复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

A meta-analysis of global crop water productivity of three leading world crops (wheat,corn, and rice) in the irrigated areas over three decades

ABSTRACT

The overarching goal of this study was to perform a comprehensive meta-analysis of irrigated agricultural Crop Water Productivity (CWP) of the world’s three leading crops: wheat, corn, and rice based on three decades of remote sensing and non-remote sensing-based studies. Overall, CWP data from 148 crop growing study sites (60 wheat, 43 corn, and 45 rice) spread across the world were gathered from published articles spanning 31 different countries. There was overwhelming evidence of a significant increase in CWP with an increase in latitude for predominately northern hemisphere datasets. For example, corn grown in latitude 40–50° had much higher mean CWP (2.45?kg/m³) compared to mean CWP of corn grown in other latitudes such as 30–40° (1.67?kg/m³) or 20–30° (0.94?kg/m³). The same trend existed for wheat and rice as well. For soils, none of the CWP values, for any of the three crops, were statistically different. However, mean CWP in higher latitudes for the same soil was significantly higher than the mean CWP for the same soil in lower latitudes. This applied for all three crops studied. For wheat, the global CWP categories were low (≤0.75?kg/m³), medium (>0.75 to <1.10?kg/m³), and high CWP (≥1.10?kg/m³). For corn the global CWP categories were low (≤1.25?kg/m³), medium (>1.25 to ≤1.75?kg/m³), and high (>1.75?kg/m³). For rice the global CWP categories were low (≤0.70?kg/m³), medium (>0.70 to ≤1.25?kg/m³), and high (>1.25?kg/m³). USA and China are the only two countries that have consistently high CWP for wheat, corn, and rice. Australia and India have medium CWP for wheat and rice. India’s corn, however, has low CWP. Egypt, Turkey, Netherlands, Mexico, and Israel have high CWP for wheat. Romania, Argentina, and Hungary have high CWP for corn, and Philippines has high CWP for rice. All other countries have either low or medium CWP for all three crops. Based on data in this study, the highest consumers of water for crop production also have the most potential for water savings. These countries are USA, India, and China for wheat; USA, China, and Brazil for corn; India, China, and Pakistan for rice. For example, even just a 10% increase in CWP of wheat grown in India can save 6974 billion liters of water. This is equivalent to creating 6974 lakes each of 100?m³ in volume that leads to many benefits such as acting as ‘water banks’ for lean season, recreation, and numerous ecological services. This study establishes the volume of water that can be saved for each crop in each country when there is an increase in CWP by 10%, 20%, and 30%.     

顾及边界入射信号的多模水汽层析方法

利用GNSS三维水汽层析技术全天候地获取高时空采样率的水汽垂直分布信息,已成为GNSS气象学中一大研究热点。当前,基于单一导航系统的传统层析方法存在观测数据利用率低、观测分布不均等不足。本文设计和实现了一种顾及边界入射信号的多模水汽层析方法,采用香港CORS网观测数据和无线电探空产品进行精度验证,并详细分析边界入射信号和多模层顶信号的引入对层析水汽结果的改善程度。结果表明:相较于传统GPS层析方法,本文采用的融合两类多模层顶信号和边界入射信号的新水汽层析方法,兼备边界入射信号和多模层顶信号的优点,可得到更高精度和更可靠的三维水汽信息。     

顾及垂直递减率函数的中国区域大气加权平均温度模型

大气加权平均温度(T_m)是全球导航卫星系统(GNSS)水汽监测的关键参数。针对中国区域地形起伏较大的特点,本文构建了顾及精细季节变化的T_m垂直递减率函数模型,在此基础上,利用2007—2014年的Global Geodetic Observing System (GGOS) atmosphere格网数据建立了中国区域的T_m格网新模型(简称为CT_m模型)。以2015年GGOS格网数据和无线电探空资料为参考值,对CT_m模型进行精度检验,并与常用的Bevis公式和GPT2w模型进行比较分析。结果表明:①以GGOS格网数据为参考值,CT_m模型的年均偏差和均方根误差(RMS)分别为-0.52 K和3.28 K,相比于GPT2w-5和GPT2w-1模型,精度(RMS值)分别提高了27%和13%;②以探空数据为参考值,CT_m模型的年均偏差和RMS误差分别为0.26 K和3.75 K,相对于GPT2w-5和GPT2w-1模型,精度分别提高了21%和1...     

基于SBAS时序分析的大同地面沉降与地下水活动研究

大同盆地是汾渭盆地北端一个地面沉降较严重的区域,地下水开采是该区域地面沉降发生的一个重要原因。然而地下水活动与地面沉降在空间和时间的相关性却鲜有研究。为了掌握该地区地下水活动与地面沉降的内在联系,该文基于Envisat ASAR数据,利用短基线集(small baseline subset,SBAS)-In SAR技术对大同盆地地面沉降形变特征进行监测;同时利用地下水位监测数据,研究地面沉降中心与地下水位漏斗在空间和时间上的对应关系,定量分析2处地下水位波动与地表形变的关系。研究表明,地下水开采是大同盆地水源地地面沉降的主要原因,但并非所有的地下水位漏斗都存在地面沉降。该研究成果对指导该地区地下水开采及控制地面沉降有一定参考价值。     

基于遥感技术的近30年中亚地区主要湖泊变化

在全球气候变暖的背景下,研究中亚干旱半干旱地区主要湖泊的变化不仅对内陆水资源管理和可持续发展有着重要意义,也为进一步研究湖泊变化对气候变化和人类活动的响应提供基础。获取1978年MSS、1989年TM、1998年TM及2010年ETM的同季相4期遥感图像数据,通过人工解译提取中亚地区7个湖泊信息,获得近30 a的湖泊面积变化;利用T/P和Envisat雷达高度计提取1992—2012年的湖泊水位信息;基于湖泊面积和水位的时空变化特征分析了湖泊变化的影响因素。结果表明:近30 a来,由于湖泊类型的不同,除萨雷卡梅什湖外的其他6个湖泊均出现不同程度的面积缩减;其中,平原尾闾湖面积变化最显著,高山封闭湖相对平稳,吞吐湖泊的面积变化相对复杂;湖泊的水位变化模式因流域和湖泊类型而异;高山封闭湖泊受气候的影响较大,而吞吐湖泊受人为因素影响显著。     

ASTER数据的煤矿区水体信息提取

为实现多光谱数据对煤矿区水体信息提取,以萍乡市芦新岭及周边煤矿为试验区,在国内外学者对水体指数法提取水体信息和应用的启发下,对试验区不同地物的波谱特征进行分析。本文首先利用数学统计方法建立一种ASTER数据综合归一化差异水体指数模型SWI ASTER_xy,然后利用这一模型对试验区进行水体信息提取。试验表明,该模型能够有效地提取矿区各类水体,还可以运用在ASTER数据（或其他多光谱数据）对不同区域不同地物的提取,在遥感地物定量提取上具有很好的效果和潜力,具有一定的推广价值。     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

地面检校场的非量测型数码相机检校

由于相机检校作为非量测型数码相机应用于摄影测量前的必经步骤,其精度直接决定着后续测图的精度,因此针对传统的相机检校方法不能较真实地反映相机的物理状态、检校精度不高的问题,该文给出了基于地面检校场进行检校的流程,并以和静县数据为例,将该方法的检校精度与基于室内三维检校场以及基于纯平液晶显示器的检校精度进行了对比。实验表明:经该方法检校出来的相机参数精度更高,能够满足大比例尺测图要求。     

CORS网区域重力场变化与地面稳定性跟踪监测方法

为了实现地面稳定性降低时间与地点、持续作用时间与空间影响分布的全面跟踪监测,该文基于卫星定位连续运行站(CORS)站网观测数据,结合地表水、大气及海平面变化资料,提出了CORS站网时变重力场及负荷形变场精化的已知负荷移去恢复法,建立了基于时变重力场的确定性地面稳定性变化定量辨识准则。以丽水温州地区为例,利用2015-2017年CORS网及有关水文观测数据进行计算分析,根据40起已发生的历史地质灾害(险情)事件对结果进行验证:丽水温州地区的CORS网具备区域重力场变化与地面稳定性跟踪监测能力,具备地质灾害灾变过程追踪与前兆捕获能力,CORS站网的地质灾害前兆提前捕获率可达92.5%。