融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deepconvolutionalneuralnetwork,DCNN)分类模型,开展互花米草(SpartinaalternifloraLoisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine, SVM)、随机森林(random forest, RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中, DCNN有着更好的应用潜力;(2)融合浅层特征后, DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。     

温盐深测量平台发展现状与趋势

温度、盐度和压力是海洋重要的基本物理特性参数。温盐深测量仪(Conductivity Temperature Depth,CTD)是海水温盐剖面观测的关键仪器,在海洋经济开发、海洋观测、海洋国防建设方面有着极为重要的意义。本文介绍了几种典型的温盐深测量设备及移动观测平台,重点论述了CTD在Argo浮标、水下滑翔机等海洋移动观测平台上的应用现状,分析了水下滑翔机搭载的CTD在热滞效应、湍流等因素影响下产生的测量误差。最后探讨了以水下滑翔机为代表的海洋移动观测平台搭载CTD测量技术的发展趋势及应用前景。     

我国与美国潜水器的发展和对比

为加快我国潜水器的发展尤其是业务化应用,保障我国深海大洋科考工作的顺利开展,文章梳理美国伍兹霍尔海洋研究所和我国主要潜水器的技术指标和应用情况,并通过对比提出我国的优势和不足。研究结果表明:载人潜水器方面,我国"蛟龙"号在平均下潜深度的关键指标上领先于美国"Alvin"号,但由于发展较晚,在下潜次数等方面远远落后;无人有缆式潜水器方面,我国"海龙"系列正处于作业磨合期,在最大水下航速方面与美国"Jason"号差距较大;无人自治式潜水器方面,我国"潜龙"系列与美国"Sentry"号和"REMUS"系列差距不大,但在小型潜水器协同化作业和系列化生产等方面存在不足;复合型潜水器方面,我国"海龙11000"号与美国"NEREUS"号和"NUI"号差距不大,但应提升载荷和冰下作业能力;水下滑翔机方面,我国"海翼"号与美国"Spray"号和"Slocum"号差距不大,且即将业务化应用;我国应通过完善海洋技术装备运行机制和积极开展海上科考航次任务,不断积累潜水器作业经验。     

基于不同BASE曲面的多波束水深数据处理分析

针对Caris HIPS软件自动滤波过程中创建的4种BASE曲面存在的差异,分析比较了4种曲面的构建原理及特点,探索了提高复杂地形曲面构建准确度的参数调整手段,并通过各BASE曲面与实测水深的符合度加以验证;通过相对典型的水深数据比较实验发现,在合理调整参数的情况下,CUBE面应用于多波束水深数据后处理方面具有较好效果;曲面及相应参数的调整可为数据后处理技术人员提供参考。     

深水黑匣子声信标快速搜寻定位方法研究

为了在深水海域快速地搜索黑匣子声信标信号,采用拖曳式声信标探测仪是目前采用的主要手段之一。分析了黑匣子声信标搜寻探测仪的国内外发展现状,研究了声信标搜寻定位的两种测量方法,在此基础上设计了多元圆型基阵的换能器,研制了拖曳式的搜寻声纳系统。提出了自远而近、逐步推进的快速搜寻三步走策略,使搜寻工作可以更加科学合理,对实际工作具有重要的指导意义。     

银河系后院的新朋友

发现那些被明亮天体的光芒淹没的暗天体,是天文学中最大的挑战之一。例如系外行星,由于它们比母恒星暗得多,所以极难探测到。另一个例子是星系(比如银河系),它也会挡住或者淹没它后面的大部分天体。为了获知我们银河系附近区域内的宇宙准确面貌,天文学家必须进行深度且精确的巡天(这些工作往往耗时巨大)和计算机模拟。正因为天文学观测越来越全面,天文学家才能够不断发现我们附近范围内的新天体。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题,本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先,将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本;然后,利用优化的U-Net网络进行模型训练得到最优模型;最后,利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明,本文方法引入nDSM数据用于U-Net模型训练和分类,可有效提高影像分类精度,得到更加真实可靠的分类结果。     

基于深度卷积神经网络的高分辨率遥感影像场景分类

场景分类对于高分辨率遥感影像的理解和信息提取具有重要意义。传统方法利用低、中级或语义特征来对影像的场景进行判别,但是针对高分影像涵盖的细节多、类别复杂等特点,中低层特征无法对影像语义进行准确描述。本文提出了一种基于深度卷积神经网络DCNN场景分类模型。首先利用卷积层对影像的纹理、颜色等低阶特征进行提取,然后利用池化层对重要特征进行筛选,最后将提取到的特征进行组合,形成高阶语义特征,利用高阶语义特征对高分影像进行场景分类。为了解决模型的过拟合问题,使用了数据增广、正则化及Dropout提高模型的泛化能力。本文方法在UC Merced-21取得了91.33%的准确率,相比于传统方法,有效地提高了分类精度,同时证明了深度卷积神经网络在遥感影像分类领域优越性。     

特征法视觉SLAM逆深度滤波的三维重建

针对现有特征法视觉SLAM只能重建稀疏点云、非关键帧对地图点深度估计无贡献等问题,本文提出一种特征法视觉SLAM逆深度滤波的三维重建方法,可利用视频序列影像实时、增量式地构建相对稠密的场景结构.具体来说,设计了一种基于运动模型的关键帧追踪流程,能够提供精确的相对位姿关系;采用一种基于概率分布的逆深度滤波器,地图点通过多帧信息累积、更新得到,而不再由两帧三角化直接获取;提出一种基于特征法与直接法的后端混合优化框架,以及基于平差约束的地图点筛选策略,可以准确、高效解算相机位姿与场景结构.试验结果表明,与现有方法相比,本文方法具有更高的计算效率和位姿估计精度,而且能够重建出全局一致的较稠密点云地图.     

新世纪版《国家普通地图集》中城市地图的研究与编制

当前,我国正在加快城镇化进程,新型智慧城市的建设对城市时空信息基础设施建设提出了更高的要求。为了充分展示我国城市发展现状和满足城市建设需要,新世纪版《国家普通地图集》专门设计和编制了城市图组。城市地图存在资料复杂、内容广泛、形式多样、标准不一、语义不清等问题,项目组采用数据挖掘、深度学习、语义空间匹配、粗差数据发现、数据检核等技术手段,对多元时空数据进行融合及综合处理,同时依据制图综合处理原则与专家经验,结合自动缩编和增量更新技术,生产图幅数据并建立图形数据库。然后采用数据库驱动制图技术,基于图形数据库和符号库实现自动配图,最后通过人工处理少量的协调关系和地图美化,制作完成城市地图。