融合空间和时序遥感信息的深度学习水稻提取

为了得到更加精细的水稻提取结果,提出一种结合高分辨率和多时序遥感影像的深度学习水稻提取方法.构建全卷积网络(FCN)对BJ-2高分辨率遥感影像进行分类,并利用长短期记忆网络(LSTM)和随机森林(RF)分类器对Sentinel-2多时序遥感影像进行分类,再通过面向对象的分割和投票对3种方法的分类结果进行融合,得到最终提...     

基于GPS/CDMA集成的移动定位与服务技术

随着空间信息技术的发展,移动定位服务需要更高的定位精度。人们的活动范围越来越不确定,这给移动通信带来了无限商机和挑战,在此领域,日本处于世界领先地位,国内主要有Nokia、Ericsson、Motorola等。提出了一种基于GPS／CDMA集成的移动定位与服务技术,并分析了其中关键技术和实施的可行性。     

基于无人机的配电导线断股缺陷检测系统设计与实现

配电导线的状态对用电需要和用电安全而言有着重要的意义,当配电导线处于断股状态时,将可能导致严重用电事故.传统断股检视方法常依赖于人工,费时费力.为此,本文设计与研发了一套基于无人机影像的配电导线断股缺陷实时在线检测系统.该系统利用无人机获取配电导线影像,通过WiFi和WinSock机制完成影像数据传输;采用FCN网络而...     

AlexNet支持下的地图建筑物形状分类方法

地图目标的形状在地图制图综合、空间查询等研究中发挥着重要作用。地图建筑物形状的识别与分类作为建筑物轮廓化简与典型化的基础,一直是制图综合研究的热点问题。目前,主要的建筑物形状识别方法主要依赖对建筑物轮廓的描述,对建筑物等地图面状要素的形态特征有较强的依赖性,通常只在应对特定类型的规则轮廓或直角化轮廓时能发挥较好的效果,对于形状不规则或复杂的情况识别不佳。本文提出一种AlexNet支持下的地图建筑物形状分类方法,将矢量地图中建筑物数据的形状分类问题,转化为建筑物栅格图像的分类问题,通过完成卷积神经网络的图形分类实现建筑物的形状识别。该方法首先结合空间认知规律提出一系列典型建筑物形状类型,然后利用矢量-栅格转换的方法从OSM数据采样单体建筑物栅格图像,通过人工标识获得建筑物形状分类训练样本,训练AlexNet卷积神经网络分类模型,最后利用训练好的模型对大比例尺建筑物数据进行智能形状分类与识别。本文利用北京、香港2个城市的OSM建筑物数据作为样本训练建筑物形状分类模型,并在广州部分城区的OSM建筑物数据上进行验证。相较传统形状相似性度量方法,本文提出的方法对实验区建筑物的识别分类总体查全率提...     

一种面向分类界址点的快速提取方法

本文根据工程项目需要并在分析已有界址点提取算法缺陷的基础上,提出了一种灵活高效的面向宗地分类界址点的快速提取方法.该方法将界址点区分为"交点型"和"特征点型"来重建提取技术流程,利用Python编程语言及arcpy站点包实现了针对前者通用的快速提取算法,以及针对后者整合了约束条件控制的多宗地并行提取算法.测试结果表明,...     

利用卷积神经网络和小面元进行人脸图像替换

提出了一种基于卷积神经网络和小面元的人脸替换方法.首先,使用级联卷积神经网络确定人脸位置,并应用全卷积网络对人脸进行分割以确定替换区域;然后,应用回归森林的人脸关键点技术和Delaunay三角剖分建立人脸三角网,对人脸小面元进行替换;最后,应用泊松融合消除拼接痕迹.定性和定量的试验结果表明,该方法是有效的,并且可较好地...     

基于卷积神经网络的雷电临近预警模型

从研究人工智能雷电临近预警模型的目的出发,以卷积神经网络模型为基础,结合多个时间序列的雷达产品(组合反射率、液态水含量、回波顶高)与闪电数据,对雷电临近预报方法进行基于卷积神经网络结构的应用,以福建省2017-2018年雷达、闪电数据为样本完成了模型的训练与预测研究.训练结果显示,15～30 min模型训练样本测试集准...     

基于卷积神经网络的逐时降水预报订正方法研究

应用2017—2018年5—9月福建省观测资料对华南区域中尺度模式(GTRAMS-3 km-RUC)预报进行站点检验,建立和训练基于卷积神经网络的逐时降水分级订正模型,并与频率匹配法进行2017—2018年测试集的对比试验和2019年数据集的模拟业务检验,探讨了试验过程中遇到的样本不均衡、特征变量选取以及模型过拟合问题。结果表明:模式对于15 mm·h-1以上降水的预报能力弱,各订正方法对原始预报均有不同程度的改进作用。从评估指标来看,基于卷积神经网络的订正方法比频率匹配法表现出优势,其中相关系数判别方案下的网络模型对强降水预报的订正效果显著优于其他方法;在输入特征变量选取方面,应用主成分分析方案的模型训练收敛速度比相关系数判别方案更快,最佳训练期有所提前,但也更早进入严重的过拟合状态,而相关系数判别方案能够使网络模型的训练拥有更长的提升期以达到更具“潜力”的状态;基于卷积神经网络的订正方法对减少分类降水预报的漏报率、晴雨和弱降水预报的空报率具有显著作用,其优化程度明显超过频率匹配法。     

基于遥感影像大数据、卷积神经网络的福建省有效致灾雷电分布模型及应用

为了研究福建省有效致灾雷电的分布情况,基于福建省2004—2012年闪电定位数据及雷击人员伤亡数据、福建省L17级谷歌遥感影像瓦片,引入卷积神经网络模型对遥感影像所在区域是否属于人员活动的属性进行建模、训练和预测,得到福建省人员活动属性的格点产品,结合福建省历史雷电数据对有效致灾的雷电分布情况进行了分析,结果表明:(1)设计的遥感影像+CNN识别模型具有一定的可行性和准确率,通过显著性水平为0.01的假设检验;(2)福建省有63.55%的格点为无人员活动区域;(3)平均有45.36%的闪电落在无人员活动的区域,因地制宜地对其他致灾闪电进行预警是提高应急减灾服务效果的可行途径;(4)有效致灾雷电密度与历史雷击人员伤亡数据的相关性远大于常规雷电密度与历史雷击人员伤亡数据的相关性,有效致灾雷电分布在表征雷电灾害上比常规雷电分布更具有指示意义。     

基于地形特征融合的卷积神经网络滑坡识别

滑坡严重威胁着人民群众的生命财产安全。完整、准确的滑坡编录图是研究滑坡的重要资料。深度卷积神经网络方法由于众多优势而备受关注,然而卷积神经网络结构复杂,需要大量的训练样本,制约了其在滑坡制图上的发展。提出了融合地形特征的卷积神经网络建模方法。首先在遥感影像上叠加地形因子构建新的滑坡样本,然后设计提取并融合空间与光谱特征的轻量级卷积神经网络(FF-CNN),最后训练最优模型进行滑坡识别。在四川汶川地区进行的消融实验证明：在空间特征基础上融合光谱特征的FF-CNN模型滑坡识别评价指标F1分数和平均交并比(MIoU)分别提高0.020 2和0.014 4;在遥感影像上叠加地形因子后,FF-CNN模型滑坡识别评价指标F1分数和MIoU值分别提高0.066 4和0.048 2。在湖北省三峡库区和四川省都江堰市虹口乡的实验说明FF-CNN模型表现出较强的适用性和迁移能力,在滑坡识别上具有较大潜力。