基于非一致性自适应变异的克隆选择算法

提出了一种基于非一致性自适应变异的克隆选择算法.该算法根据抗体的亲和力自适应地确定相应抗体的变异率,同时采用非一致性变异方法来提高算法的效率.实验证明.与传统的克隆选择算法相比,本文提出的方法所需要的收敛时间更少,且能快速地找到最优解,具有一定的实用价值.     

基于自动搜索和光谱匹配技术的训练样本纯化算法

提出了一种基于局部自动搜索和光谱匹配技术的监督分类训练样本的纯化方法。该方法首先利用遥感影像中像元的灰度信息在图像上局部范围内自动搜索和选择最佳样区位置，然后利用光谱匹配的思想对寻找到的最佳样区在光谱空间上进一步纯化。实验结果证明，通过手工选择样区的辅助，该算法能够自动有效地搜寻到最佳样区的位置，并对最佳样区进行纯化处理。原始遥感图像经过本文的样区纯化算法处理后，无论是目视判读效果，还是分类后混淆矩阵的统计及分类精度，均优于纯化处理前的分类结果，具有一定的实用价值。     

高光谱高空间分辨率遥感观测、处理与应用EI北大核心CSCD

高光谱遥感技术是遥感领域的研究热点之一。然而,由于成像口径与能量等限制因素,难以同时获得高光谱和高空间分辨率的图像,这极大限制了高光谱遥感在精细尺度任务中的应用。近年来,随着高光谱成像技术及无人机为代表的新型观测平台的发展,高光谱高空间(双高,同时具备纳米级光谱分辨率与亚米级空间分辨率)遥感技术发展迅猛,推动了高光谱遥感技术的应用,但同时也带来了更多问题。极高的空间与光谱分辨率使得数据更加海量高维,加剧了高光谱数据的空间异质性和光谱变异性,为影像智能信息处理带来更大的挑战。为此,本文将从双高遥感影像基准数据集、双高遥感影像智能信息处理、双高遥感影像典型应用3个方面论述双高遥感应用与发展现状。     

多源DEM融合的高差拟合神经网络方法

本文侧重于介绍智能化摄影测量机器学习的高差拟合神经网络方法。观测手段和处理方式等限制导致全球高质量无缝DEM数据的缺乏,进而制约了它在水文、地质、气象及军事等领域的应用。本文提出了一种基于高差拟合神经网络的多源DEM融合方法,尝试融合全球DEM产品SRTM1、ASTER GDEM v2和激光雷达测高数据ICESat GLAS。首先,根据ICESat GLAS的相关参数及与DEM数据的高程差值,结合坡度自适应的思想设置高差阈值对ICESat GLAS进行滤波,剔除异常数据点。然后,以ICESat GLAS数据为控制点,利用神经网络模型拟合ASTER GDEM v2的误差分布。以地形坡度信息和经纬度坐标作为网络输入,ICESat GLAS和ASTER GDEM v2的高程差值作为目标输出,训练得到预测高差,将其与ASTER GDEM v2高程值相加即可获得校正结果。最后,引入TIN差分曲面的方法,利用校正后的ASTER GDEM v2高程值对SRTM1的数据空洞进行填充,融合生成空间无缝DEM。本文通过随机选取数据进行真实试验,对模型进行了精度验证,并给出了处理结果的定量评价和目视效果。结果表明,不论是空洞还是整体区域,本文方法相比其他DEM数据集和其他方法的处理结果都能够在RMSE上表现出优势,同时,本文提出的方法能够有效克服ASTER GDEM中异常值的影响,得到空间无缝DEM。     

风化及其它类荒漠漆表面层对高光谱分辨率遥感的影响（一）

由地表风化产生的表面覆被层的矿物质，其质地或与它的基岩矿物相似，或十分不同，虽然这类表面层的厚度仅有几微米到几毫米，但它们却完全控制了地面的反射光谱。与此相似，有些由风吹送的尘埃、胶结物或其它附着物在表面形成的外层也是影响遥感反射光谱的重要因素。这种由胶结物形成的表层往往是深色（甚至黑色）的，因为它们通常出现在干旱区，故常称为“荒漠漆”（“ｄｅｓｅｒｔｖａｒｎｉｓｈ”）。尽管这些暗色对我们的眼睛并无特别之处，但这类表面层（通常为粘土）在短波红外区（ＳＷＩＲ）具有低反射率的吸收特征，并能据此推断它们的矿物成分。因此，为了要在遥感图象和地面的实际“地质状况”之间建立联系，必须对裸露岩石表面特征具有良好的了解。由于不可能在野外总能找到“新鲜”的岩石表面，因此，人们必需能将“岩石内部”物质的光谱和它“上、下表面”的光谱区分开。本部分以美国加里福尼亚东部Ｗｈｉｔｅ－Ｉｎｙｏ山区高海拔地区早古生代白云质碳酸盐的风化表面为例，研究其岩石表面风化特征与海拔高度的关系。     

采用张量子空间的高光谱影像多维滤波算法

本文提出了一种基于张量子空间的多维滤波算法,将其应用于高光谱遥感影像降噪。该方法将高光谱影像数据视为三阶张量,引入张量数据表达,通过张量子空间分解将含噪影像投影到信号子空间,根据影像信号与噪声在子空间中分布的不同滤除噪声并保留原始影像的信号成分。利用该算法作用于多组含噪高光谱数据,对比逐波段二维维纳滤波算法、小波降噪算法等传统数字图像降噪算法的结果,实验证明了这种新型降噪算法的有效性。     

自适应差分进化的遥感影像自动模糊聚类方法

遥感影像模糊聚类方法可以在无需样本分布信息的情况下获取比硬聚类方法更高的分类精度,但其仍依赖先验知识来确定影像地物的类别数。本文提出了一种基于自适应差分进化的遥感影像自动模糊聚类方法,该方法利用差分进化搜索速度快、计算简单、稳定性高的优点,以Xie-Beni指数为优化的适应度函数,在无需先验类别信息的情况下自动判定图像的类别数,并结合局部搜索算子对遥感影像进行最优化聚类。通过模拟影像以及两幅真实遥感图像的分类实验表明,本文方法不仅可以正确地自动获取地物类别数,而且能够获得比K均值、ISODATA以及模糊K均值方法更高的分类精度。     

一种顾及空间相关性遥感影像辐射度的地形校正算法

地形校正的目的是消除太阳光照对不规则地面地物辐射值的影响。这种影响会使相似植被类型地物的辐射值发生很大的变化。因此,在地形复杂的地区,地形校正是影像预处理的一个重要步骤。传统的基于单像素的地形校正方法,虽然减小了辐射值的变化,但在太阳入射角低的地区常常出现校正过度的情况。针对这种误差进行分析,提出一种考虑了空间相关性的校正算法,并且利用鄂西地区的Landsat7卫星影像进行的试验证明,该算法优于传统的地形校正模型。     

地球表层特征参量反演与模拟的机理-学习耦合范式

构建物理驱动的机理模型一直是估算地球表层特征参量的核心科学范式,发展数据驱动的机器学习模型是地学研究范式转换的重要途径,而耦合机理模型与学习模型则可以实现“理性主义”与“经验主义”的结合,是当前最受关注的研究热点之一.文章针对参量估算的遥感反演与动力学模拟方法,深入分析了机理模型与学习模型的内在瓶颈及其互补性,搭建了以机理级联学习、学习嵌入机理、机理融进学习为核心的耦合范式框架,归纳了预处理与初始化、中间变量传递、后置精化处理、模型替代、模型调整、模型求解、输入变量约束、目标函数约束、模型结构约束、混合应用等十种具体耦合方式,剖析了当前的主要问题与未来的挑战方向.研究为深入理解、应用机理-学习耦合模型提供了新视角,为提升地球表层特征参量反演与模拟能力、服务地球系统科学发展提供理论与技术支撑.