张量分类算法的遥感影像目标探测

提出了一种基于张量学习机的遥感影像目标探测方法。该方法基于张量数据模型和张量代数运算, 针对遥感影像数据多维或高维的特点, 将基于向量的监督法学习机扩展为基于张量的监督法学习机, 然后利用凸函数最优化理论和交互投影迭代法求得张量学习机的最优解。最后分别以高光谱遥感影像和高分辨率遥感影像为例, 使用张量学习机进行目标探测。实验表明, 与支持向量机等方法相比, 本文的方法在保持较高探测成功率的同时更好的抑制了虚警。     

生成模型学习的遥感影像半监督分类

以生成模型最大似然估计为例,引入结合已标记样本和未标记样本的半监督分类方法来解决遥感影像分类中的小样本问题,应用已有的少量已标记样本初始化一个分类器,结合大量未标记样本,通过递归计算的方式对分类器进行优化,直到包含所有样本的似然函数收敛到局部极大值。通过分析遥感影像待分类类别与影像中地物类型固有特征之间的关系,设计两个在不同生成模型假设下的分类实验。结果表明,未标记样本的参与可在很大程度上提高小样本条件下的影像分类精度,但两种样本的数量应保持一个适当的比例。最后通过与在解决小样本分类问题方面有独特优势的SVM方法的分类比较,发现在小样本情况下,本文方法具有更好的应用潜力。     

县局财务由市级代理管理应注意的几个问题

县局财务由市级代理制是深化会计委派制度改革,加强会计监督和管理的有效形式,根据财政部、监察部及气象部门试行会计委派制度的意见,我省气象部门各地区局都成立了财务结算中心,实行了县级财务由市级代理制度。通过结算中心的日常监督,会计人员严格按照会计法规制度、财务管理的有关规定进行审核,拒付违规、违法支出,保证会计信息真实完整,提高会计信息质量,     

2009—2017年北京市土地利用变化时空特征

对北京市土地利用类型、城市扩张程度和植被覆盖度进行时空特征分析,为合理制定城市空间规划和土地利用管理提供科学依据。以北京市全域为研究对象,基于2009、2013和2017年Landsat遥感影像基础,利用非监督分类方法得到土地类型图,计算城市扩张指数和植被覆盖度指数,并进行环路地类动态变化分析。结果表明：1)2009—2017年北京市绿地/耕地面积减少746.22 km²,建筑用地面积增加601.36 km²,两者面积变化表现出此消彼长的趋势;2)绿地/耕地及建筑用地的空间消长特点存在明显的环路差异;3)高植被覆盖度区域面积剧烈减少;4)土地利用类型和植被覆盖度变化在2009—2013年和2009—2017年两阶段内差异明显。可见北京市城市扩张速度有所减缓,绿地/耕地面积相对减少率高,城市土地利用变化存在明显的时空差异。     

实现“多规合一” 描绘“一张蓝图” 《关于建立国土空间规划体系并监督实施的若干意见》解读

国土空间规划是国家空间发展的指南、可持续发展的空间蓝图,是各类开发保护建设活动的基本依据。5月23日,中共中央、国务院印发《关于建立国土空间规划体系并监督实施的若干意见》(以下简称《若干意见》)指出,要建立国土空间规划体系并监督实施,将主体功能区规划、土地利用规划、城乡规划等空间规划融合为统一的国土空间规划,实现“多规合一”,强化国土空间规划对各专项规划的指导约束作用。     

基于图顶点深度聚类的建筑物合并方法

建筑物要素合并是大比例尺地图缩编过程中实现空间结构简化的重要手段。基于综合规则的合并方法难以同时顾及要素形态、分布等诸多特征,受预设算法参数影响大,综合过程缺乏灵活性。针对这一问题,本文提出了一种基于图顶点深度聚类网络的建筑物合并模型,利用Delaunay三角网构建建筑物群组表征图模型,结合自编码器与图卷积网络学习剖分三角形的几何形态、空间分布特征,采用自监督学习方式实现三角形的聚类与分类(保留、删除),最终在不依赖样本条件下实现建筑物要素端到端智能化合并。试验表明,该方法对预设合并参数依赖低,能同时顾及建筑物要素的形态与分布特征。合并过程具有一定灵活性,合并结果能较好满足地图可视化要求。     

夜光影像和高分辨率影像耦合的土耳其Mw 7.8地震建筑倒塌智能解译

建筑倒塌检测是震后损失评估、紧急救援的重要内容。面向2023年土耳其Mw 7.8地震的紧急救援,综合利用卫星遥感智能解译技术,耦合高空间分辨率卫星遥感影像和夜间灯光影像,以较低的时间和人力成本高效评估了土耳其Mw 7.8大地震中极灾区的建筑倒塌情况。设计了一种多层次的极灾区域与倒塌建筑快速定位方案,首先利用中等分辨率夜光遥感数据确定极灾区,然后利用高分辨率光学遥感影像深度学习技术提取倒塌建筑。设计了一种半监督深度学习方案,只需要初始化人工采集少量倒塌建筑样本,就可以通过在训练中增广获取当地样本,增强深度网络的表征能力,最终实现定位坍塌房屋。监测到阿德亚曼-卡赫拉曼马拉什-安塔基亚一线的阿拉伯板块-欧亚板块交界地带的6个城市受灾严重。从极灾区中共检测出2 377栋倒塌建筑,除努尔达吉和安塔基亚市的倒塌建筑比例超过2%外,伊斯拉希耶、蒂尔克奥卢、卡赫拉曼马拉什和阿德亚曼市倒塌建筑比例均接近于1%,通过人工核查,智能解译方案的查全率为74%～93%,证明所提方案可以及时为震后紧急救援决策提供参考。     

基于极限学习机的GF-2影像分类

遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。     

基于多时相多极化差值图的稻田识别研究

提出了一种基于多时相多极化差值图的稻田识别方法,该方法在简化稻田识别算法的同时,仍具有较好的稻田识别精度.以江西省高安地区的早稻识别为例,利用两景ENVISA ASAR交叉极化模式数据(VV/HH)计算了同时相多极化差值图和同极化多时相差值图.由于稻田含有水层和水稻的垂直株型等属性特征,稻田在两时相上VV极化和HH极化后向散射差异都很大,且与其他地物具有明显差别,因此利用同时相多极化差值图可以很好地分辨出稻田来;从时间变化看,HH极化雷达波对水稻生长和稻田的变化比对其他地物的变化更敏感,使稻田分布信息在HH极化多时相差值图中反应突出.而VV极化对地物的时相变化不够敏感.因此,建立最优差值图组合,分别采用阈值分类方法和监督分类方法对差值图组合进行分类提取稻田.通过比较分类结果,认为基于统计分析的监督分类方法更好,其稻田识别的精度达到84.92%.文章最后对提出的稻田识别方法及分类结果进行了分析.