应用遥感图像提取煤层自燃信息时必须考虑的几个影响因素

煤层自燃是中国北方煤田中普遍存在的灾害现象,它不但烧掉了大量的煤炭资源,而且还污染了环境。实践证明,利用遥感影像判别火区位置、圈定火区范围和对火区进行动态监测,及时为灭火工程提供信息,是一项经济和社会意义很大的工作。由于受多种因素的制约,不同地区、不同波段、不同时相、不同空间分辨率的遥感图像,其影像特征（含与煤层自燃有关的热异常影像特征）都有较大的差异,因而从图像上分析和提取地物的热红外辐射特征时,需要考虑遥感图像类型、成像时间、地形条件、气象条件和岩性特征等因素的影响。本文着重讨论了地表辐射温度与上述各项因素之间的关系。     

遥感影像制图综合的智能化研究

本文以人工智能为基础,用计算机模拟一般制图人员对遥感图像进行制图综合的过程,用框架的知识表示方法建立了一个实验性的知识库,并设计了一个推理机。对蒙古人民共和国乌布苏淖尔地区的ＴＭ分类图进行了实验,取得了较好的效果。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

江苏沿海滩涂利用模式遥感影像解译和时空变化分析

为了弄清江苏沿海滩涂利用模式分布情况,定量分析其时空变化趋势,本文基于Google Earth Engine云计算平台和Landsat卫星遥感影像数据,结合随机森林分类方法,通过机器学习建立了滩涂利用模式自动识别分类方法,样本训练后识别准确率达93％以上.利用该方法提取了2002年、2014年和2019年江苏沿海的土地...     

结合地形因子与分层策略的喀斯特地区无人机影像分类

西南喀斯特山区地形起伏较大,地物分布较为破碎,致使传统的光谱特征一次分类方法的精度较低。本文基于高分辨率无人机正射影像和地形指标,充分利用无人机遥感影像空间特征、光谱特征、纹理特征及地形特征,采取面向对象CART决策树算法与分层策略提取了研究区土地覆盖类型。研究表明,结合空间地形因子和分层策略的方法减少了破碎区地物间的相干扰,故具有较高的分类精度,总体分类精度达91.2%,Kappa系数为0.87,较传统一次分类精度提高了9.8%,Kappa系数提高了0.13。该方法对西南喀斯特地区土地覆盖解译精度较好,可为土地利用监测提供参考。     

改进的HRNet应用于路面裂缝分割与检测

针对利用传统卷积神经网络进行路面裂缝分割时存在准确率低、信息丢失及边缘模糊的问题,本文提出了基于改进HRNet模型的路面裂缝分割算法。模型在原始HRNet的基础上进行改进,主干网络部分采用DUC模块代替双线性插值上采样;下采样改为passthrough layer代替原始卷积;在模型解码部分,进行逐级上采样的同时引入SE-Block,对不同特征层的融合重新标定权重。通过与原始HRNet及传统卷积神经网络U-Net对比可知,本文算法在公共数据与自制数据集上的分割精度表现优秀,F1分值分别达到了91.31%和78.69%,可以很好地满足实际工程的需求。     

基于卷积神经网络的地铁保护区风险源识别北大核心CSCD

城市轨道交通沿线的风险源识别是防止违规作业导致的安全事故的重要手段。为解决传统识别方法效率低、漏检率高、成本大等问题,本文基于无人机地铁保护区巡检系统,采用卷积神经网络对无人机采集的影像数据进行风险源识别。首先介绍无人机影像获取的流程,并在原始影像数据的基础上,通过数据增强的方式制作多角度、多尺度的风险源数据集;然后使用卷积神经网络建立风险源识别模型,对无人机采集影像中的风险源进行自动识别和定位。试验结果表明,多角度、多尺度风险源数据集的建立进一步提升了模型的识别准确率,且比传统方法具有效率高、成本低等优点。     

Semi-automatic delineation of badlands using contrast in vegetation activity: a case study in the lower Chambal valley,India

Population growth worldwide leads to an increasing pressure on the land. Recent studies reported that many areas covered by badlands are decreasing because parts of badlands are being levelled and converted into arable land. It is important to monitor these changes for environmental planning. This paper proposes a remote-sensing-based detection method which allows mapping of badland dynamics based on seasonal vegetation changes in the lower Chambal valley, India. Supervised classification was applied on three Landsat (Thematic Mapper) images, from 3 different seasons; January (winter), April (summer) and October (post-monsoon). Different band selection methods were applied to get the best classification. Validation was done by ground referencing and a GeoEye-1 satellite image. The image from January performed best with overall accuracy of 87% and 0.69 of kappa. This method opens the possibilities of using semi-automatic classification for the Chambal badlands which is so far mapped with manual interpretations only.     

融合像素—多尺度区域特征的高分辨率遥感影像分类算法

针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。     

多尺度字典学习的高光谱图像压缩算法

结合小波变换及字典学习提出了一种针对高光谱图像的压缩算法。该算法首先通过小波变换构建多尺度样本集,在小波域使用K-均值奇异值分解(K-SVD)方法学习得到原子尺寸不同的多尺度字典,然后在稀疏表示的过程中,定义一个原子使用频次筛选因子,通过统计局部最优波段稀疏表示时原子使用情况,结合筛选因子对字典原子进行优化筛选,使用精简后的字典对其余波段进行稀疏求解,最后针对不同尺度的表示系数采用自适应的量化编码。实验结果表明,与目前常用的3D-SPIHT和其他的多尺度字典学习算法相比,本文算法在中低比特率下,具有更好的重建性能。