农作物后向散射特性的测量

利用多波段极化散射计对中原地区常见的几种农作物（水稻、棉花、玉米、花生）的后向散射特性进行了测量,并从散射系数的测量结果得出了其在不同频率及不同地物参数下的散射特点     

热红外遥感中大气下行辐射效应的一种近似计算与误差估计

在热红外遥感中,大气下行辐射效应很难处理,原因是地表双向反射分布函数很难精确描述。因此常见的处理方法是在如下２ 个假设前提下对该项作做简化计算： 一是假设地表反射为朗伯体特性,二是大气下行辐射在半球空间内取常数。该文提出了一种在地表为非朗伯体、大气下行辐射为非各向同性等一般条件下近似计算大气下行辐射效应的方法。通过数值模拟表明：（１） 所采用的方法可以在放弃２ 个假设的前提下,更精确地计算热红外大气下行辐射效应的数值,计算精度比２ 个假设前提下的计算方法至少提高２０ ．５３ ％ ;（２） 该方法所带来的误差是大气模式、遥感器视角和通道的函数。其中,通道４ 的相对误差比通道５大,同一通道中模式５ 的相对误差最大,但最大可能相对误差不到８ ％ ,且随扫描角的增大而减小;（３） 大气下行辐射效应项占总辐射亮度值之比例在±３０°视角范围内一般不超过４ ％ 。     

遥感图像分类与后处理综合技术研究—基于约束满足神经网络方法

遥感图像计算机分类的精度问题是阻碍计算机遥感信息处理系统实用化的一个关键问题。将分类后处理中的分类结果平滑过程模型化为约束优化问题,采用神经网络方法把分类结果平滑过程与遥感图像分类过程结合起来,提出了基于约束满足神经网络的遥感信息分类与后处理综合技术。实验表明该方法可明显提高森林类型划分、土地利用调查等遥感应用专题的分类精度。     

地理信息系统集成平台框架结构研究

提出了基于客户／服务器结构的地理信息系统集成平台总体结构,探讨了基于元数据的地理信息系统数据集成平台以建立物理上分布而逻辑上集中的分布式地理信息系统数据库,提出了应用符合３ＮＦ范式的关系数据库进行模型管理的模式,在此基础上探讨了地理信息系统可视化建模工具。     

自组织网络在遥感土地覆盖分类中应用研究

设计完成和比较了自组织网络的几种算法在遥感土地覆盖分类中的应用,结果表明非监督和监督学习结合方法进行遥感土地覆盖分类,各算法在分类性能上无显著差异,因此可采用算法和较简单的单竞争学习网络,根据最邻近原则进行非参数分类。     

M-估计法广义变分同化FY-3B/IRAS通道亮温

采用FY-3B/IRAS亮温资料进行广义变分同化研究。广义变分同化结合了经典变分同化和稳健M-估计两者的优点。区别于经典变分同化依赖于先前的质量控制并要求误差服从高斯分布,把M-估计法耦合到经典变分同化框架中,得到广义变分同化,其弱化了同化前的质量控制和误差服从高斯分布这两个条件。目标能量泛函包含M-估计以保证对离群值具有稳健性,从而能够得到较好的同化结果。对比变分同化前后的FNL资料湿度与GDAS湿度相关系数作为同化结果检验评价。具体操作过程在FNL作为背景场的基础上分别采用经典和M-估计不同的权重因子变分同化FY3B/IRAS资料,把得到的分析场与GDAS进行相关性比较,由于湿度具有较强的非高斯性,文中首先评估了安徽省13个站GPS/PWV和积分相关湿度廓线得到大气可降水量(即GDAS/PWV和FNL/PWV资料)的相关性,进一步基于信息熵自由度思想进行了近一个月IRAS 20个通道对分析场的影响贡献率诊断研究。     

城市交通网络分形维数的不确定性估计、控制与分析

长度-半径维数模型作为描述城市交通网络复杂不确定性现象的一种分形分维方法,其自身存在的不确定性往往被忽视,且相关研究更是鲜见报道。故针对该模型在分形维数测算全过程中存在的不确定性问题,本文率先开展了系统剖析、定量估计和质量控制研究。首先对数据源、矢量化处理、测算中心、尺度选择、以及分维数模型估计等一系列环节进行了不确定性估计与分析,其中首次给出了分形维数在一定置信水平下的不确定性度量区间,并依据误差传播理论对误差的传递和累积进行了描述;然后着重提出了基于LMed S(Least Median of Squares)的质量控制方法。最后通过对拉萨市的算例实验表明:道路的矢量化过程、测算中心和测算尺度的选择都会导致分维的不确定性;并在对数据质量进行控制的基础上,通过置信区间对长度-半径维数模型的不确定性进行了在一定概率水平下的首次度量;同时结合区域现状对研究结果给出了合乎实际的解释。本文在描述表征不确定性问题的分形几何和分形维数的基础上,系统地揭示了其自身不确定性的本质,不仅进一步丰富了分形分维理论,为控制其质量奠定理论基础,而且可为城市交通网络分形维数的地学应用提供可靠的科学依据。     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

多源数据协同定量遥感产品生产系统的领域模型

大数据技术中的一个难点是如何统筹多源异构的数据。在多源数据协同定量遥感产品生产系统中,不同传感器数据的协同使用为生产系统的各个环节都带来了许多的问题,例如异构数据文件的统一表示和调度,繁杂生产流程的统一抽象等。领域驱动设计是一种应对软件核心复杂性的设计方式。领域驱动是指在设计过程中经过不断的迭代,逐渐提炼出一套灵活优雅的领域模型。领域模型专注于分析问题领域本身,发掘重要的业务领域概念,并建立业务领域概念之间的关系。本文在不断实践的基础上提出了一组较成熟的领域模型,该模型用一种统一的方式解决了多源数据协同生产系统中各方面的问题,并显著地降低了系统集成的难度和工作量,且为新数据源的加入预留了灵活性。     

高光谱遥感影像分类研究进展

随着模式识别、机器学习、遥感技术等相关学科领域的发展,高光谱遥感影像分类研究取得快速进展。本文系统总结和评述了当前高光谱遥感影像分类的相关研究进展,在总结分类策略的基础上,重点从以核方法为代表的新型分类器设计、特征挖掘、空间-光谱分类、基于主动学习和半监督学习的分类、基于稀疏表达的分类、多分类器集成六个方面对高光谱影像像素级分类最新研究进行了综述。针对今后的研究方向,指出高光谱遥感影像分类一方面要适应大数据、智能化高光谱对地观测的发展前沿,继续引入机器学习领域的新理论、新方法,综合利用多源遥感数据、多维特征空间互补的优势,提高分类精度、分类器泛化能力和自动化程度;另一方面要关注高光谱遥感应用的需求,突出高光谱遥感记录精细光谱特征的优势,针对应用需求发展有效的分类方法。