整体最小二乘线性回归模型与算法

从平差模型的角度,研究整体最小二乘线性回归模型条件平差与间接平差的解算方法,并在理论上证明两种解算方法的等价性。最后通过算例验证解算方法的正确性。     

基于CBERS的黄河湿地生物量反演研究

本研究以黄河湿地郑州段为研究区,利用RS与GIS技术,基于2009年5月7日获得的CBERS 2B卫星CCD多光谱遥感影像和地面实测植被生物量信息,采用回归算法构建反演模型,经对比分析得到最优计算模型。结果表明,反演模型计算精度达到86.32%,利用CBERS 2B卫星CCD多光谱遥感影像可满足植被生物量的反演需要。     

基于MODIS的巢湖叶绿素a空间分布

利用MODIS影像数据,对水华现象出现的重要物质——巢湖水体叶绿素a信息进行反演。在对数据进行预处理后,采集影像相应位置的像元灰度值,与现实中在对应位置观测的湖水叶绿素a浓度进行相关性拟合分析,得到叶绿素a浓度与像元灰度值的相关性方程与相关系数。在建立相关性模型时采用了单波段和波段比值法,得到的最高相关系数为R2=0.881 8,表明利用这种方法反演巢湖水体叶绿素a浓度空间分布具有一定的可靠性。选择相关系数性较高的2个拟合方程反向演算MODIS影像,最后成功得到巢湖湖面当日叶绿素a浓度分布状况图,为巢湖防治水华发生提供了比较准确可靠的信息。     

基于改进DeepLabV3+算法的遥感影像建筑物变化检测

变化检测是遥感测绘领域的重要任务,作为执法依据,在耕地非农化等场景监测中发挥重大作用。近年来,使用人工智能相关技术进行变化检测,常见的技术方案为叠加两期影像,再使用语义分割算法求解变化区域。本文使用变化检测数据集LEVIR-CD作为试验数据,在DeepLabV3+算法基础上,针对变化检测场景特点,对模型结构进行改进。以DeepLabV3+的孪生网络为主干,使用多层级特征交互操作,充分融合图像特征。结果表明,改进的网络结构更加适合变化检测任务场景。     

海底底质分类支持下的WorldView-3多光谱影像浅海海域水深反演

近几十年来,基于遥感影像进行水深反演一直是国内外学者研究的热点。本文使用WorldView-3高分辨率卫星影像,结合卫星测高数据,以中国海南岛附近的蜈支洲岛及其附近海域为主要研究区域,在进行数据预处理、底质分类之后,分别通过多元线性回归模型、Stumpf对数比值模型和BP神经网络集中对岛屿周围0～20 m水域的水深进行反演和结果分析。结果证明,对这3种模型而言,在进行底质分类之后精度都会明显提升。其中,BP神经网络反演水深精度最高(均方根误差范围为0.2～0.7 m),多元线性回归模型次之(均方根误差范围为0.3～0.8 m),对数比值模型精度最低(均方根误差范围为0.6～1.1 m)。     

深度学习遥感影像解译技术在耕地保护中的应用

耕地保护事关国家粮食安全、生态安全和社会稳定,是国计民生的头等大事。深度学习技术在海量数据分析领域的广泛应用,为高效、精准的遥感影像解译提供了技术基础。本文研究了基于深度学习的遥感影像解译技术,利用遥感影像数据和对应的矢量数据构建了可供训练的解译样本库,并提出了一种基于深度残差网络结构的解译模型。通过试验证明了该模型的实用性,实现了对试验区域主要地类面积的变化监测,对比多期影像解译结果和增减挂钩等业务数据,验证了耕地复垦的实施情况。结果表明,深度学习遥感影像解译技术在耕地保护领域有较广泛的应用前景。     

基于深度和广度优先算法相结合的闭合环自动搜索方法研究

搜索闭合环、附合路线是测量控制网验前精度评定和粗差探测的重要内容。文中结合数据结构相关知识,在已有的基于深度优先算法搜索闭合环的基础上,提出一种利用深度优先和广度优先算法相结合的自动搜索控制网闭合路线、附合路线的搜索方法,与传统搜索方法相比,搜索速度有很大提高。     

结合自注意力机制的多特征融合点云语义分割网络

由于三维激光点云的无序性、稀疏性、非结构性以及光谱纹理信息缺乏,使得点云的语义信息提取十分困难,而可以直接对原始非结构化点云进行语义分割的PointNet++网络无法考虑点云的空间相关性。针对这个问题,本文提出了一种结合自注意力机制的多特征融合点云语义分割网络,使用PointNet++和非局部信息统计注意力模块分别提取点云的多尺度特征和空间相关性特征,并融合两种特征以进行最终的点云分割。通过在ISPRS 3D语义分割数据集上进行对比实验,证明本文通过自注意力机制提取的空间相关性特征优于人工设计的特征,可以明显提高点云语义分割的精度,本文方法较PointNet++总体精度提升了4.5%。     

基于深度学习与随机森林的PM2.5浓度预测模型

针对PM_2.5浓度预测中传统机器学习算法无法对数据内部隐藏特征进行深层次挖掘,而深度学习算法在数据较少情况下效果不佳的问题,综合考虑深度学习与随机森林的特点,提出一种基于深度学习与随机森林的PM_2.5浓度预测组合模型。模型以气溶胶光学厚度(AOD)遥感数据、气象再分析数据和PM_2.5地面观测数据构建训练数据集,通过深度学习方法对训练数据内部深层次隐含特征进行提取,将提取得到的隐含特征用于随机森林模型训练,并使用随机森林回归算法得到PM_2.5浓度的预测值。为验证方法的有效性,以河南省区域2018年—2019年的PM_2.5浓度估算为例,将原始特征与利用CNN、LSTM和CNN＿LSTM所提取特征共同构建的新特征分别通过随机森林回归、支持向量回归以及K近邻回归等3种传统机器学习方法进行训练和预测。实验结果表明,在较少数据情况下PMCOM模型无论是在整体预测还是在分季节预测场景下均具有较好的预测精度,其中以LSTM为特征选择器,RF为回归器的组合模型是本实验的最优模型,在即使只有35%...     

多体制遥感卫星成像数据高精度处理新方法

光学和SAR等对地观测卫星需要经过成像、辐射/几何校正等处理和不断的时序积累,才能为计算机解译提供精度高、稳定性好、时间持续的数据和特征。传统中低分辨率对地观测卫星通常基于地理网格内地物目标电磁波散射特性简化为理想点目标的假设,进行逐像素处理。然而,高分宽幅、大斜视、多通道等新体制卫星的工作模式更加复杂,其数据处理对星地全链路各环节产生的误差非常敏感,对成像参数标定或估计的精度提出了更高要求,此时基于理想点目标假设来进行参数估计、成像及校正处理的方式已难以满足处理精度要求。并且,近年来多体制卫星组网式协同和融合应用的新发展,也使得当前的理想点目标假设难以表征和建模多源多时相数据特征。为此,本文提出了多体制遥感卫星成像数据高精度处理的新方法,首先创新提出了“超像素”的概念和表征理论框架,建立了基于超像素的精确成像模型,然后通过挖掘超像素稳定特征并借鉴生成对抗学习机制,实现了星地全链路高耦合成像参数的高精度估计和持续精化,有效提升了多体制遥感卫星成像数据产品的精度,为计算机解译提供了好的数据产品输入。