ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量

目前卫星测深(SDB)被广泛应用于近海岸水深测量,然而常用的经验模型较简单,无法适用于各类复杂浅滩环境。为突破传统方法的局限性,本文提出一种ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量方法。以美国密西西比州猫岛(CI)、巴克岛(BI)为研究区,利用ICESat-2提取先验水深点,再基于Sentinel-2数据训练一维卷积神经网络(1-DCNN)以获取研究区水深图;同时采用波段比值模型(BR)、随机森林(RF)和多层感知器(MLP)作为对比方法进行精度定量分析发现,本文方法在CI、BI测得水深的均方根误差和决定系数分别为0.20 m、0.94和0.95 m、0.95,精度验证优于其他方法,因此该方法提高了水深反演精度。     

深度学习遥感影像解译技术在耕地保护中的应用

耕地保护事关国家粮食安全、生态安全和社会稳定,是国计民生的头等大事。深度学习技术在海量数据分析领域的广泛应用,为高效、精准的遥感影像解译提供了技术基础。本文研究了基于深度学习的遥感影像解译技术,利用遥感影像数据和对应的矢量数据构建了可供训练的解译样本库,并提出了一种基于深度残差网络结构的解译模型。通过试验证明了该模型的实用性,实现了对试验区域主要地类面积的变化监测,对比多期影像解译结果和增减挂钩等业务数据,验证了耕地复垦的实施情况。结果表明,深度学习遥感影像解译技术在耕地保护领域有较广泛的应用前景。     

基于深度BP/ELMAN神经网络的山区GNSS高程转换精度分析

将GNSS测量的大地高以较高精度转换为工程所需的正常高具有重要的实用价值。本文利用GSVS2017项目高精度的GNSS水准数据,分析了深度BP/ELMAN神经网络、广义回归神经网络(GRNN)、径向基函数神经网络(RBFNN)、支持向量机回归(SVR)、二次曲线拟合和曲面拟合等方法用于GNSS高程转换的精度。试验结果表明：(1)在训练点间距为50、30、15、10、5 km时,采用隐含层激励函数为ReLU的深度BP/ELMAN神经网络,其精度比GRNN、RBFNN、SVR、二次曲线拟合和曲面拟合方法高;(2)利用隐含层激励函数为ReLU的深度BP/ELMAN神经网络进行GNSS高程转换,5种训练点间距均可使90%以上检核点间的高差满足四等水准测量精度,75%以上满足三等水准测量精度要求,训练点间距为5 km时,55%以上的高差可达到二等水准测量精度要求。     

基于深度学习的航空影像非正规垃圾堆放点监测技术研究与实践

城市化进程的加快导致垃圾随处堆放的问题日益突出,给城市的环境及居民的生活质量造成了严重的影响。利用遥感手段快速监测非正规垃圾堆放点具有及时性和高效性,因此具有十分重要的意义。本文结合无人机高分辨率航空影像及非正规垃圾堆分布特征,提出了按地域特征勾画样本数据集提取样本数据特征,采用U-Net和Swin Transformer融合模型,以及针对性改进训练流程开展非正规垃圾堆放点信息分类研究。试验以绍兴市越城区、柯桥区和上虞区作为研究区域,利用飞马航测无人机获取航空影像数据,对比分析了本文提出的方法和基于深度学习的典型地物要素提取方法在非正规垃圾堆放点监测上的应用,试验结果表明本文提出的方法准确率提高了1.72倍。     

顾及轨迹密度分布异质性的道路交叉口提取方法

车辆轨迹大数据为道路网生成与更新、道路状态信息感知提供了新机遇,从轨迹数据中准确提取道路交叉口是基于车辆轨迹数据构建精细化道路网地图的关键步骤。当前已有学者根据轨迹点的转向、速度变化等特征,基于空间聚类提出了一些道路交叉口识别的经典方法,但由于轨迹数据密度分布的异质性、噪声干扰及最优聚类参数设置等问题,从不同采样频率、分布密度的轨迹数据中提取不同大小、形态的交叉口仍是一个挑战。为此,本文首先针对轨迹密度的空间分布异质性提出基于层次划分的轨迹栅格化策略,进而从视觉角度出发,提出一种基于“转换-分割-优化”全流程的道路交叉口层次提取方法。通过对不同采样频率的真实轨迹数据进行试验分析,验证了本文方法对低频轨迹数据中道路交叉口提取的准确度与有效性,识别结果优于现有代表性方法。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏,使得点云的语义信息提取十分困难,而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题,本文提出了一种结合自注意力机制的多特征融合点云语义分割网络,使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征,并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验,证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征,可以明显提高点云语义分割的精度,本文方法较PointNet++总体精度提升了4.5%。     

基于深度学习与随机森林的PM2.5浓度预测模型

针对PM_2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_2.5地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM_2.5浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM_2.5浓度估算为例,将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%...     

多体制遥感卫星成像数据高精度处理新方法

光学和SAR等对地观测卫星需要经过成像、辐射/几何校正等处理和不断的时序积累,才能为计算机解译提供精度高、稳定性好、时间持续的数据和特征。传统中低分辨率对地观测卫星通常基于地理网格内地物目标电磁波散射特性简化为理想点目标的假设,进行逐像素处理。然而,高分宽幅、大斜视、多通道等新体制卫星的工作模式更加复杂,其数据处理对星地全链路各环节产生的误差非常敏感,对成像参数标定或估计的精度提出了更高要求,此时基于理想点目标假设来进行参数估计、成像及校正处理的方式已难以满足处理精度要求。并且,近年来多体制卫星组网式协同和融合应用的新发展,也使得当前的理想点目标假设难以表征和建模多源多时相数据特征。为此,本文提出了多体制遥感卫星成像数据高精度处理的新方法,首先创新提出了“超像素”的概念和表征理论框架,建立了基于超像素的精确成像模型,然后通过挖掘超像素稳定特征并借鉴生成对抗学习机制,实现了星地全链路高耦合成像参数的高精度估计和持续精化,有效提升了多体制遥感卫星成像数据产品的精度,为计算机解译提供了好的数据产品输入。     

基于多种深度学习算法对卫星钟差预报的效果分析与对比研究

针对卫星钟差预报模型的普遍适用性低,以及预报模型中星载原子钟类型和建模特点结合不充分等问题,提出了四种适用于非线性处理的神经网络模型来预报卫星钟差.首先对钟差数据进行预处理;然后通过基于萤火虫算法(firefly algorithm, FA)优化反向传播(back propagation,BP)神经网络(FA-BP neural networks,FA-BPNN)模型、Elman循环神经网络模型、径向基函数(radial basis function,RBF)神经网络模型以及基于卷积神经网络-长短期记忆(convolutional neural networks-long short term memory,CNN-LSTM)网络模型对1 d和7 d的钟差数据量建立模型;再采用武汉大学国际GNSS服务(International GNSS Service,IGS)数据分析中心(WHU)的GPS精密钟差数据进行钟差预报;最后从不同建模数据量及不同批次卫星的同一类型原子钟和不同批次卫星的不同类型原子钟的角度,将预报效果进行分析与对比.结果表明：1)四种模型在建模特点上,1 d的钟差数据量建...     

动态卷积YOLOv5的视频火焰检测算法

针对传统火灾检测系统容易受地理空间的影响,且现有的深度学习方法对动态火灾的检测能力较弱等问题,该文提出了一种动态卷积YOLOv5视频火焰多尺度目标检测算法。采用K-means++算法优化了anchor box聚类,降低了分类结果的误差。基于动态卷积思想,采用剪枝方法对YOLOv5 Neck和Head的网络头进行了剪枝,降低了模型大小,实现了视频火灾的动态实时准确检测。基于不同火灾监控视频的实验结果表明,该文方法不仅可以有效地对地面监控视频中的火灾点进行检测,还能够对无人机上监控视频中的火灾点进行检测。研究结果可以应用于基于视频的不同场景的火灾检测,从而达到对现有火灾检测系统补充的作用。