深度学习PaddlePaddle框架支持下的遥感智能视觉平台研究与实现

百度深度学习PaddlePaddle框架支持下的遥感智能视觉平台,能够运用深度学习技术实现遥感影像的智能建模、训练和解译。本文通过深入分析PaddlePaddle图像分割模型库PaddleSeg的图像处理深度学习算法模型DeepLabV3+、U²-Net及RetinaNet,开发设计了遥感智能视觉平台,实现了遥感影像的地块分割、变化检测和斜框检测等专业功能。研究表明：遥感智能视觉平台提取的图斑总面积是目视解译的80%、有效图斑比例为76%、错误图斑比例为18%,实现了快速有效的遥感图像智能处理。     

深度学习支持下的丘陵山区耕地高分辨率遥感信息分区分层提取方法

耕地是丘陵山区稀缺的土地资源,具有地形条件复杂、种植结构多样的特点,导致了山地耕地信息难以快速、准确获取,并且基于传统的遥感数据及遥感监测方法开展山区耕地信息快速自动提取比较困难。针对这一问题,本文以西南山区贵州省息烽县作为试验区,根据地理空间异质性特征,提出分区控制、分层提取的耕地形态信息提取思路,构建了一种地貌单元约束条件下的分区分层耕地形态信息的提取方法。该方法首先根据地貌-植被特征将试验区划分为平坝区、山坡区、林草区3类地理分区;然后在每类分区基础上,根据耕地所呈现的视觉特征划分为不同的类型,对不同类型的耕地分别设计不同的深度学习模型进行分层提取。试验结果证明,该方法对山区复杂地形背景噪声具有较好的抑制作用,所提取的耕地地块信息相比于传统方法更符合实际耕地的实际分布形态,有效地减少了漏提率和错提率。     

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。     

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。     

土壤粒径空间预测方法研究综述

土壤粒径（砂粒、粉粒和黏粒）是各种陆表过程和生态系统服务评估等模型的关键参数。作为一种土壤成分数据,土壤粒径的空间预测方法有和为1（或100%）等特殊要求,其空间分布精度受预测方法影响较大。本文针对土壤粒径相较于其他土壤属性的特殊性,提出了土壤粒径空间预测方法框架,综述了土壤粒径数据变换、空间插值和精度验证等系列方法,总结了提升土壤粒径空间预测精度的各种途径,包括通过有效的数据变换改善数据分布、结合数据分布特点选择合适的预测方法、结合辅助变量提升制图精度和分布合理性、使用混合模型提升插值精度、使用多成分联合模拟模型提升预测的系统性等。最后,提出了今后土壤粒径空间预测方法研究的未来方向,包括从考虑数据变换原理和机制角度改善数据分布、发展多成分联合模拟模型和高精度曲面建模方法,以及引入土壤粒径函数曲线并与随机模拟结合等。