A-FPN算法及其在遥感图像船舶检测中的应用

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

新冠病毒疫情期间复工复产卫星遥感监测

本文利用美国新一代极轨卫星NPP搭载的VIIRS载荷数据反演获得的热点数据,以及美国NASA的Aura卫星搭载的OMI载荷的二氧化氮对流层柱浓度资料,对中国地区2020-01—02及2019年同期,以及抗击疫情期间和后期复工复产的情况进行监测。监测结果表明：（1）2020-02较1月份及2019年同期相比,工业企业的耗能水平却出现显著降低,NO₂浓度呈现显著下降趋势。（2）全国工业热源点数和分布范围及密度自2020-02-03正式复工后稳步提升。湖北省除武汉、黄石和鄂州地区仍可监测到少数热点外,其他地区2月份均未再监测到任何热点,也证明了湖北基本没有复工迹象。（3）疫情得到基本控制之后,京津冀地区工业热源点有显著增加,但新增区域一般仍处于低能耗水平。从全国大气NO₂柱浓度监测来看,复工开始前后与2019年同期相比,污染物浓度均呈现明显下降趋势,说明复工强度有限。（4）到3月初工业热源点及其能耗水平出现显著升高,中国大部分地区的热源企业虽已逐步复工生产,说明工业产能较2月有显著提升,但生产规模或产能并未完全恢复。     

ASTER GDEM V2的南极冰川高程误差校正及精度分析

ASTER GDEM V2是研究南极冰盖表面的一种重要DEM数据源。由于南极冰雪区反射率高且缺乏地形特征,导致ASTER GDEM V2存在大量的坑、隆起等噪声,难以直接用于南极地形分析。本文以ICESat/GLAS激光点高程数据作为参考,采用修正等高线法对南极伯德（Byrd）冰川ASTER GDEM V2进行了误差校正,并将其与ICESat-1 DEM的垂直精度进行了对比分析。结果表明：ASTER GDEM V2的RMSE由校正前的26.56 m下降到校正后的18.77 m,远低于ICESat-1 DEM的RMSE（121.24 m）;校正后的ASTER GDEM V2高程精度受坡度影响较小,不存在明显的系统误差,而ICESat-1 DEM的高程精度受坡度的影响较大。本研究进一步通过地形剖面分析得到：校正前的ASTER GDEM V2噪声主要分布于高程较低、地形平坦的区域,通过修正等高线的方法可以有效去除这些噪声,去除噪声后的ASTER GDEM V2可作为研究伯德冰川理想的DEM数据源。     

机载光学全谱段遥感林火监测

森林火灾是一种危害极大的自然灾害,是森林扰动的主要类型之一,直接影响森林生态系统结构、碳循环甚至全球气候的变化。近年来,航空平台和传感器的技术进步有效地提升了机载遥感系统探测和监测森林火灾的能力,推动了机载遥感在森林可燃物调查及载量评估、火险测报预测、火场态势及火情监测、灾害损失评估以及火烧迹地生态修复治理等方面的应用。本文首先介绍了中国林业科学研究院机载光学全谱段遥感系统CAF-LiTCHy（Chinese Academy of Forestry’s LiDAR,Thermal,CCD and Hyperspectral airborne observation system）,描述了激光雷达扫描仪、热红外相机、CCD相机和高光谱传感器等传感器的参数;然后,阐明了集成方案和观测数据的处理方法;最后,以四川省西昌市“3.30森林火灾”作为该系统火后灾情遥感调查和灾情评估应用示例,综合多传感器数据特征,进行森林火烧程度评价,分析该系统采集的正射影像、冠层高度模型、高光谱影像、热红外影像在森林火灾监测评价中的潜力。研究结果表明CAF-LiTCHy机载遥感观测系统能有效获取森林火灾的灾情信息、火场及火环境参数,可为预防、预报预警、扑救指挥、灾害评估和生态修复提供支持。     

海量遥感影像数据共享服务系统的工作流程

作为重要的地理信息资源的遥感影像,数据量非常庞大,数据结构和组织也很复杂,这对于数据库管理技术提出了更高的要求。江苏省测绘工程院与北京博思科空间信息技术有限公司联合开发了海量遥感影像数据共享服务系统,就是为了有效地进行海量影像的数据录入、管理、浏览、处理和发布,所定制的专用工具。本文主要就系统开发采用的工作流程进行介绍和探讨。     

一种支持数据发现及服务集成的遥感影像元数据模型设计

针对数据共享模式发展的要求,在分析遥感影像元数据模型研究现状的基础上,将传统静态的数据集元数据与动态的数据服务元数据相结合,提出了一种适用于计算机动态发现数据并集成数据服务的遥感影像元数据模型.基于该模型进行了"Machine to Machine"模式的遥感影像数据共享实验,验证了模型的合理性和有效性.     

青藏高原近30年来现代冰川面积的遥感调查

以1960~1970年间1∶10万比例尺地形图、1975年MSS数据和2000年前后ETM数据为信息源,采用现代遥感技术,按自然山系对青藏高原现代冰川面积进行调查,基本查明了各山系内现有冰川的面积以及近30 a来冰川面积减少的数量:青藏高原现有冰川面积46 887.23 km2,减少了3 941.68 km2,年均减少131.4 km2。     

利用MapMatrix快速测制困难地区大比例尺地形图

我国西部困难测区由于受地理环境、经济发展和测绘技术水平的限制,现有的各种系列比例尺地形图,年代久远,现势性差,而且大、中比例尺的地形图严重空缺。采用传统的作业方法测图的周期长、作业效率低,针对这一现状,利用高分辨率遥感影像和MapMatrix软件,创造性地通过等高线内插、拾取控制点,缩短了地形图的成图周期。经过几个项目的完成,精度达到了图示标准和规范的要求。     

顾及多分辨率特征的复合字典城中村识别方法

城中村作为一种特殊的城市聚落类型,对其进行精确有效的监控识别有助于实现城乡协调发展、优化城乡生态环境。现有面向对象的城中村识别方法通常需要大量样本数据,导致训练成本较高,数据更新效率偏低。针对以上问题,本文提出了顾及多分辨率特征的复合字典城中村识别方法。首先通过密集格网采样提取尺度不变特征转换(SIFT)全局特征,并与多分辨率颜色矢量角直方图特征融合,形成视觉词典;然后将影像表示为视觉词频率直方图;最后使用随机森林分类器进行分类,以实现场景尺度的城中村识别。以高分二号影像为测试数据对该方法进行验证,结果表明,其总体精度达90.08%,Kappa系数达80.16%,相较于加速稳健特征(SURF)、SIFT、VGG16、ResNet50,总体精度分别高出8.99%、3.51%、4.78%、2.28%。