利用高分辨率夜光影像开展土叙地震灾害评估

2023-02-06,土耳其南部相继发生Mw 7.8和Mw 7.5地震,土耳其和叙利亚两国遭受了重大人员伤亡和财产损失,快速评估灾区受灾情况对地震应急救援和灾后重建具有重要意义。利用震前的可持续发展科学卫星1号夜光影像和震后的仰望一号夜光影像,采用多元幂函数回归模型对两类影像进行了相对辐射定标,使用定标后的影像对土耳其阿德亚曼市和安塔基亚市-德芙内市进行了灾害评估。结果显示,所提的相对辐射定标模型能有效提升异源夜光影像之间的可比性;3座严重受灾城市在地震后出现大范围停电,建成区内超过50%的区域灯光损失率高于80%,建成区整体灯光损失率超过70%。结果表明,异源高分辨率夜光影像能有效评估自然灾害对城市的影响,评估结果可为当地政府部门应急决策及震后重建提供帮助。     

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。     

泸定Ms 6.8地震诱发滑坡应急评价研究

2022-09-05,四川省甘孜州泸定县发生Ms 6.8地震。地震在山区诱发了大量的地质灾害,造成了严重的人员伤亡。快速准确地获取地震诱发地质灾害的空间分布范围对震后应急决策和救援抢险至关重要。基于全球同震滑坡数据库与深度学习算法,构建了地震诱发滑坡空间分布概率近实时预测模型,在震后2 h内获取了泸定地震诱发地质灾害的预测结果。通过震后无人机与卫星遥感影像,采用机器学习与深度学习算法实现了震后大范围地质灾害的智能识别,共解译地震诱发滑坡3 633处,总面积13.78 km2。利用遥感解译的泸定地震滑坡数据,对地震诱发地质灾害预测模型进行了优化,获得了震区范围更广、准确性更高的同震滑坡预测结果。结果表明,同震滑坡预测模型能够快速获取震后地质灾害的空间分布情况,填补震后遥感影像获取前的空窗期,为灾后应急救援提供支撑;基于无人机与卫星遥感影像的智能识别技术是快速获取大范围地质灾害信息的有效手段。所取得的研究成果在泸定地震震后应急救援工作中发挥了重要作用。     

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.     

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。     

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。     

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。     

遥感影像智能解译:从监督学习到自监督学习

遥感影像精准解译是遥感应用落地的核心和关键技术.近年来,以深度学习为代表的监督学习方法凭借其强大的特征学习能力,在遥感影像智能解译领域较传统方法取得了突破性进展.这一方法的成功严重依赖于大规模、高质量的标注数据,而遥感影像解译对象独特的时空异质性特点使得构建一个完备的人工标注数据库成本极高,这一矛盾严重制约了以监督学习为基础的遥感影像解译方法在大区域、复杂场景下的应用.如何破解遥感影像精准解译"最后一千米"已成为业界亟待解决的问题.针对该问题,本文系统地总结和评述了监督学习方法在遥感影像智能解译领域的主要研究进展,并分析其存在的不足和背后原因.在此基础上,重点介绍了自监督学习作为一种新兴的机器学习范式在遥感影像智能解译中的应用潜力和主要研究问题,阐明了遥感影像解译思路从监督学习转化到自监督学习的意义和价值,以期为数据源极大丰富条件下开展遥感影像智能解译研究提供新的视角.     

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。     

影像解译中的深度学习可解释性分析方法

深度学习的迅速发展极大地推进了多种图像解译任务的精度提升,然而深度学习网络模型的“黑箱”性质让使用者难以理解其决策机理,这不仅不利于模型结构优化和安全增强等,还会极大地增加训练调参成本。对此,本文围绕影像智能解译任务,对深度学习可解释性国内外研究进展进行了综合评述与对比分析。首先,将当前可解释性分析方法分为激活值最大化分析法、代理模型分析方法、归因分析法、扰动分析法、类激活图分析法及样例分析法等6类方法,并对方法的原理、侧重点及优缺点进行了回顾。其次,对8种衡量各类分析方法所提供解释的可靠性的评估指标进行了回顾,并梳理了当前公开可用的可解释性开源算法库。在当前开源算法库的基础上,以遥感影像智能解译任务中的可解释性分析为例,验证了当前深度学习可解释性方法对遥感影像的适用性;试验结果表明当前可解释性方法在遥感解译中还存在一定的局限性。最后,总结了现有基于自然影像的可解释性算法在遥感影像解译分析中存在的问题,并展望了设计面向遥感影像特性的可解释性分析方法的发展前景,旨在为相关研究者提供参考,推动面向遥感影像解译的可解释性方法研究,从而为深度学习技术在遥感影像解译任务中的应用提供可靠的理论支持与算法设计指导。     

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。     

面向深度学习的遥感影像样本库建设技术研究

针对深度学习样本制作技术稀缺以及样本复用性差等问题,本文围绕自然资源督察业务、测绘生产项目等需求,面向深度学习算法和模型,基于多源多时相卫星遥感影像,结合已有地理国情监测数据、基础地理信息数据等资料,对水体、林地、推填土等典型自然资源要素,开展了遥感影像处理、样本数据制作、质量控制、成果入库等方面的技术研究,初步建立了一套面向深度学习的遥感影像样本库建设技术体系,有效促进了样本数据的统一管理、重复利用和动态更新。     

结合主动学习和词袋模型的高分二号遥感影像自动化分类

高分卫星遥感影像空间分辨率的提高,使得地物的光谱和纹理变得更加丰富和复杂,这给遥感影像的自动化分类带来严重挑战。因此,本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先,对研究区域进行多尺度分割,建立影像分割对象集;然后,采用词袋模型构建影像对象的语义特征向量;最后,充分考虑位于分类边界的不确定性样本分布,迭代选择最优样本用于训练支持向量机,用于分类遥感影像。为了验证本文方法的有效性和稳健性,以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明,本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类,正确率达到90.6%以上。     

遥感影像像素级融合通用模型及其并行计算方法

影像融合是卫星影像处理流程中重要的一环,已经广泛应用于遥感影像目视解译、自动分类、正射影像制作、影像测图等。随着卫星影像分辨率的提高和在轨卫星数目的增加,大量的数据处理需求及短时间的响应要求对影像融合的处理带来了极大的挑战。     

基于多源高分辨率遥感影像的典型自然资源要素提取

利用高分辨率遥感数据具有高空间分辨率的特性,本文以青海省西宁市0.3和1 m多源高分辨遥感影像为数据源,基于卷积神经网络深度学习算法进行典型自然资源要素提取。结果表明,0.3 m遥感影像提取耕地、林地准确率均在85%以上,召回率在89%以上;1 m遥感影像提取耕地林地准确率在90%以上,召回率在91%以上,研究成果可用于西宁市自然资源典型要素智能提取。     

高分辨率遥感影像解译中的机器学习范式

高分辨率遥感影像解译是遥感信息处理领域的研究热点之一,在遥感大数据知识挖掘与智能化分析中起着至关重要的作用,具有重要的民用和军事应用价值.传统的高分辨率遥感影像解译通常采用人工目视解译方式,费时费力且精度低.所以,如何自动、高效地实现高分辨率遥感影像解译是亟待解决的问题.近年来,随着人工智能技术的飞速发展,采用机器学习...     

“高分二号”卫星在黄土地质灾害解译中的应用研究

黄土高原地区地质灾害多发频发,危害严重,应用亚米级的高分二号(GF-2)卫星影像数据,提取地质灾害信息,并对室内解译结果进行了野外查证。本文提出了以GF-2卫星数据为主要信息源,进行地质灾害解译的技术方案;并以宁夏南部黄土高原区为例,验证了该方法的适用性,为规模化地开展基于国产高分系列卫星的黄土高原地区地质灾害遥感解译提供了可行的技术方案;通过GF-2卫星影像与常用的国内外卫星数据用于地质灾害信息判释的对比研究,认为GF-2卫星影像对于地质灾害信息的识别能够满足地质灾害遥感解译的要求,GF-2卫星影像的应用具有较高的性价比和显著的经济社会效益。     

基于Encoder-Decoder网络的遥感影像道路提取方法

针对道路目标特点,设计实现了用于遥感影像道路提取的Encoder-Decoder深度语义分割网络。首先,针对道路目标局部特征丰富、语义特征较为简单的特点,设计了较浅深度、分辨率较高的Encoder-Decoder网络结构,提高了分割网络的细节表示能力。其次,针对遥感影像中道路目标所占像素比例较小的特点,改进了二分类交叉熵损失函数,解决了网络训练中正负样本严重失衡的问题。在大型道路提取数据集上的试验表明,所提方法召回率、精度和F1-score指标分别达到了83.9%、82.5%及82.9%,能够完整准确地提取遥感影像中的道路目标。所设计的Encoder-Decoder网络性能优良,且不需人工设计提取特征,因而具有良好的应用前景。