全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取

条件随机场模型由于其较强的上下文信息建模能力,被广泛应用于建筑物提取任务中。然而,面对高分辨率遥感影像丰富的地物信息,基于条件随机场的提取方法存在建筑物边界模糊的问题。本文提出了一种全局局部细节感知条件随机场框架,该框架提出全局局部一体化D-LinkNet,在有效利用多尺度建筑物信息的同时保留局部结构信息,解决了传统条件随机场一元势能丢失边界信息的问题。同时,该框架融合分割先验以缓解建筑物类内光谱差异较大的影响,利用更大尺度的上下文信息来精确提取建筑物,并引入局部类别标记代价从而保持细节信息以获取清晰的建筑物边界。实验结果表明,该框架在WHU卫星和航空数据集上的精度评价指标均优于其他对比方法,其IoU分别达89.82%和91.72%,对于复杂场景下的建筑物信息能够获得较好的提取效果。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

珞珈一号夜间灯光数据的福建省人为热通量估算

夜间灯光数据是估算人为热通量（AHF）的重要数据,但当前应用最广的DMSP/OLS和Suomi-NPP/VIIRS夜间灯光数据由于受限于粗糙的空间分辨率,而无法刻画城市内部的AHF分布细节。中国2018年6月发射的Luojia 1-01卫星所获取的130 m高空间分辨率夜间灯光数据,则有望解决这一问题。因此本文利用Luojia 1-01夜间灯光数据,通过将统计年鉴中的能源统计数据细化至福建省84个县（市、区）,然后与3个夜间灯光指数（NTL_nor、HSI、VANUI）进行回归分析,分别构建了基于这3个指数的福建省AHF空间估算模型,并采用交叉验证法对其进行筛选。结果显示：（1）在3个指数中,基于VANUI的乘幂估算模型的R²最高,且RMSE最小,因此精度最高;（2）利用VANUI乘幂估算模型反演得到的2018年福建省年均AHF为0.88 W/m²,其中厦门市的年均AHF最高,达10.98 W/m²,泉州、莆田、福州、漳州等沿海城市次之,年均值在0.98—1.95 W/m²,而宁德、龙岩、三明、南平等城市的AHF则较低,均值在0.38—0.46 W/m²;（3）Luojia 1-01夜间灯光数据可以揭示城市内部的AHF分异细节。根据用地属性和功能的不同,AHF数值表现为：城市集中商业区>大型市政公共设施区>城市主干道>城市住宅区>近郊住宅区。研究表明,基于Luojia 1-01夜间灯光数据建立的AHF估算模型可以较好地揭示城市尺度AHF的空间分异情况。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

基于分类回归树分析的遥感影像土地利用／覆被分类研究

以专家知识和经验为基础,综合影像光谱信息和其他辅助信息进行分类的基于知识的遥感影像解译方法,是提高遥感影像分类精度,实现自动解译的有效途径之一。然而,知识的获取一直是其得以广泛应用的“瓶颈”问题。以江苏省江宁试验区土地利用/覆被分类为例,利用分类回归树分析(CART)从训练样本数据集中发现分类规则,集成遥感影像的光谱特征、纹理特征和空间分布特征进行分类实验,并与传统的监督分类和逻辑通道分类方法进行比较。结果表明,基于CART的分类方法的精度基本在80%以上,与另两种方法相比,有了较大的提高,而且该算法复杂性低,效率高。由此说明,利用CART算法构建决策树获取的分类规则是合理的。它可以快速、有效地获取大量分类规则,是促进基于知识的遥感影像分类方法在土地利用/覆被分类中广泛应用的一项有效手段。     

高分辨率遥感影像提取道路的方法综述与思考

 介绍了高分辨率遥感影像上道路的特征、模型和道路提取的基本思想，对已有的道路提取方法进行了分析，并对道路提取问题进行思考，提出下一步的研究方向。     

一种适用于低空影像的数字表面模型自动获取方法

无人飞行器系统获取的低空影像数据往往倾角大、像幅小且重叠度不规则,同时在灰度与比例尺上可能不一致.针对其特点,提出了一种适用于低空影像的数字表面模型自动获取方法.首先,采用影像水平纠正、构建金字塔、Wallis滤波以及Harris特征提取等方法对低空影像进行匹配预处理;然后,对经预处理的多级影像采取由粗到精的匹配,再基于低空影像高重叠度的特点进行三视检核以剔除误匹配点;最后采用近邻内插生成规则格网的数字表面模型.试验表明,该方法有效可行,生成的数字表面模型产品精度较高,对于改进现有的生产流程具有一定的实际意义.     

矿山开采沉陷专题信息表达新模式

针对矿山开采沉陷所引发的地表形变信息表达和准确制图问题,该文结合遥感影像与地形图等数据,基于矿区开采沉陷变形预计结果和三维可视化方法,对矿山开采沉陷专题信息表达及其GIS制图新模式进行了探究。实现了矿区地表下沉、水平移动、水平变形、倾斜和曲率的形变信息应用分析与可视化,以及下沉盆地水淹范围模拟图、三维地表变形影像图、特定区域变形分析图、采动损坏等级分布图等制图功能。     

集成Landsat OLI和机载LiDAR条带数据的亚热带森林生物量制图

以亚热带天然次生林为研究对象,借助一个条带的少量LiDAR点云数据和覆盖整个研究区的免费Landsat OLI多光谱数据,并结合地面实测数据,探索森林生物量低成本高精度制图方法。首先,提取了OLI和LiDAR特征变量,并与地上和地下生物量进行相关分析以筛选变量;然后,借助LiDAR数据覆盖区的样地和条带LiDAR数据构建"LiDAR生物量模型";再从LiDAR反演生物量的结果中进行采样,结合OLI特征变量构建"LiDAR-OLI模型";最后,与单独使用OLI多光谱数据建立的"OLI估算模型"结果进行比较,分析精度并验证新方法的效果。结果表明,"LiDAR-OLI模型"对地上和地下生物量的模型拟合效果较好且均优于"OLI模型",且其交叉验证的精度也较高并优于"OLI模型",从而证明了新方法的可靠性及有效性。本研究为主、被动遥感技术在中小尺度上协同反演森林参数提供了实验基础,也为基于全覆盖免费OLI多光谱数据及条带LiDAR数据的低成本森林生物量制图探索了技术路线。     

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。