耦合知识图谱和深度学习的新一代遥感影像解译范式

在遥感大数据时代,遥感影像智能解译是挖掘遥感大数据价值并推动若干重大应用的关键技术,如何将知识推理和数据学习两类解译方法有机联合已成为遥感大数据智能处理的重要研究趋势。由此提出了面向遥感影像解译的遥感领域知识图谱构建与进化方法,建立了顾及遥感成像机理和地理学知识的遥感领域知识图谱。在遥感领域知识图谱支撑下,以零样本遥感影像场景分类、可解释遥感影像语义分割以及大幅面遥感影像场景图生成3个典型的遥感影像解译任务为例,研究了耦合知识图谱和深度学习的新一代遥感影像解译范式。在零样本遥感影像场景分类实验中,所提方法在不同的可见类/不可见类比例和不同的语义表示下,都明显优于其他方法;在可解释遥感影像语义分割实验中,知识推理与深度学习的联合方法取得了最好的分类结果;在大幅面遥感影像场景图生成实验中,知识图谱引导的方法精度明显高于基准的频率统计方法。遥感知识图谱推理与深度数据学习的融合可以有效提升遥感影像的解译性能。     

基于GPU和UNITY的嵌入式图像实时传输方法

智能化无人矿山对作业现场环境的可视化要求较高,现有的可视化方法仍存在诸多问题:数据采集方式单一,存在监控盲区;数据传输线缆布设困难且易被损坏,传输延时较高;表现形式不够全面立体,并且不能用于VR/AR、SLAM、机器人定位避障等应用场景。为了满足智能矿山建设的可视化需求,本文结合当前传感技术、矿用机器人以及5G技术的发展,探讨了从数据采集、服务器部署到接收显示的详细步骤。针对全景及深度影像这类新型三维数据,提出一种基于GPU和UNITY的嵌入式视频实时传输方法,包括实时编码、异步传输、轻量级的嵌入式流媒体系统、利用UNITY实时处理以及元数据的同步传输。借助UNITY平台,将三维可视化任务从CPU转移至GPU,仿真实验表明,最高渲染帧率为60 fps时,GPU占用率在35%以下。最后,以全景和深度传感器为例进行了测试,对数据编码、位移贴图、纹理纠正进行有效性验证,并从延迟、帧率、CPU占用率3个方面评估性能。结果表明,所提关键技术均可有效提高运行效率、减少资源占用,相比FFplay延时更低。全景影像的可视化代替了视角固定的传统监控,深度数据为智能矿山巡检机器人定位及避障提供实时数据源,传输方法整体向下兼容。不仅解决传统方法视角单一、布线困难的问题,而且考虑到了智能矿山建设过程中的新需求。     

被动微波遥感雪深反演混合像元问题研究EI北大核心CSCD

积雪深度是反映地表积雪量变化的重要因子,是水文模型和气候模式中的重要参数之一。被动微波遥感以其穿云透雾、对雪层信息敏感等特点,被广泛应用于雪深的反演研究中。被动微波传感器的低空间分辨率(数千米至数十千米)及地表覆盖的复杂性,使星载被动微波遥感影像中的混合像元现象十分突出,严重制约了被动微波雪深遥感监测的应用和发展。目前,被动微波遥感雪深反演中的混合像元问题研究仍存在着诸多挑战:①理论支撑不足,对被动微波混合像元亮温响应特征及影响机制的研究尚不充分;②针对混合像元问题所发展的被动微波雪深反演算法,对地表异质性特征考虑不足。     

广域滑坡灾害隐患InSAR显著性形变区深度学习识别技术

全面识别和发现地质灾害隐患,已成为我国地质灾害防治的重大实际需求。目前,基于InSAR技术和深度学习相结合用于广域尺度下地质灾害隐患智能识别应用效果与适用性还需要进一步探索与研究。本文基于Stacking InSAR技术获得地表形变相位数据,利用深度学习检测识别正在变形的滑坡隐患位置与分布,确定显著性形变区边界,探索将上述技术方法推广到一定的广域范围和动态更新数据集。结果显示,测试数据集显著性形变区平均识别精度为0.69,召回率为0.67,F₁ score为0.67,动态更新数据集识别精度为0.85,召回率为0.58,F₁ score为0.68。研究表明,本文方法在广域地灾隐患识别中具有应用可行性,可为地质灾害监测预警提供理论基础与技术支撑。     

基于网络和图的时空智能——概念、方法和应用

当前时空智能(SpaceTimeAI)和地理空间智能(GeoAI)已是热门的话题,该研究领域旨在将计算机科学的最新方法(如深度学习)应用于地理空间问题。虽然深度学习方法因其对栅格数据的自然适用性而在图像处理中取得了巨大成功,但仍未广泛应用于其他空间和时空数据类型。本文提出使用网络和图作为SpaceTimeAI或GeoAI的基本结构的倡议,并将其应用于城市研究中。相比于基于网格的表达,基于网络的结构更加精确和实用。图能实现对点、线、面/多边形/网格和网络等多种空间结构的表达。本文通过时空预测、聚类和时空优化等常用时空分析方法展示基于网络和图的时空智能分析的优势,并介绍其在交通出行、警务和公共卫生等领域的应用。     

基于深度学习的像素级全色图像锐化研究综述EI北大核心CSCD

全色图像锐化是遥感数据处理领域的一个基础性问题,在地物分类、目标识别等方面具有重要的研究意义和应用价值。近年来,深度学习在自然语言处理、计算机视觉等领域取得了巨大进展,也推动了像素级全色图像锐化技术的发展。本文提出从经典方式和协同方式两个方面对深度学习在全色图像锐化中的研究进行系统的综述,并在此基础上进行前景展望。首先,给出全色图像锐化常用的数据集和全色图像锐化的质量评价指标;接着,从经典方式与协同方式两个方面对基于深度学习的全色图像锐化最新研究成果进行分门别类的介绍,并进行算法性能的对比、分析和归纳;然后,对全色图像锐化的3个主要应用领域如地物分类、目标识别和地表变化检测进行分析;最后,本文探讨了基于深度学习的全色图像锐化的5个未来研究方向。     

深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估

随着地震台站数目的增加,以纯人工的分析方式拾取震相到时并编制地震目录难以满足地震目录实时自动化构建的要求。随着人工智能技术的发展,涌现出多个用于震相拾取的深度学习模型,为高分辨率地震目录的自动化构建提供了机遇,但这些模型在不同应用场景中的性能和适用性仍不明确。以2019年美国加利福尼亚州Ridgecrest地震序列和2019年中国四川威远Ms 5.4地震序列为例,对当前两种先进的震相拾取深度学习模型PhaseNet和EqT（含EqT1和EqT2两套参数）的性能及其构建的地震目录的完备性和准确性进行了测试和评估。结果表明,尽管PhaseNet和EqT最初是使用来自不同地区的数据集训练的,在跨区域应用时仍然能够取得良好的效果,到时拾取的精度可以达到十几个毫秒,与人工分析相当。EqT1即便采用低检测阈值,也能保持很高的查准率,误报少,所构建地震目录的准确性更好,但查全率有限,检测到的地震数量少于PhaseNet。PhaseNet的拾取效果随阈值选择的不同具有较大的弹性,采用中低阈值时具有较高的查全率,采用高阈值则可以达到与EqT1相当的查准率。与EqT1和PhaseNet相比,EqT2性能较差,不推荐使用。