基于高分辨率卫星遥感技术的风化层厚度制图方法

区域尺度风化层厚度是制约民用和军事地质工程施工、陆域军事交通能力重要因素之一。传统方法通常都需要大量的野外踏勘和实地采样,效率较低,在人迹罕至、人不能至的地区无法完成。因此,利用高分辨率遥感技术开展区域尺度风化层厚度制图研究具有非常重要的意义。在野外调查的基础上,利用国产高分二号卫星数据,采用人机交互目视解译方法获取研究区岩性、土地覆盖类型分布图,并基于ASTER GDEM数据获取地形地貌图像;然后,以坡度、岩性、土地覆盖类型为影响因子,基于云模型理论和方法综合评估获取研究区的风化层厚度图,制图结果与野外验证数据吻合度较好,精度可达81.69%。      

矿山地质环境遥感监测方法初探

针对中国矿山地质环境监管的需求,分别就重要矿集区矿山地质环境监测、矿区滑坡危险性评估、矿区土地复垦可行性研究、尾矿库监测与安全性评估4个目标提出了遥感监测与综合评价方法,为矿山地质环境监管提供了新的技术手段,能够进一步加强中国矿山地质环境监管的时效性,并以此促进遥感技术在矿山地质环境监测中发挥更大的作用。     

基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

生态地质环境评价方法研究

为了建立和探索区域生态地质环境的评价体系,该文以饶河边疆区为例,利用遥感数据提取相关生态环境信息,选取地形坡度、土壤侵蚀强度、土壤退化因子、植被覆盖度、土地利用类型、地质剖面结构、工程地质岩性性状、地貌特征类型等8个指标因子构建生态地质环境分区评价的指标体系,通过层次分析法确定各个指标因子的权重,借助隶属函数将各个因子图像生成对应级别的模糊栅格图像,建立了基于GIS系统的生态地质环境质量综合评价模型,较好地区分了研究区生态地质环境的相对稳定程度,为相关生态地质环境评价方法研究提供参考。     

植被覆盖区高精度遥感地貌场景分类数据集

地貌数据集是实现地貌自动分类和加深对地貌形态学认识的重要支撑数据之一。当前缺乏高精度地貌成因类数据集,制约了地貌遥感自动解译的发展。本文在中国东北地区以沟—弧—盆体系为主的天山—兴蒙造山系中,针对强烈的构造运动和新生代以来的火山作用、流水作用形成的地貌成因类型,制作了构造地貌、火山熔岩地貌和流水地貌3类场景数据集（GOS10m）。数据集覆盖面积约5000 km²,包括哨兵2号可见光遥感影像、SRTM1 DEM及基于DEM提取的7个地貌形态参数（山体晕渲图、坡度、DEM局部平均中值、标准偏差、坡向—向北方向偏移量、坡向—向东方向偏移量和相对偏离平均值）。单张样本图为64像素×64像素,空间分辨率为10 m。采用多模态深度学习神经网络对数据进行训练并分类,平均测试精度可达到82.63%,表明构建的数据集具有较高的质量。可为地貌成因遥感自动分类研究以及推动遥感地貌智能解译的向前发展,提供数据集支撑。     

矿山地质环境遥感监测方法初探

针对中国矿山地质环境监管的需求,分别就重要矿集区矿山地质环境监测、矿区滑坡危险性评估、矿区土地复垦可行性研究、尾矿库监测与安全性评估4个目标提出了遥感监测与综合评价方法,为矿山地质环境监管提供了新的技术手段,能够进一步加强中国矿山地质环境监管的时效性,并以此促进遥感技术在矿山地质环境监测中发挥更大的作用。     

重大自然灾害房屋倒塌程度高分辨率遥感识别方法:以舟曲特大泥石流灾害为例

重大自然灾害引起的房屋倒塌程度的快速制图,对灾害应急救援和灾后损失评估意义重大。针对目前利用高空间分辨率遥感数据开展房屋倒塌程度调查中存在的主要问题,如房屋倒塌分类标准不统一、解译标准缺乏等,在考虑人员和经济损失状况、灾害救助、恢复重建难度等方面的基础上,建立了高空间分辨率遥感数据支持下的重大自然灾害房屋倒塌程度的分类体系,分为未倒塌、轻度倒塌、中度倒塌、重度倒塌、完全倒塌5级。系统描述了房屋倒塌程度遥感解译规则,建立了遥感解译标志,并提出了一种基于瓦砾信息开展房屋倒塌程度的遥感识别方法。最后,以舟曲特大山洪泥石流灾害为例,开展了房屋倒塌程度遥感制图研究。结果表明,利用此方法,房屋倒塌程度识别精度达到92.73%,完全能够满足自然灾害应急救援和灾后损失评估的需求。该方法体系为重大自然灾害应急救援和灾后损失评估提供了科学支撑。      

基于机载LiDAR技术的滑坡识别参数提取方法

选择长江三峡秭归段千将坪滑坡及其周边区域为研究区,利用机载LiDAR数据,开展滑坡识别参数提取方法研究。首先提取滑坡识别参数,再利用相关滑坡识别参数和智能分类算法开展滑坡像元和非滑坡像元分类。试验表明,基于LiDAR技术提取的滑坡识别参数能有效区分滑坡像元和非滑坡像元,确定的特征参数子集对于提高分类精度大有帮助。     

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.     

内陆干旱区天然植物群落遥感制图研究——以敦煌盆地为例

内陆干旱区天然植物群落与当地居民生活质量、区域生态安全及地质环境关系密切。以敦煌盆地为研究区,选择Rapid Eye卫星遥感数据开展植物群落遥感制图研究。(1)根据1∶250 000地貌图及1∶200 000水文地质图设置了天然植被样方调查路线,据此实地调查了植物物种、高度、频度、长势等,区内共记录植物31种,分属16科,主要有9种优势植物,分别为红柳、胡杨、芦苇、骆驼刺、白刺、黑果枸杞、獐茅、蒙古韭和盐穗木;(2)结合地貌图及水文地质图,提出了以Rapid Eye数据为主、多源地学数据支撑的过渡带天然植物群落类型的确定方法:利用植物样方数据集确定单方向上一种特定植物类型到另一种植物类型之间的变化边界;分析Rapid Eye遥感图像的光谱、纹理和几何特征,基于Rapid Eye卫星遥感数据确定沿单方向变化的植物类型边界;在植物样方数据集和遥感图像无法精确确定边界的情况下,利用微地貌和地下水流动系统空间分布,确定区域空间上相邻的植物类型边界。基于这些数据集合方法建立了研究区植物群落的遥感解译标志;(3)采用优势种命名法,划分了研究区植物群落分类体系,完成其遥感制图,并分析了其空间分布分别与地貌及土壤盐渍化之间的关系。