提高了约6.9%。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89. 17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96. 70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

基于PCA+RBF的多光谱卫星遥感影像分类

多光谱卫星遥感影像具有波段多,信息量大的特点,传统的分类方法难以达到比较高的精度.这里首先采用主成份分析对多波段遥感图像进行降维,再采用训练后的RBF(radial basis function)神经网络做图像的监督分类.通过对ETM 的遥感数据进行实验,结果表明,这种分类方法的分类精度,明显优于最大似然法、最小距离法等传统的分类方法.同时,与基于像元的RBF神经网络法相比,也有一定的优势.     

加入多尺度图像纹理的岩性分类

利用遥感图像进行岩性分类,是遥感地质应用的重要方面之一.本文运用地统计学中变差函数提取图像纹理,并与原始的光谱图像相结合用于遥感图像的岩性分类.文章分析了不同尺度的纹理信息对岩性分类的作用,并进一步分析和比较多尺度图像纹理对岩性分类的作用.结果表明,在岩性分类过程中加入不同尺度的纹理信息可不同程度地提高图像的岩性分类精度,而同时加入多尺度的纹理信息,可得到更高的分类精度.将多尺度的图像纹理信息和光谱信息综合,是一种有效的岩性分类方法.     

基于深度学习的岩体遥感智能解译模型研究——以苇河镇、亚布力镇、绥阳镇地区为例

在东北地区选取试验区,对比多种分类模型,提出一种基于多源多模态数据和多流CNN的岩体分类模型. 其中包括两个子模型:一是基于大尺度邻域和深度卷积神经网络的岩体提取模型;二是基于波段组合和多模态数据的多流CNN融合模型. 研究结果表明,预测结果图整体区域预测分布正确,总体精度评价指标达到84.4%,具有智能化程度高、客观性强的特点,能够为地质工作者提供辅助决策依据. 此外,还采用迁移学习策略对样本数量进行扩容,解决了CNN模型小样本问题.     

基于各类特征对齐迁移网络的多时相遥感图像分类

为了在目标域遥感图像不存在标记数据的情况下实现自动分类,论文提出一种基于特征对齐的迁移网络.网络以各类类心对齐和协方差对齐作为迁移策略,全面描述域间各类别之间的对应关系,实现知识迁移.另外,网络采用线性修正单元作为激活函数,能够产生稀疏特征,提高分类效果.该迁移网络能够同时获得对齐的特征和自适应分类器,不需要目标域的标记数据,实现无监督迁移学习.在多时相的Hyperion高光谱遥感图像和WorldView-2多光谱遥感图像上的实验结果证明了该迁移网络的有效性.      

SAR遥感数据用于岩性识别与分类的研究

利用新疆北部山区雷达遥感数据,通过遥感数字图像处理与增强,生成雷达遥感假彩色合成影像应用于岩性判释。对不同岩性岩石,利用极化雷达提供的地表岩石的多种散射信息作为输入进行计算机神经网络分类,岩性识别分类的总精度为62.6%。与常规雷达数据分类对比,分类精度与岩石识别正确率均有显著提高。     

基于岩样细观图像深度学习的岩性自动分类方法

在现阶段的岩土工程中,通常采用人工识别的方法来判别岩样种类,不仅耗时长、专业性强,还易受主观因素影响,准确率不理想。随着计算机技术的发展,机器学习逐渐被应用于岩性的自动识别,开启了岩样分类的新路径。本文以重庆市主城区4种典型岩样（泥岩、砂质泥岩、泥质砂岩和砂岩）的细观图像为研究对象,基于Inception V3卷积网络模型和迁移学习算法,建立了岩样细观图像深度学习模型,并完成了训练学习。结果显示：模型在训练1 000次后,训练集中的分类准确率达到92.77%,验证集中的分类准确率为76.31%。其中,验证集中的砂岩识别准确率为97.28%,泥岩识别准确率为81.85%,泥质砂岩识别准确率为72.59%,砂质泥岩识别准确率为72.35%。与现有的机器学习方法相比,本识别模型不仅可以自动识别岩性极为相近的岩样,而且具有较好的识别准确率、鲁棒性和泛化能力。     

Automatic building extraction from very high-resolution image and LiDAR data with SVM algorithm

Recent developments in the field of remote sensing have introduced new sensor technologies in usage of LiDAR, SAR, and high-resolution optical data. Classification performance is expected to increase through combining these various data sources. The purpose of this study is to develop a new approach for automatic extraction of buildings in urbanized and suburbanized areas. For this purpose, multi-feature extraction process including the spatial, spectral, and textural features were conducted on the very high spatial resolution multispectral aerial images and the LiDAR data set. SVM algorithm was trained by using this multi-feature data, and the classification was performed. After the classification of building and non-building, objects were extracted with high accuracy for the test areas. As a result, it has been proven that multi-features derived from combination of optical and LiDAR data can be successfully applied to solve the problem of automatic detection of buildings by using the proposed approach.     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

微地震数据去噪方法综述

随着常规油气藏资源不断枯竭,非常规油气藏的勘探开发已逐渐成为一种必然趋势,从而使得微地震监测技术快速发展。微地震事件的发生持续时间短、声波频率高,使得实际采集到的微地震数据信噪比较低。本文首先简要介绍了微地震监测技术能够在非常规油气藏开发中保证高效的增产,以及微地震噪声压制在微地震监测技术数据处理流程中是关键一步,直接影响着后续微地震研究的准确性和可靠性;并对地面微地震监测数据中的噪声源进行分析,归纳了地面微地震监测中常见噪声：强脉冲干扰、工业交流电干扰、钻井干扰、声波干扰、规则干扰等,分析了其各自的基本特点。然后,概述了地面微地震数据去噪方法已取得的成果,按频率、传播方向、空间分布区域等特性进行分类,分析各种去噪方法在实际应用过程中针对的噪声类型,以及在去噪过程中对有效信号造成的影响等。最后,基于深度学习具有更强的复杂函数表征能力,分析了3种典型深度学习模型的结构及特点;结合在其他相关领域数据去噪问题的成功应用,深度学习可以解决目前微地震数据噪声压制存在的问题,可以作为微地震数据去噪的一种新方法;考虑到目前微地震数据样本数量可能影响深度学习在微地震监测中大规模的应用,本文提出用生成式对抗网络来构建微地震数据样本库以解决该问题,并将其用于后续深度学习过程中的模型训练。     

一种基于光谱角和光谱距离自动加权融合分类方法

高分辨率遥感影像分类一直是业内研究的热点之一,考虑到影像地物光谱角和光谱距离在分类中具有较好的互补性,提出了一种基于光谱角和光谱距离自动加权融合的分类方法,对传统多分类器分类的融合策略进行改进,能够在训练阶段根据样本自动地调整好各分类器对各类别进行分类的权重系数,使得融合后的分类结果更加科学和准确。QuickBird影像的分类实验表明,方法的分类精度明显优于单纯的光谱角或距离法,可广泛用于各种高分辨率影像的分类识别。     

ASD FieldSpec 3地物光谱数据在水磨—大河地区岩性分类中的应用

以四川省旺苍县水磨—大河地区为研究区, 利用美国ASD FieldSpec 3便携式地物光谱仪野外实测岩矿波谱数据和ASTER遥感影像数据, 基于GIS平台, 根据野外实测的岩石光谱曲线和USGS光谱库的典型岩石光谱曲线提取端元波谱, 对区域影像像元的光谱曲线进行匹配, 采用ENVI4.4软件自动信息提取与人机交互解译相结合的方式, 进行岩性分类, 可以有效地划分区内岩性界线, 满足填图需求, 对辅助该区区域基础地质调查、矿产普查等具有重要的应用价值。      

黑河中游绿洲灌溉区土地覆盖与种植结构空间格局遥感监测

以高空间分辨率、高光谱分辨率CASI航空遥感数据作为采样带,对黑河中游绿洲灌溉区土地覆盖和农作物种植结构空间格局进行遥感监测。设计了分层分类方法,综合采用基于像素和基于对象的2种遥感图像分类方法对航空样带区域进行土地覆盖制图。根据实地土地覆盖类型调查与目视解译,对样带土地覆盖和农作物种植结构的分类结果进行精度评价,总体分类精度为84.2%,Kappa系数为0.793。与样带区域2007年Landsat TM/ETM+土地覆盖产品相比,高分辨率CASI航空数据能够对树木、草地与农作物类别进行有效监测。监测结果表明,中游绿洲灌溉区内接近59.1%的地区为裸地与建筑用地;植被覆盖区域占39.8%,其中,农田34.9%,树木5.3%,草地仅有0.1%;而在农田区域中玉米为大宗作物,分类成数占96.1%。研究结果表明高质量与高分辨率的航空遥感数据能够实现对流域下垫面异质性进行有效监测,为生态—水文过程研究提供高分辨率的下垫面类型信息。     

顾及梯度的高斯混合模型在三维属性场空间聚类中的应用

针对高斯混合模型(GMM)在空间聚类中由于忽视目标对象之间的空间关联性而导致的高误判率等问题,本文提出了一种顾及梯度的高斯混合模型:GMM-G,并将其应用在三维属性场的空间聚类中。GMM-G用反映标量场最大属性变化方向的梯度因子来定义邻域规则,设定梯度正交平面所通过的邻域体元更倾向于与中心体元归属于相同或相近的类别;并据此设计了符合归一性和空间连续性的空间邻域信息函数,来定义中心体元属于各类别的具有空间领域规则约束的后验概率。通过对由蒙特卡洛随机抽样构建的实验场的空间聚类结果进行对比表明,相对GMM方法,GMM-G具有更优的聚类精度及效率。最后,把GMM-G方法用于红透山铜矿区可控源音频大地电磁法(CSAMT)三维视电阻率场的空间聚类,得到了与已知岩性划分具有较高匹配度的分类结果,该方法可为物性属性场的岩性划分及地质推断提供相关的依据和参考。