加权空-谱联合保持嵌入的高光谱遥感影像降维方法

高光谱遥感影像数据量大、波段数多,容易导致“维数灾难”。传统流形学习方法一般仅考虑其光谱特征,忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入(WSCPE)的维数约简算法。首先采用加权均值滤波(WMF)方法对高光谱影像进行滤波,以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性,通过采用加权空-谱联合距离(WSCD)来融合像素点的光谱信息和空间信息,有效选取各像素点的空-谱近邻,并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构,提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明,总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时,有效融合了影像的空间-光谱信息,故能提高影像特征的鉴别性,并提升分类性能。     

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。     

结合主动学习和词袋模型的高分二号遥感影像自动化分类

高分卫星遥感影像空间分辨率的提高,使得地物的光谱和纹理变得更加丰富和复杂,这给遥感影像的自动化分类带来严重挑战。因此,本文提出了一种结合主动学习和词袋模型的高分二号遥感影像分类方法。首先,对研究区域进行多尺度分割,建立影像分割对象集;然后,采用词袋模型构建影像对象的语义特征向量;最后,充分考虑位于分类边界的不确定性样本分布,迭代选择最优样本用于训练支持向量机,用于分类遥感影像。为了验证本文方法的有效性和稳健性,以山东省某市的高分二号遥感影像为试验数据进行了试验分析。结果表明,本文提出的方法可以有效地将研究区域分为水体、地面、植被和建筑物四类,正确率达到90.6%以上。     

新工科理念下的实验课程教学改革与实践探索

近年来为适应创新人才的培养,"卓越计划"开启了全新教学模式。基于新工科理念,为了更好地进行实验课程教学,以"3ds Max软件三维建模"为例,笔者从课程内容安排、教学方式、考核机制等方面进行了教学探索和实践。本文以应用软件实验类课程项目教学的实践经验为基础,注重学生团队合作和交流能力、实践能力、创新能力培养,以及多渠道快速学习新事物的能力,通过与测绘新技术下多软件融合,使学生拥有知识整合能力,为提高实践教学提供参考和借鉴,以更好地适应新工科理念下的创新人才培养。     

Semantic segmentation of high spatial resolution images with deep neural networks

Availability of reliable delineation of urban lands is fundamental to applications such as infrastructure management and urban planning. An accurate semantic segmentation approach can assign each pixel of remotely sensed imagery a reliable ground object class. In this paper, we propose an end-to-end deep learning architecture to perform the pixel-level understanding of high spatial resolution remote sensing images. Both local and global contextual information are considered. The local contexts are learned by the deep residual net, and the multi-scale global contexts are extracted by a pyramid pooling module. These contextual features are concatenated to predict labels for each pixel. In addition, multiple additional losses are proposed to enhance our deep learning network to optimize multi-level features from different resolution images simultaneously. Two public datasets, including Vaihingen and Potsdam datasets, are used to assess the performance of the proposed deep neural network. Comparison with the results from the published state-of-the-art algorithms demonstrates the effectiveness of our approach.     

Inpho交互式方位角定义在ADS影像生产中的应用与研究

目前,Inpho全数字摄影测量系统针对航空三线阵影像具有较为成熟的处理流程。但是随着摄区环境和飞行成本要求的不断提高,航线方向不再局限于坐标轴方向,斜飞模式逐渐增多。本文在Inpho系统DOM影像制作原理的基础上,对比研究交互式方位角定义在ADS影像生产中的普遍适用性,进一步优化Inpho系统针对ADS数据的解决方案。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.     

梅雨降水季节预测的多方法比较

基于1961—2000年逐月降水观测资料和全球大气再分析资料,分析了6—7月长江中下游(108°～123°E,27°～33°N)梅雨的时空分布特征。通过观测诊断和数值试验确定了影响梅雨异常偏多的3个前期因子:4—5月平均的西北太平洋海平面气压正异常;3月至5月北大西洋海平面气压负变压倾向;1月至4月西伯利亚的2 m温度负倾向。利用这3个具有物理意义的影响因子构建了梅雨季节预测模型,该模型在训练期(1961—2000年)和独立预测期(2001—2022年)均具有显著的预测技巧(相关系数分别为0.79和0.77,均方根误差分别为0.59和0.68)。同时,基于相似的潜在预测因子,对比了利用偏最小二乘回归方法和5种机器学习方法(随机森林、轻量级梯度提升机、自适应提升、类别型特征提升、极端梯度提升)建立的预测模型的技巧。虽然训练期(1961—2000年)偏最小二乘回归和机器学习建模拟合效果更高,但在独立预测期(2001—2022年)上述模型的预测技巧显著降低(相关系数均低于0.44,均方根误差均大于0.93),出现了明显的过拟合问题。本研究强调梅雨的短期气候预测应建立在物理机制基础之上,而使用机器学习方法需谨慎。