深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

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。     

甘肃省地表要素遥感解译样本库建设与应用

面对自然资源遥感监测体系建设和省级基础测绘重点要素年度更新需求,本文以地理国情地表覆盖为主要参考数据,提出了省域遥感解译样本库的建设方法。首先制定了适用于深度学习的甘肃省自然资源遥感解译样本分类体系和顾及地学知识的样本选取标准,据此构建了囊括不同尺度单元的全要素、单要素和变化检测3类样本数据集;然后基于自主研建的甘肃省遥感解译样本库平台,构建了从样本采集、模型训练、智能解译到质量评估的全链路技术体系。试验结果表明,面向不同尺度区域,地物提取准确率达90%,变化检测准确率达74%,实现了地表要素从粗粒度到细粒度的自适应解译。研究成果在甘肃省省级基础测绘更新、城市国土空间监测及非农化监测等领域进行了业务化应用,提高了自然资源管理精准化和智能化水平。     

基于遥感技术的自然资源执法监察工作问题探析

立足于湖南省自然资源执法监察工作实践情况,从遥感影像基础保障能力、变化图斑智能解译效果提升、管理服务数据快速统筹提供、各级执法监察人员协同配合、执法监察联动机制建设、地方执法监察基础能力提升等方面阐述了目前遥感技术支持下的执法监察工作存在的问题,并提出了解决建议,能为新形势下自然资源执法监察工作水平的进一步提升提供参考.     

“三调”质量检查中不一致图斑提取正确性检查方法研究

目前对土地利用变化检测的研究在多时相遥感影像数据上进行,而在第三次全国国土调查（简称“三调”）工作中,通过套合矢量图斑数据与高分辨率遥感影像并完全依赖目视解译提取不一致图斑,该方法耗时,且仅抽取少量数据进行提取正确性质量检查。使用卷积神经网络模型,采用在ImageNet数据集中预训练的MobileNetV2模型对结合了SIRI-WHU数据集的贾汪区分割后数据集进行训练,将分类结果与矢量图斑数据进行比对,提取出不一致图斑,以检验该模型在不一致图斑正确性检查中的可行性。实验证明,通过该方法能够提取出不一致图斑,有望在“三调”质量检查以及土地利用变化检测等工作中推广。     

基于多特征U-Net网络的工程活动图斑快速识别

为有效监测具有填挖、采剥等行为的工程活动情况,本文提出了一种用于像素级露天工程活动图斑提取的遥感多特征语义分割模型。该模型以高分二号(GF-2)光学遥感影像为数据源,采用U-Net深度神经网络架构,通过人工标注构建了反映露天工程活动的影像样本集,并提取样本的多维特征投入模型进行训练,从而实现了工程活动图斑的快速识别。试验结果显示,本文方法对露天工程活动图斑的总体识别精度可达87.36%,平均精度达86.78%,优于KNN、SVM两种传统分割方法,为工程活动自动化监管提供了技术参考。     

迁移学习支持下的高分影像积云提取方法研究

针对传统影像质量检查工作中积云提取存在人工作业量大、操作烦琐等问题,本文通过引入迁移学习机制,将已有数据集训练过程中得到的神经网络参数迁移到解译模型构建中,提出了一种适用于积云的自动提取方法。本文以湖南省不动产统一登记基础数据为实验对象进行了实验,结果表明,本文方法的浓积云提取总体精度可以达到90%以上,淡积云提取的总体精度可以达到87.3%,表明本文研究可用于高分影像积云自动提取。     

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。     

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。     

遥感影像样本自动生成与智能迭代分类方法

针对先验知识未能有效指导智能分类、智能分类与样本采集相对独立的问题,提出遥感影像样本自动生成与智能迭代分类方法。首先利用遥感影像及对应的历史解译数据构建样本数据集;其次利用深度卷积神经网络模型进行训练,得到预训练模型;再次利用预训练模型对即时遥感影像进行智能分类,得到智能分类结果;最后将校正后分类结果反馈到样本数据集,完成样本数据集的更新,利用更新后的样本数据集对智能分类模型进行迭代优化,形成模型与样本的优化闭环。试验结果表明：该方法通过样本自动生成与更新,以及模型迭代训练,能够提升智能分类模型精度,为解决先验知识未充分利用、智能分类与样本采集相对独立、分类结果未实时反馈等问题提供思路。     

土地利用数据综合的智能体技术

针对土地利用数据综合中图斑的化简处理这一复杂问题,把智能体技术引入到土地利用图斑的处理,建立了土地利用图斑综合的多智能体系统,包括系统的知识库、状态诊断、上下文环境探测、智能决策过程以及土地利用图斑智能体的动作执行和运行结果评价,并通过实际生产进行检验.     

基于深度学习的乱占耕地建房疑似图斑自动提取方法研究

为实现农村乱占耕地建房问题“早发现、早制止、早查处”,本文提出一种基于深度学习的乱占耕地建房疑似图斑自动提取方法,利用高分辨率遥感影像解译模型,结合第三次国土调查成果耕地数据,快速识别乱占耕地建房疑似图斑。最后以江苏省某县级市为例开展实验,实验表明：该方法提取结果准确率高、用时少,可为耕地保护、督察执法提供重要支撑。     

基于深度学习的河道提取与变化监测应用——以永定河为例

本文基于2014年、2017年、2018年三期GF1遥感影像,针对北京市石景山永定河河道变化特征,开展基于深度学习算法的河道自动提取与变化图斑自动发现。选择GEOWAY GFLP作为地理要素智能训练平台,采用基于疑似变化区域自动发现与人工交互确认相结合的遥感监测技术路线,选取典型水体样本进行分析、训练,构建深度学习卷积神经网络水体提取模型。通过分析与验证发现,基于深度学习水体提取模型自动提取的河道准确率高于90%,精度高于最小距离、最大似然及SVM分类方法,可用于城市河道的自动提取和变化发现。     

国产高分辨率卫星影像在省级国土监察中的应用研究

以广西壮族自治区66个县为研究区域,针对实际应用,分析违法类型,收集2016年上半年GF-1、GF-2、ZY-3数据,结合2015年辅助数据,采用ENVI IDL开发批处理程序进行数据预处理,通过影像比对,目视解译提取可疑图斑,利用地理处理模型(GP Model)获取图斑行政区、坐标、面积等属性数据。核查53个县,查明1 046宗违法用地,16个违法采矿点。结果表明:国产卫星影像能较好地反映地物信息,地物判读性较好,文中所示的内业工作流程高效可靠,对在国土监察工作中发现可疑图斑具有现实意义。     

遥感解译标志建立思路研究

针对地理国情普查与监测中遥感解译工作量大、解译难度高,解译工作人员不可能逐一实地核实每一个图斑的具体问题,提出了建立遥感解译标志库辅助作业人员解译的思路,以国情普查遥感解译样本数据库的建立为例,建立遥感影像解译样本标志库,方便遥感解译人员进行准确解译。     

深度学习在河湖“清四乱”中的应用

为不断提高河湖治理水平,加强河湖的动态监测、精细化和常态化管理,维护河湖健康生命,服务于河湖“清四乱”专项行动,本文基于卫星遥感影像,应用深度学习方法智能提取疑似河湖“四乱”问题图斑,通过人机交互建立了河湖“四乱”解译标志。通过工程实践与实验分析,基于深度学习语义分割方法可快速、准确获取大范围水域疑似“四乱”图斑,减少人工遥感解译作业量。该方法操作性较强,可为河湖监管工作提供技术支持,提升河湖监管能力。     

山水林田湖草自然资源遥感智能解译样本库建设研究

针对瞄准遥感智能解译样本稀缺这一基础性问题,本文研究涵盖山水林田湖草自然资源要素的遥感解译样本分类体系、采集与清洗、建库与利用方法,构建分布均匀、种类齐全、涵盖不同地物类型及观测尺度的遥感解译样本库,形成国产高分辨率卫星遥感信息提取与变化检测自动化、智能化业务支撑能力,服务自然资源监测监管及相关行业应用。     

自然资源要素智能解译研究进展与方向

自然资源要素解译是自然资源调查监测工作中最基础、投入工作量最大、技术难度最高的工作,存在可解译类别少、要素边界不准不全、类别属性可靠性不高等诸多挑战。本文从自然资源调查监测应用场景出发,首先从要素解译到场景要素耦合的解译范式、数据驱动到知识驱动的解译方法、人工目视到人机协同的解译手段3个方面阐述了自然资源要素自动解译的研究进展;然后探讨了6个重点研究方向及其研究内容,包括场景要素耦合解译、知识驱动语义理解、人机协同智能解译、内外一体与三维环境解译、关键参数精准计算与定量反演,以及高可信质量控制与真实性验证;最后进行了总结与展望,以期为自然资源要素智能解译研究提供思路,推动解决困扰遥感影像自动解译方法在自然资源调查监测业务应用中的瓶颈问题。     

遥感影像提取图斑中狭长结构的探测与融解方法

遥感影像提取的地物图斑数据需要进行结构优化,从而满足数据建库与制图表达的质量要求。其中,地物图斑分布上存在的大量狭长结构需要进行一致性融解操作。该项工作目前仍由人机交互方式完成,亟须发展专门的自动探测与一致性融解模型。为解决该问题,本文首先对遥感影像提取图斑中狭长结构产生的缘由和表现形式进行深入分析。在此基础上,分别针对控制图层图斑边界产生的狭长结构和人工地物图斑的局部狭长结构设计专门的探测与一致性融解方法,从而丰富现有的图斑狭长结构处理技术体系。试验表明本文提出的两种算法对狭长结构探测与一致性融解的正确率均超过90%,具有较好的可操作性与实用价值。     

基于Arcobjects的约束Delaunay三角网支持下的土地利用图斑综合

关于以约束Delaunay三角网剖分模型为基础的地图综合的研究,已经有了很多成熟的算法理论,但在应用中这些模型算法建立的约束性Delaunay三角网都比较复杂,并且在动态更新上,这些模型在实际应用中存在一定的困难。基于此问题,本文提出了以地类图斑多边形为数据源,利用Arcob jects建立TIN模型,从中获取内部约束性Delaunay三角网并提取骨架线,利用骨架线进行剖分多边形,达到图斑多边形融合的目的,来解决大比例尺到小比例尺数据转换中地类图斑的制图综合问题。