基于随机补片和DeepLabV3+的建筑物遥感图像变化检测

为有效解决传统遥感图像变化检测预处理复杂的问题,提出一种基于随机补片和DeepLabV3+的建筑物遥感图像变化检测方法。以ResNet50特征提取网络为基础,创建DeepLabV3+语义分割网络,并在图像和标签中创建大小为224像素×224像素的随机补片作为网络输入,训练建筑物提取网络;修改建筑物提取网络输入层为6通道,通过矩阵运算将两期遥感图像转换为一幅6通道非RGB图像,利用转换后的非RGB图像进行网络训练并验证变化检测精度。实验1利用ENVI5.3软件,采用马氏距离法进行变化检测;实验2采用改进的U-Net网络和随机补片,完成网络训练和精度验证;实验3使用实验2的训练数据和验证数据,采用随机补片和DeepLabV3+网络进行变化检测网络训练及精度验证。实验结果表明,该方法实验1、实验2、实验3建筑物变化检测平均交并比分别为24.43%、83.14%、89.90%,边界轮廓匹配分数分别为61.47%,80.24%、96.51%。     

建筑物下洗效应的模拟试验分

摘要：按照有建筑物和无建筑物存在两种情况,针对西安市某一污染源使用ＣＡＬＰＵＦＦ模式进行了数值模拟试验分析。结果表明：模拟时段,无建筑物存在时近地面污染物小时质量浓度最大值为１０.８０ｍｇ/m³,而有建筑物存在时近地面污染物小时质量浓度最大值为１７.２４ｍｇ/m³。有下洗效应与无下洗效应污染物日均质量浓度之比：平均值为５.８,最大达１０４.２。可见,建筑物的下洗效应对大气污染物的扩散有着十分重要的影响,在实际的大气质量预测评价工作中应充分考虑建筑物下洗效应。

     

建筑物因雨受淹深度数学模型

在数学抽象基础上构造出的建筑物因雨受淹深度的数学宏观模型，使用中表明是可行的，可以较客观准确地预测某地、某建筑物遇暴雨受淹情况，为保险公司理赔、民政部门了解灾情等提供依据，还可在暴雨来临前进行预警，及时采取措施，减少或避免损失。     

多层城市冠层模式的建立及数值试验研究

为在城市气象数值模拟中更好地体现由城市发展引起的下垫面土地利用改变及人为活动对大气过程的影响,建立了基于建筑物三维分布的多层城市冠层模式,冠层内动力方程组考虑了建筑物冠层拖曳力的作用及雷诺应力的影响,通过引入建筑物宽度、间距以及垂直分布密度指数等建筑物形态特征参数,以更好地体现城市复杂地表对大气温度、湿度及动量方程的影响.同时,该模式分屋顶、4个侧壤及地面分别考虑辐射及能量平衡求解表面温度,计算各表面与大气的通量交换,并考虑辐射阴影效应、冠层内部各个面之间的可视因子、以及与冠层内建筑物密度指数、可视因子等相关的多重反射辐射导致的辐射截陷作用.模式的离线检验结果表明:(1)冠层模式计算风廓线与风洞实验测量数据吻合良好;(2)离线冠层模式能够模拟实际小区的风速、温度垂直廓线,并能够较好地体现小区内气温日变化.冠层模式与区域边界层模式耦合检验结果表明:(1)耦合模拟的近地面(2 m处)气温及地表温度的结果明显优于传统的水泥平板方案,尤其是在夜间,水泥平板方案与实测气温最大偏差4 K左右,耦合模拟方案为1-2 K;(2)耦合模拟方案考虑了建筑物对冠层之上的拖曳力影响以及建筑物形态结构对雷诺应力的影响,风速(10 m处)计算结果与观测值相差约在1 m/s,水泥平板方案偏差3 m/s左右.     

机场净空区建筑物的识别与监测

目前,在建筑物识别与监测方面,基于单幅高分辨率遥感影像的阴影测高法和基于多视角影像的立体像对法将建筑物轮廓或名称识别与高度监测相独立,因此导致其自动化水平较低、数据冗余度与成本较高。基于数字表面模型(DSM)和兴趣点(POI)数据,本文提出了一种机场净空区建筑物识别与监测集成的方法,并以某国际机场为试验区对该方法的可行性进行了验证。试验结果表明:①该方法在建筑物识别与监测方面的准确率只取决于DSM的精度,而对DSM的数据来源没有限制;②以潜在危险建筑物高程变化速率为依据进行不定期的动态监测,在确保监测间隔期间机场净空区安全的同时可以降低数据成本和重复识别与监测所有建筑物造成的数据冗余度。     

基于北京一号卫星影像的建筑阴影测量建筑高度的应用研究

在分析遥感影像建筑物阴影与实际高度关系的基础上,阐述了依据影像阴影估算城市建筑物高度的原理和方法,设计了一种基于影像建筑物阴影特征快速提取高程信息的技术方法。在使用北京一号影像数据的试验中,70%的有阴影楼房测量误差在4米以内。     

基于高分辨率影像城市建筑物研究

建筑物是城市的重要组成部分,近年来城市化进程不断加快,城市人口与城市建筑物日益增多,及时获取建筑物的空间分布以及建筑覆盖率、建筑容积率等相关指标,有利于城市居住环境状况进行科学评价,促进土地利用优化配置,还可为交通与通讯等科学规划提供参考.随着高分辨率影像应用的日益推广以及信息提取技术的不断提高,利用高分辨率卫星影像提取城市建筑物及建筑覆盖率、建筑容积率等指标与传统手段相比具有快速、高效等特点,得到广泛应用并取得丰硕成果.本文在前人研究的基础上,对基于高分辨率城市建筑物提取及相关研究的理论基础、存在问题、发展趋势进行了深入分析,对于高分辨率影像城市建筑物研究系统化、促进城市遥感的深化具有重要意义.     

基于U型卷积神经网络的航空影像建筑物检测

经典的卷积神经网络结构在前向传播过程中分辨率不断下降,导致仅采用末层特征时难以实现建筑物边缘的精确分割,进而限制目标检测精度。针对该问题,提出一种基于U型卷积网络的建筑物检测方法。首先借鉴在图像分割领域中性能出色的神经网络模型U-Net的建模思想,采用对称式的网络结构融合深度网络中的高维和低维特征以恢复高保真边界;其次考虑到经典U-Net对位于特征金字塔顶层的模型参数优化程度相对不足,通过在顶层和底层两个不同尺度输出预测结果进行双重约束,进一步提升了建筑物检测精度。在覆盖范围达30 km²、建筑物目标28 000余个的航空影像数据集上的试验结果表明,本文方法的检测结果在IoU和Kappa两项关键评价指标的均值上分别达到83.7%和89.5%,优于经典U-Net模型,显著优于经典全卷积网络模型和基于人工设计特征的AdaBoost模型。     

结合变差纹理特征的极化SAR建筑物震害信息提取

快速评估建筑物地震灾害信息对地震应急救援工作有着指导意义,而极化SAR具有全天候、全天时的特点,因此利用极化SAR图像提取震害信息已逐渐成为研究热点。虽然极化SAR具有丰富的极化信息,但其纹理信息不可忽略,尤其是完好的人工建筑物在图像上呈现规则的纹理特征,而倒塌建筑区域纹理分布杂乱,因此结合纹理信息也可以很好地提取建筑物信息。以2010年玉树地区的全极化SAR数据为研究对象,首先,利用Yamaguchi分解的体散射分量PV提取了SAR图像中的建筑物区域以及道路、水系等非建筑物信息,在此基础上,对相干散射矩阵T11分量中倒塌建筑物、完好建筑区域进行变差计算,根据变差曲线确定变程a后,再对建筑物区域采取窗口m*m(m=3*a)进行变差计算得到变差纹理信息,最后利用FCM算法对变差纹理信息分别提取完好建筑物和倒塌建筑物区域,为了对比分析,文章利用Yamaguchi分解的二次散射分量PD提取完好建筑物区域,与震后光学遥感图像对应样本点进行人工验证,得到完好建筑物的提取精度为80.18%,倒塌建筑物的提取精度为84.54%,道路水系的提取精度为77.58%。     

风与观测环境

统计德州、陵县(与德州相距约30 km)观测站2006—2012年逐年16方位风向出现次数、平均风速、最大风速、年最多风向及出现频率发现:2006—2008年期间,德州与陵县在16方位风记录变化趋势相近,年最多风向接近或相同。德州站自2009年开始,NE—NWN方因受建筑物影响,NE、NNE、N、NNW 4个方向年出现次数明显减少、平均风速,最大风速均呈减小趋势,以N最明显,减少77%;同时其相对方向风记录受到不同程度的影响,S出现次数减少最明显;由于空气具有钝体绕流现象,造成E、NW出现回数明显增加,以E最明显;从而导致该站年最多风向发生变化,由原来的S(或SSW)转为E。2009—2012年与2006—2008年比较:N年均出现回数减少79次,平均风速减少0.9 m/s;NNE年均出现回数减少57次,平均风速减少0.8 m/s;NE年均出现回数减少40次,平均风速减少0.9 m/s;NNW年均出现回数减少29次,平均风速减少0.1 m/s。