基于分层极限学习机影像转换的多源影像变化检测方法

为提高现有多源影像无监督变化检测方法存在的检测结果易受噪声影响和计算效率低等问题,本文提出了一种基于分层极限学习机影像转换的多源影像变化检测方法。分层极限学习机（Hierarchical Extreme Learning Machine,HELM）通过多层前向编码获得丰富的特征表示,且当特征提取完成即可确定网络参数。本文方法首先通过对合成孔径雷达（Synthetic Aperture Radar,SAR）影像进行对数转换,以获得与光学影像相同的影像噪声分布,并利用影像平滑减少影像噪声对变化检测结果的影响;然后分别对多源影像进行聚类分析,通过对比两时相影像的聚类图获得初始变化检测图,选取初始变化检测图中的未变化区域的像元作为初始训练样本,构建训练样本修正模型修正初始训练样本以提高训练样本的准确性;引入HELM以实现多源影像特征空间转换,获取多时相空间转换影像,提高了算法效率;最后通过对比原始影像和多时相空间转换影像获取变化信息。两组多源影像(Google Earth和哨兵1号影像)的实验结果表明：与现有方法相比,本文方法的Kappa系数分别至少提高了6.19%和8.94%,证明了本文方法...     

极限学习机在黏土矿物分析中的应用

对鄂尔多斯盆地苏里格北部上古生界盒8段低渗透储层研究发现,成岩作用是控制气藏分布的主要因素之一,而黏土矿物又影响着成岩作用类型及强度,在成岩作用划分中具有重要指示作用.本研究尝试利用自然伽马能谱测井结合神经网络(极限学习机)准确计算储层中黏土矿物含量,为全井自动成岩作用识别提供支撑.在黏土矿物分析过程中,为避免测井信息...     

基于特征提取和集成学习的雷电预测能力提升

雷电是对人类社会有重大安全影响的自然灾害之一, 对雷电进行监测、预警是降低其危害的重要手段。利用广州市黄埔区的大气电场仪资料和闪电定位资料统计分析了反映雷电趋势的相关特征, 并从中提取预警因子探讨与电场仪探测范围内雷电事件的相关性, 基于基分类器BP神经网络, 分别通过Bagging和Adaboost的方法建立集成模型。试验表明, 在以30分钟为时间片的雷电事件预警中, 基于BP神经网络模型, 对比本试验提取的特征和其他研究提供的特征, 误报率和漏报率分别降低了16.83%和15.19%;集成方法比未集成的单一BP神经网络误报率最大降低了11.46%, 漏报率最大降低了4.73%, 说明了特征提取和集成学习的方法能有效提升模型在雷电预测中的准确率。      

基于广义回归神经网络的京津冀地区土壤湿度遥感逐日估算研究

土壤湿度是地表水热交换过程和水文循环中的一个关键组成部分,获取高时空分辨率的土壤湿度数据一直是当前研究的热点.SMAP(Soil Moisture Passive and Active)主被动微波土壤湿度产品的精度高,但存在着空间分辨率低和时间分辨率缺失的问题,这限制了其在区域尺度上的应用,为解决这一问题得到更高时空分...     

青海省洪涝灾害的时空分布和致灾雨量特征

基于2008—2020年青海省的灾情记录,利用灾损指数分析了青海省洪涝灾害的时空分布特征,确定了青海省的洪涝灾害高风险区。同时采用2017—2020年多源融合的CLDAS降水数据,利用机器学习算法建立了洪涝灾害预报模型,确定了致灾雨量阈值。结果表明：（1）青海省洪涝灾害2018年最多,共98次,2014年最少,共16次,7—8月是洪涝灾害的高风险时段。空间变化表现为,基于年平均灾害次数的高风险区为海南州-海西州东部,基于年平均灾损指数的高风险区为海东市-西宁市。（2）利用多种机器学习算法,得到基于CLDAS数据的1 h、2 h和24 h雨强是预警灾害的降水因子,海南州-海西州东部1 h或2 h最大雨强达到6.8 mm,或者24 h最大雨强达到11.1 mm,是预警洪涝灾害的降水阈值。海东市-西宁市及邻近地区1 h或2 h最大雨强达到13 mm,或者24 h最大雨强达到18.2 mm,是其预警洪涝灾害的降水阈值。     

深度卷积特征表达的多模态遥感影像模板匹配方法

多模态遥感影像间(光学、红外、SAR等)存在显著的非线性辐射差异,传统方法难以有效地提取影像间的共有特征,匹配效果不佳.鉴于此,本文将深度学习方法引入影像匹配中,提出了一种基于Siamese网络提取多模态影像共有特征的匹配方法.首先通过去除Siamese网络中的池化层和抽取特征来优化该网络,保持特征信息的完整性和位置精度,使其可有效地提取多模态影像间的共有特征,然后采用模板匹配策略,实现多模态遥感影像高精度匹配.通过利用多组多模态遥感影像进行试验,结果表明,本文方法的匹配正确率和匹配精度都优于传统的模板匹配方法.     

基于图像语义分割的动态场景下的单目SLAM算法

在恢复场景信息和相机运动时,传统的SLAM算法是基于静态环境假设的。场景中的动态物体会降低算法的稳健性和最终的定位精度。本文提出将基于深度学习的图像语义分割技术与传统的视觉SLAM算法结合,以减少动态物体对定位结果的干扰。首先,构建有监督的卷积神经网络对输入图像中的动态物体进行分割,获得语义图像;然后,从原始图像中提取特征点,并根据语义图像剔除动态物体特征点,保留静态物体特征点;最后,利用静态物体特征点采用基于特征点的单目视觉SLAM算法对相机运动进行跟踪。在ApolloScape自动驾驶数据集上的试验表明,与传统方法相比,本文算法在动态场景中定位精度提升约17%。     

超体素约束下的主动再学习LiDAR点云分类框架

针对点云分类的监督方法需要大量的训练样本、人工标注成本高的问题,本文提出了一种超体素约束下的主动再学习点云分类方法。首先,对点云进行特征提取;然后,通过超体素约束下的主动学习方法选择训练样本并进行人工标注;最后,利用再学习方法进行后处理,通过迭代计算类别统计特征不断优化分类结果。试验结果表明,相比于使用全部训练样本,超体素约束的主动学习方法可以在不足全部样本6%的情况下,达相同的分类精度,从而大幅度减少了人工标注成本,且经过再学习算法后进一步提高了分类精度。     

遥感影像云检测网络泛化性能研究：以DeepLabv3+为例

近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4) DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。     

人机融合智能的遥感解译生产新方法

以深度学习与测绘生产技术深度融合为基本理念,本文阐述了测绘地理信息技术跨界融合发展给现有遥感解译生产流程带来的变革,分析了现有软硬件环境下智能化生产面临的关键问题,提出了一种人机融合智能的遥感解译生产新方法。该方法突破了多GPU并行训练、滚动反馈训练和分布式微服务应用等多项关键技术,研发出了自然资源深度学习遥感智能解译平台和自然资源深度学习动态解译插件,并在全球地理信息资源建设与维护更新等测绘工程项目中的关键生产环节,进行了规模化的生产应用。经过多个项目实践验证,机器智能与人类智能在遥感解译生产中,通过渐进式人机交互操作进行高效融合,不仅大幅减轻了生产人员工作量,还提升了遥感解译的科学性和时效性,为测绘生产和自然资源调查监测工作提供了强有力的技术支撑。