卷积神经网络在SAR遥感海冰分类中的应用可行性分析

分别介绍了卫星遥感海冰监测、分类的传统方法,以及卷积神经网络在遥感影像分类识别中的应用成果。尝试将在图像识别、语言检测等方面取得成功的卷积神经网络算法应用在海冰图像分类中,利用其能够应对非线性、网络结构简单、可并行运算等能力去解决海冰数据分类问题。     

基于精细数据处理的叠前深度偏移在琼东南盆地陵水凹陷坡折区的应用

琼东南盆地陵水凹陷,受坡折区崎岖海底和复杂地质构造的影响,导致该地区速度模型构建精度不高,从而严重影响到成像品质。针对坡折区的精确速度模型构建难题,首先采用组合多次波衰减、宽频处理、叠前信噪比增强等针对性处理技术,得到宽频带高信噪比的叠前数据,在此基础上统计分析不同水深速度规律,应用断控和地质约束速度建模技术,建立初始速度模型,然后利用基于宽频数据的高分辨断控约束网格层析反演技术,经过多次迭代完成深度域各向异性速度建模,并实现了陵水凹陷坡折区的高精度叠前深度偏移成像。叠前深度偏移成像显示,基于精细速度模型的叠前深度偏移技术科明显提高坡折区信噪比,改善成像质量,同时可有效消除地层同相轴扭曲的现象,恢复了地下地层的真实构造形态,从而可为目标评价与钻探决策提供更可靠地震资料。     

基于深度域地震成像的中沙海槽盆地东北部结构构造研究

文章基于叠前深度偏移地震成像分析, 结合前人重磁反演等地球物理资料成果, 对中沙海槽盆地东北部结构构造进行探索研究。研究表明: 中沙海槽盆地东北部发育新生代地层, 厚度在1500~2500m之间, 地层层速度为1500~ 3500m·s^-1, 不存在中生界沉积层, 盆地基底为海山或前寒武系基岩及岩浆岩隆起。中沙海槽盆地新生代陆源海相烃源岩丰富, 盆地新生界地层厚度大, 盆地凹陷、断裂发育, 具有一定的油气勘探潜力。     

决口海堤水波传播模拟和分析研究Ⅱ:2D传播

应用经验证的SWASH数学模型,分析了海堤决口中心线沿线实测水深分布规律和保护区淹没水量与淹没面积。对不同特征水深进行验证,进而探讨不同波要素对不同形式的海堤决口堤后特征水深分布情况以及波浪传播距离与时间的关系;分析了物理模型试验中海堤决口宽度以及不同波要素对堤后洪水波演进的影响;计算了不同决口深度和宽度对洪水波传播的影响,建立堤后水体淹没水量和淹没面积分布公式。成果可供我国沿海城市和地区在风暴潮和台风浪作用下海堤决口风险图绘制参考。     

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。     

联合像元-深度-对象特征的遥感图像城市变化检测

特征空间的构建和优化对遥感图像识别能力的提高具有重要作用。针对面向对象方法对波段光谱信息利用不足,以及像元识别法无法充分利用图像空间几何等信息的问题,本文建立了新颖的联合像素级和对象级特征的航摄遥感图像城市变化检测方法。首先,充分利用像素级和对象级特征的优势,建立考虑光谱、指数、纹理、几何、表面高度及神经网络深度特征的特征空间;然后,引入LightGBM(light gradient boosting machine)算法对大量特征进行选择研究;最后,采用随机森林识别器对宜兴市2012年和2015年两期遥感图像进行识别,利用变化矩阵进行城市的变化检测。结果表明:联合像元、深度、对象特征和LightGBM特征选择算法的识别效果最好,平均的总体识别精度达到了88.50%,Kappa系数达到0.86,比基于像元、深度或对象特征的识别方法分别提高了10.50%、15.00%和4.00%;城市变化检测精度达到了87.50%。因此,本文方法是利用甚高分辨率航摄遥感图像进行城市变化的检测的有效方法。     

低空摄影测量立体影像匹配的现状与展望

影像匹配是在两幅或多幅具有重叠度的影像中通过特定的算法提取影像间同名点的过程,是低空摄影测量数据处理中最为关键的步骤,匹配质量与效率直接影响到后续数据处理的成功与否,关系到测绘产品生成质量。本文系统阐述了低空摄影测量影像匹配的研究现状与展望。对影像匹配的分类进行总结和归纳,大体上,影像匹配可划分为两大类,即基于灰度和基于特征的匹配。重点针对基于特征的影像匹配,从点、线、面等特征提取算法及特征描述符和相似性测度与策略等方面进行了详细阐述。此外,列举最新的基于深度学习的影像匹配算法,对低空平台搭载的多样化传感器数据融合可能涉及的影像匹配方法进行了展望。     

基于深度学习的河道提取与变化监测应用——以永定河为例

本文基于2014年、2017年、2018年三期GF1遥感影像,针对北京市石景山永定河河道变化特征,开展基于深度学习算法的河道自动提取与变化图斑自动发现。选择GEOWAY GFLP作为地理要素智能训练平台,采用基于疑似变化区域自动发现与人工交互确认相结合的遥感监测技术路线,选取典型水体样本进行分析、训练,构建深度学习卷积神经网络水体提取模型。通过分析与验证发现,基于深度学习水体提取模型自动提取的河道准确率高于90%,精度高于最小距离、最大似然及SVM分类方法,可用于城市河道的自动提取和变化发现。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。     

利用深度学习模型进行城市内涝影响分析

城市内涝是当前典型的一类城市自然灾害,影响着居民的生活质量。以城市内涝点作为研究对象,综合考虑内涝对城市居民工作和生活等方面造成的影响,筛选出与影响程度相关的21类空间数据。同时,基于深度学习原理构建栈式自编码神经网络模型,结合层次分析法获取的内涝点影响程度标签,剖析21类空间数据与内涝点对居民工作生活影响程度的关系,实现城市内涝对居民工作和生活影响的定量分析。实验表明,栈式自编码神经网络模型能准确地描述内涝点周围的系列空间数据与内涝影响程度之间的关系,可有效预测潜在内涝点对居民工作和生活的影响程度大小,可用于城市防洪排涝方案的制定和排水管网的优化设计。