数据驱动的蒸散发遥感反演方法及产品研究进展

蒸散发是水圈、大气圈和生物圈中水分循环和能量交换的纽带。在全球尺度上,蒸散发约占陆地降水总量的60%;作为其能量表达形式,潜热通量约占地表净辐射的80%。随着通量观测技术的发展,全球长期持续的观测数据得以获取和共享,近年来基于数据驱动的蒸散发遥感反演方法取得了较好的研究进展。本文针对数据驱动的蒸散发遥感反演方法和产品,从经验回归、机器学习和数据融合3个方面展开,对现有的研究进展进行了梳理、归纳和总结,并从驱动数据、反演方法、已有产品等方面指出目前仍存在的问题和不足。未来仍需开展数据驱动的高时空分辨率的蒸散发遥感反演方法的研究,有效考虑地表温度和土壤水分等可以指示地表蒸散发短期变化的重要信息,同时加强基于过程驱动的物理模型与数据驱动的模型的结合,使两类模型能互为补充、各自发挥所长,共同推动蒸散发遥感反演研究水平的进步。     

Data selection using support vector regression

Geophysical data sets are growing at an ever-increasing rate, requiring computationally efficient data selection(thinning)methods to preserve essential information. Satellites, such as Wind Sat, provide large data sets for assessing the accuracy and computational efficiency of data selection techniques. A new data thinning technique, based on support vector regression(SVR), is developed and tested. To manage large on-line satellite data streams, observations from Wind Sat are formed into subsets by Voronoi tessellation and then each is thinned by SVR(TSVR). Three experiments are performed. The first confirms the viability of TSVR for a relatively small sample, comparing it to several commonly used data thinning methods(random selection, averaging and Barnes filtering), producing a 10% thinning rate(90% data reduction), low mean absolute errors(MAE) and large correlations with the original data. A second experiment, using a larger dataset, shows TSVR retrievals with MAE < 1 m s-1and correlations 0.98. TSVR was an order of magnitude faster than the commonly used thinning methods. A third experiment applies a two-stage pipeline to TSVR, to accommodate online data. The pipeline subsets reconstruct the wind field with the same accuracy as the second experiment, is an order of magnitude faster than the nonpipeline TSVR. Therefore, pipeline TSVR is two orders of magnitude faster than commonly used thinning methods that ingest the entire data set. This study demonstrates that TSVR pipeline thinning is an accurate and computationally efficient alternative to commonly used data selection techniques.     

基于深度学习的循环水养殖鳗鲡(Anguilla)计数研究

鳗鲡(Anguilla)作为我国优质水产养殖种类,精准掌握其数量对高效养殖有重要意义。为实现对循环水养殖鳗鲡的准确计数,提出了一种基于深度学习的改进Faster RCNN模型。针对检测目标即鳗鲡头部尺寸小的问题,选择在特征提取网络ResNet50中加入FPN结构来作为模型的骨干网络,以提取并融合多尺度的特征;针对原模型锚框都是基于人工经验设置的,并不适用于鳗鲡数据集的问题,使用k-means聚类算法对训练集中标注的鳗鲡头部检测框进行聚类分析,获得了适合鳗鲡数据集的15种不同尺度的锚框;针对图像中存在鳗鲡头部重叠的问题,选择使用Soft-NMS算法替代原NMS算法对RPN部分生成的候选框进行筛选,以减少模型对鳗鲡重叠部分的漏检情况。试验结果表明:改进后的Faster RCNN模型对鳗鲡头部的检测精度(mAP^0.5)高达96.5%,较原Faster RCNN模型(Backbone为ResNet50)显著提升了14%,与SSD300和YOLOV3模型相比分别显著提升了24.9%和15%;在鳗鲡计数上,利用改进后的Faster RCNN模型检测结果进行计数,计数准确率达到90%以上,提升了模型对鳗鲡的检测识别能力。     

基于深度学习的西沙永乐群岛珊瑚礁遥感信息提取

珊瑚礁是海洋生态系统的重要组成部分,对保护海洋生物多样性以及维持海洋生态平衡具有重大意义。我国南海珊瑚岛礁自然资源丰富,准确、高效地提取珊瑚岛礁信息对南海岛礁监测、管理、规划与保护具有现实意义。本研究基于我国海洋一号C卫星（HY 1C）遥感数据,对西沙永乐群岛珊瑚礁信息进行了研究与分析,提出基于HY 1C遥感数据的珊瑚礁地貌分类体系。采用全卷积神经网络U Net模型,依次通过下采样、上采样操作提取西沙永乐环礁地貌特征,实现原始影像的像素级语义分割。结果表明：基于HY 1C数据建立的地貌分类体系对活珊瑚覆盖及珊瑚生长发育条件具有指示作用,提出的基于U Net模型的珊瑚岛礁地貌信息自动提取方法,能够为我国南海珊瑚岛礁生态系统的全自动、大范围监测和评价提供相应理论基础,在珊瑚礁生态管理与评价中发挥关键作用。精度验证结果表明：U Net模型可以有效提取珊瑚礁地貌信息,采用的地貌信息提取方法具备时空泛化能力,泛化精度高于80%。     

城市活力与建成环境的非线性关系和阈值效应研究——以广州市中心城区为例

城市地理与城乡规划一直关注城市活力与建成环境的关系。论文以广州中心城区为例,通过采集百度热力图、建筑矢量数据、路网数据、兴趣点数据等多源空间大数据,应用梯度提升决策树模型,探究建设强度、功能性质和交通可达性3个维度的建成环境要素对城市活力影响的非线性关系和阈值效应,并对比工作日白天与夜间的影响差异。研究发现：(1)容积率对城市活力塑造的相对重要性最高,其次是休闲设施密度与公交密度,且白天与夜间的差异不显著。合理的开发建设强度、集聚的休闲与办公设施、公交导向交通发展,更有助于塑造充满活力的城市。(2)各建成环境要素与城市活力之间均存在非线性关系和阈值效应,且部分建成环境要素白天与夜间的差异较明显。研究结论可为精细化的建成环境规划与治理以促进城市活力提供一定的政策启示。     

基于卷积神经网络的ICESat-2光子点云去噪分类

ICESat-2（Ice, Cloud, and land Elevation Satellite-2）是美国NASA（National Aeronautics and Space Administration）在2018年发射的激光测高卫星,其上搭载的激光测高系统ATLAS（Advanced Topographic Laser Altimeter System）采用微脉冲多波束光子计数激光雷达系统,因其低能耗、高探测灵敏度、高重复频率的特性极大改善了沿轨采样密度,但也使获取的数据中包含大量的噪声,如何有效实现光子点云去噪分类成为后续应用的关键,也是当前研究的热点和难点,为此本文提出一种基于卷积神经网络的光子点云去噪和分类算法。首先将光子点云按照沿轨和高程方向划分格网,去除明显的噪声光子,并将每个粗信号光子点栅格化为影像;然后基于少量样本构建的卷积神经网络分类模型实现光子点云精去噪和分类;最后利用机载激光雷达数据进行验证,并与ATL08产品的去噪分类结果进行对比。结果表明,对于裸地和森林区域,卷积神经网络算法均能有效去除噪声光子,特别对于森林区域,可同时实现去噪和分类;其中,裸地区域地表计算的R²和RMSE分别为1.0和0.72 m,森林区域地表和树冠计算的R²分别为1.0和0.70, RMSE分别为1.11 m和4.99 m。本文利用深度学习算法实现光子点云去噪分类,在裸地和森林区域均取得了较好的结果,为后续光子点云数据处理提供了参考。     

Assessing the performance of two unsupervised dimensionality reduction techniques on hyperspectral APEX data for high resolution urban land-cover mapping

Despite the high richness of information content provided by airborne hyperspectral data, detailed urban land-cover mapping is still a challenging task. An important topic in hyperspectral remote sensing is the issue of high dimensionality, which is commonly addressed by dimensionality reduction techniques. While many studies focus on methodological developments in data reduction, less attention is paid to the assessment of the proposed methods in detailed urban hyperspectral land-cover mapping, using state-of-the-art image classification approaches. In this study we evaluate the potential of two unsupervised data reduction techniques, the Autoassociative Neural Network (AANN) and the BandClust method – the first a transformation based approach, the second a feature-selection based approach – for mapping of urban land cover at a high level of thematic detail, using an APEX 288-band hyperspectral dataset. Both methods were tested in combination with four state-of-the-art machine learning classifiers: Random Forest (RF), AdaBoost (ADB), the multiple layer perceptron (MLP), and support vector machines (SVM). When used in combination with a strong learner (MLP, SVM) BandClust produces classification accuracies similar to or higher than obtained with the full dataset, demonstrating the method’s capability of preserving critical spectral information, required for the classifier to successfully distinguish between the 22 urban land-cover classes defined in this study. In the AANN data reduction process, on the other hand, important spectral information seems to be compromised or lost, resulting in lower accuracies for three of the four classifiers tested. Detailed analysis of accuracies at class level confirms the superiority of the SVM/Bandclust combination for accurate urban land-cover mapping using a reduced hyperspectral dataset. This study also demonstrates the potential of the new APEX sensor data for detailed mapping of land cover in spatially and spectrally complex urban areas.     

最小割与深度学习联合优化的室内粘连点云分割方法

随着数字城市的发展,城市三维模型重建对三维点云结构化的需求与精度要求越来越高。如何有效准确地分割室内语义模型与三维重构是当前研究的热点问题。点云分割分类是室内点云结构化的重要基础,如何将粘连点云构件进行准确分割并用于室内点云结构化,是当前城市建模的难点。本文提出了一种面向室内粘连点云数据的分割分类方法。首先,利用深度学习网络处理室内点云数据;其次,对点云数据进行标签分类,得到目标标签点云;然后,利用欧氏算法对目标点云进行聚类分割,通过室内语义构件包围盒信息计算各目标中心点坐标与水平半径;最后,利用点云最小割实现室内粘连点云的准确分割。利用3组室内场景中获取的数据对分割方法的精度及有效性进行了验证。结果表明,该分割优化方法具有较高的精度与数据完整性。     

深度学习支持下的地图图片典型地理目标检测

针对地图图片中典型地理目标识别问题,本文首先介绍了两种基于深度学习的目标检测方法(YOLO网络和采用focal loss替换交叉熵损失函数的RetinaNet网络),然后将地图图片分别输入两种神经网络模型中进行训练和测试,最后对目标检测结果进行对比分析。结果表明,RetinaNet网络模型对地图图片进行目标检测的准确率有明显提高,且运行速度依然可达秒级。该地理目标检测方法的高准确度与高效性可在地图审查时节约大量人力、时间成本,为地图内容智能理解及互联网地图监管提供了新的技术参考。     

数据字典在地质矿产术语分类代码修编平台中的应用

基于B/S模式的《地质矿产术语分类代码》（GB 9649-1988）修编平台是提高该标准修编工作效率的一种必然手段,而数据字典在该平台中的穿插使用保证了修编工作的合理与安全.通过论述数据字典技术在实现修编平台的修编权限控制、修编版本管理功能中的具体应用,体现了数据字典技术在数据处理方面的独特优势.数据字典技术在该平台中的应用,不仅对修编人员的修编权限进行了灵活的约束,而且修编过程中产生的不同版本也得到了有效的管理.