基于差值权重和快速傅立叶变换的“北京一号”卫星影像融合方法研究

提出一种基于差值权重和快速傅立叶变换的影像融合方法--DWF,对"北京一号"小卫星的全色和多光谱影像进行融合.该算法根据卫星影像的成像过程,通过傅立叶变换获取全色影像的高频、低频信息和多光谱影像在HIS颜色空间中分量的低频信息,由这3种信息通过基于差值权重的决策计算获得融合影像的空间信息.实验采用PCA、GS、DWF以及基于小波的HIS变换的融合方法,结果表明DWF方法优于其他融合方法,比较适合于"北京一号"卫星的全色与多光谱影像融合.     

空间数据计算模式分析与应用

随着传感器和其他数据采集技术的不断进步以及对地观测网络的建设和启动,空间数据的高性能处理和分析成为摆在地学工作者面前的瓶颈。本文以此为出发点,按照不同地学领域(陆地、大气、海洋)的空间数据载体的形态的不同,将空间数据划分为反映固态基质信息的陆地空间数据,反映液态基质信息的陆地水文空间数据,反映液态基质信息的海洋流体空间数据和反映气态基质信息的大气流体空间数据四类,并对每类数据的最小单元问题进行了初步的分析。本文详细阐述了地学空间计算的涵义,并根据计算行为模式及计算的侧重点的不同,将地学计算过程分为深度计算过程与主动计算过程(即“数据→特征→知识”的一般计算过程),并就此进行了阐释。以基于特征的遥感信息提取和目标识别工作为例,对上述理论进行了说明和验证。最后对空间数据计算模式相关问题进行了总结,并对以后的研究做了展望。     

遥感技术预测油气勘探靶区

应用遥感技术预测油气勘探靶区具有低成本、高效率的特点。目前有直接和间接两种油气遥感方法用于预测油气勘探靶区。简单介绍了这两种方法的原理,重点对遥感影像中的线-环影像构造异常和烃渗漏异常所表现的特征进行了全面总结,最后对遥感技术在预测油气勘探靶区的应用前景进行了展望。     

基于D-LinkNet的2014年云南鲁甸MS6.5地震建筑物损毁与重建评估

基于谷歌影像和无人机遥感影像,利用D-LinkNet神经网络提取2014年云南鲁甸M_S6.5地震震中龙头山镇建筑物灾害信息,并计算平均震害指数的统计值,得出此次地震的烈度。基于D-LinkNet模型进行检测,将损毁建筑物的提取结果与建筑物群变化的检测结果进行相交,构建重建评估系数,确定研究区的重建程度。评估结果为研究区的地震烈度既有Ⅷ度又有Ⅸ度。2015年的重建恢复等级为“一般恢复”,2018年为基本“完全恢复”。将损毁及重建评估结果与中国地震局等相关部门发布的相关信息进行对比,证实了本方法的准确性。     

油田建设过程中数据管理的ArcGIS分析应用

数字油田是解决当前油田建设中数据冗余的一个有效途径。本文结合大庆油田勘探、开发与建设过程中存在的数据量大、共享困难等问题,对大庆油田的基于统一共享平台的各种空间数据及其他非空间数据共享问题进行了分析,并给出了基于ArcGIS产品的油田数据管理与共享问题的解决方案。     

遥感技术预测油气勘探靶区

应用遥感技术预测油气勘探靶区具有低成本、高效率的特点。目前有直接和间接两种油气遥感方法用于预测油气勘探靶区。本文简单介绍了这两种方法的原理,重点对遥感影像中的线一环影像构造异常和烃渗漏异常所表现的特征进行了全面的总结,最后对遥感技术在预测油气勘探靶区的应用前景进行了展望。     

基于局部差异加权的遥感影像融合方法研究

在分析现有遥感影像融合方法的基础上,针对多源遥感影像之间的地物差异.提出了一种基于局部差异加权的融合方法(local difference powering fusion,LDPF).实验表明,该方法能在提高空间分辨率和保持光谱特征的同时.较好地解决空间信息差异的问题.     

遥感信息图谱支持的土地覆盖自动分类

遥感数据的海量堆积与应用信息的匮乏日益凸显信息认知提取的重要性,在地学信息图谱方法论的指导下,同时参考视觉认知流程,提出了遥感信息图谱认知方法用于遥感数据的自动解译。在地理信息系统的统一框架下逐步挖掘多源遥感数据的"图"、"谱"特征并进行图谱耦合分析,通过多尺度分割、特征分析、监督学习等关键步骤完成"察觉—分辨—确认"的地学认知流程,初步满足自动化和智能化应用需求。在土地覆盖信息自动解译应用中建立了基于"图谱"先验知识的管理与运用机制以实现自动化,采用机器学习算法提升智能化程度,并以自适应迭代控制模型使结果精度向最优逼近。选取了珠江三角洲的试验区域进行了基于ALOS多光谱影像的土地覆盖自动分类,结果符合预期,说明了本文方法的可行性。     

结合模糊度和形态学指数约束的深度学习建筑物提取

基于高分辨率遥感影像的建筑物提取一直是研究的热点问题,深度学习的深层次特征提取方法,非常适合高分辨率影像中建筑物的提取,但使用深度学习提取建筑物时,大多以改变网络结构为主进行算法优化,很少与其他方法结合。本文研究在改进深度学习网络结构的基础上,结合影像模糊度约束增强、形态学建筑指数约束增强等方法,对建筑物提取方法进行更全面更有针对性的改进。本文主要改进内容为：① 提出PwDeepLab网络,该网络基于DeepLab v3+网络结构,在特征融合方式和损失函数等方面进行了改进。② 提出模糊度约束方法,在固定影像块大小的情况下,通过影像模糊度约束对影像进行上采样增强。③ 提出形态学指数约束方法,通过形态学建筑物指数（MBI）约束范围拉伸增强的方法,在较少改变原始影像特征的情况下,突出建筑信息。本文在Massachusetts数据集和武汉大学的Satellite Dataset Ⅱ(East Asia) 数据集上进行验证, 2个数据集的主要建筑类型存在较大区别。本文提出的方法在2个数据集上的精度相对于DeepLab v3+分别提高了10.9%和3.8%,相对于U-Net分别提高了10.0%和9.6%。实验结果表明本文提出的方法对建筑物提取效果有明显提升,且具有很好的鲁棒性和通用性。     

图谱迭代反馈的自适应水体信息提取方法

提出图谱迭代反馈模型,结合空间聚合图特征和非线性谱映射结果的优点,设计图谱迭代反馈机制,并通过自适应信息计算方法自动地调整提取参数,逐步地计算逼近正确的专题区域边界。结合水体提取案例,在分析当前较为有效的水体提取方法基础上,选取ETM影像作为数据源,提出图谱迭代反馈的自适应水体信息提取（WERSTP）理论与方法。试验比较表明,该方法能充分结合基于指数和基于光谱分类提取方法的优势并成功融入水体空间分布特征,获得较好的提取效果。