构建时空融合模型进行水稻遥感识别

传统变化检测手段进行水稻遥感识别受"云污染"和影像间配准误差导致的变化检测误差累积及"椒盐"现象的影响,水稻遥感识别精度低。本文提出时空融合模型(Temporal-Spatial-Fusion Model,TSFM)进行水稻遥感识别,旨在综合像元在时间、空间维度上的信息定义像元的水稻时空归属度,根据时空归属度划分阈值提取水稻。实验结果表明:在不同窗口尺度下,TSFM在整体和"云污染"区域对水稻提取均达到了较高精度。当窗口尺度为3×3时,水稻提取的用户精度、制图精度和总体精度分别达到93.4%、83.5%和87.9%。在不同窗口尺度下水稻提取的用户精度、制图精度、总体精度均高于分类后比较PCC(Post-Classification Comparison)和多数投票法(Majority Voting,MV);在"云污染"区域,水稻识别总体精度均在92.0%以上,水稻制图精度比PCC、MV分别至少提高了14.0%、7.6%。有效地解决了传统变化检测作物遥感识别存在的误差累积问题,在一定程度上避免了"云污染"和"椒盐"现象对识别结果的影响。另外,初步探讨了TSFM水稻提取精度与景观特征关系,发现在景观规整区域适宜采用较小的窗口,在破碎区域适宜采用较大的窗口。该方法的成功实施,为大范围开展秋粮作物遥感识别,消除"云"影响进行了前期实验探讨。     

基于FastICA算法的遥感图像中地物变化检测

随着遥感技术的发展,地物变化检测在环境灾害评估、森林资源、土地资源、农业资源的动态变化检测等领域应用广泛,成为当前遥感图像应用的一个重要研究方向。采用能够消除信号间的高阶相关信息的快速独立分量分析法进行多时相多光谱遥感图像的变化检测,应用Open RS平台,实现基于Fast ICA的遥感图像变化检测算法,用检测概率、漏警率、虚警率、检测误差以及Kappa系数来进行多时相遥感图像的变化检测精度验证。     

基于栅格化思想的矢量电子地图几何变化检测

在检测不同版本矢量电子地图的变化时,通常采用要素遍历、坐标比较的方法,这种方法计算速度慢、效率较低。针对这一不足,提出一种基于栅格化思想的矢量电子地图几何变化统计比较检测方法(SCAG),即利用矢量电子地图进行栅格化处理时构造的统计数据对点、线、面等形状地物的几何变化进行变化统计分析和要素快速检测,其计算量比遍历的方法显著减少,效率提高。最后通过实验验证了SCAG检测方法的可行性、合理性和高效性。     

河口海域地形变化检测技术探讨

从河口海域地形变化与人类开发利用活动关系,以及复测周期与航行安全保障关系出发,提出了河口海域地形检测研究的技术体系构成、历史资料的收集与分析方法、地形变化检测与反演的重要性。这对建立多学科交叉联合开展地形变化监测研究具有重要的意义。     

土地执法监察中的高分辨率遥感及变化检测技术

土地执法监察是国土资源管理业务体系的重要内容之一。当前土地执法监察工作多以传统手工作业为主,工作效率需要提升。随着高空间分辨率遥感技术的发展,借助高分辨率遥感影像实施准确、快速的土地执法监察成为可能。本文在分析实际应用需求和最新技术发展的基础上,以国产高分辨率影像提取违法建设用地为出发点,选取浙江省台州市黄岩区为研究区,开展县区级土地执法监察应用研究。借助面向对象变化检测与建设用地提取等技术获取了疑似的违法新增建设用地,取得了较好的应用效果,为挖掘国产高分辨率卫星影像在土地执法监察应用方面的潜力提供了参考。     

结合多尺度几何分析和KICA的遥感图像变化检测

为了进一步提高基于独立分量分析ICA(Independent Component Analysis)的遥感图像变化检测精确度,更好地实现地表覆盖的动态监测,将多尺度几何分析和核独立分量分析KICA(Kernel Independent Component Analysis)相结合应用于遥感图像的地表覆盖变化检测。首先利用Contourlet变换、复Contourlet变换CCT(Complex Contourlet Transform)、非下采样Contourlet变换NSCT(Nonsubsampled Contourlet Transform)等多尺度几何分析对土地遥感图像进行多尺度分解;然后对分解后的数据进行核独立分量分析,通过核函数将数据映射到高维特征空间中,再在该空间中用ICA方法分离出互相独立的分量;最后将分离后的地表变化分量转化为图像分量,再采用最大类间方差法对变化图像进行分割,实现地表覆盖的变化检测。给出了本文方法和近年来提出的基于ICA、基于KICA、基于小波变换和ICA等变化检测方法的实验结果,并进行了分析和定量比较。实验结果表明,基于多尺度几何分析和KICA的变化检测方法能更好地分离出遥感图像的变化信息,其中基于NSCT和KICA方法的错判和漏检误差最小,且在边缘细节方面处理得更好,而基于Contourlet变换和KICA方法的检测效率相对较高。     

遥感影像变化图斑智能化提取平台研发与应用

遥感影像变化图斑智能化提取是自然资源动态监测工作的基础。本文简述了遥感影像变化检测技术演进历程及特点,提出同时使用ResNet、U-Net和孪生神经网络3种深度学习算法,设计了集“影像预处理、智能提取、协同筛查”于一体的遥感影像变化图斑智能化提取平台,并详细阐述了各功能模块设计思路。实践表明,融合3种深度学习算法有利于解决单一深度学习网络模型改造难度较大、适用范围有限等难题,有效提升了遥感影像变化检测的查全率,工作效率比目视解译提升超过3倍。研究成果已在湖南省自然资源“1+N”卫星监测工作中广泛应用。     

一种联合空间约束与差异特征聚合的变化检测网络EI北大核心CSCD

变化检测旨在观测地物在不同时序中的表达差异。深度学习已成为实现这一任务的主流手段,现有基于深度学习的遥感变化检测方法中,普遍更专注于对图像中的深度特征进行学习,而忽略了不同层级特征之间语义优势及差距,从而导致检测性能不足。为此,本文提出了一种联合空间约束与差异特征聚合的变化检测网络,通过控制特征信息在网络中的流动,消除检测对象底层特征和高层语义信息之间差异性,提高预测结果的质量。首先,利用孪生网络并结合特征金字塔结构生成多尺度差异特征;然后,使用所提出的坐标自注意力机制(CSAM)对低层特征进行空间约束,强化对变化区域边缘结构及精确位置的学习,并结合经典的卷积注意力模块充分捕捉上下文变化信息;最后,使用门控融合机制提取通道关系,控制多尺度特征的融合,以生成边界清晰、内部完整的变化图像。在变化检测数据集CDD和LEVIR-CD上对本文方法进行了试验,与已有变化检测网络模型进行比较,本文方法在不同场景下均表现出最佳的检测效果。     

基于深度学习技术的贵州省耕地占用遥感监测

贵州省耕地资源相对有限,播面增长空间小,耕地占用对区域农业生产和粮食安全产生了重要影响。及时监测土地占用,对农田保护、减小损失具有重要的意义。遥感技术可以在耕地占用监测中发挥重要作用,然而由于地表结构的复杂性,高精度的耕地占用监测面临较大困难。为提高监测精度,本文研究使用深度学习技术来监测贵州全省的耕地占用情况。首先,利用多类型、高频次的高分辨率卫星影像,获取贵州省全域范围内的大量样本,据此挖掘遥感图像中的耕地占用信息;然后,联合使用卷积神经网络和循环神经网络,构建耕地变化监测深度学习网络模型,从遥感图像的光谱、空间和时相信息中提取耕地变化情况;最后,选取典型区域对监测结果进行了精度验证。结果表明,该方法可快速监测出贵州省占用耕地区域,为相关部门提供决策参考和监管手段。     

岩浆堵塞引发的地震可能是火山爆发的征兆

正《地球物理研究快报》(Geophysical Research Letters,GRL)最新发表的研究表明,火山压力增大引发的地震群可能是火山即将爆发的征兆。研究人员利用地震波形微妙且系统性的变化检测了2006年1月份阿拉斯加奥古斯丁火山(Augustine Volcano)第一次岩浆爆炸前2小时内重复出现的混合火山地震群,发现前兆震群是由熔岩流的阻塞所致。在爆炸前36小时内,位于岛上的13个地震台网内共监测到54次地震。GPS观测的波形特征以及火山顶部熔岩喷发的直观报