基于Sentinel-2和Landsat卫星时序数据的耕地撂荒识别

充足的粮食供应是当下经济发展和社会稳定的重要保障之一,撂荒作为耕地边际化的极端表现,对其开展监测对保障耕地数量和质量至关重要。本文以四川省南充市营山县为研究区域,通过GEE平台,使用Sentinel-2和Landsat 7、8数据构建时序数据集,计算NDVI、EVI、NDWI、BSI、MSI等指数,分别利用支持向量机和随机森林法提取耕地撂荒,总分类精度为73.76%,Kappa系数为0.68,针对耕地撂荒最佳提取效果,F₁得分为0.691 1。本文方法对山地丘陵地区耕地撂荒监测有较大的借鉴意义。     

建筑物轮廓方向计算和规则化的向量重组算法EI北大核心CSCD

建筑物轮廓规则化是城市空间信息提取和应用的基础性研究,现有方法主要集中在对单一主方向的建筑物直角化,难以应对具有多方向特征的复杂建筑物及建筑群。对此,本文提出一种基于向量重组的建筑物轮廓方向计算和规则化方法,实现对建筑物轮廓方向的定量描述,并以方向向量为约束条件加强建筑物轮廓的规则特征。通过设计建筑物轮廓向量重组法则,经过分组变换、方向计算和直角改正,获得描述建筑物轮廓的方向向量。再以方向向量作为控制条件,求解旋转基点和调整节点坐标,最终实现建筑物轮廓规则化。试验与主方向法对比,结果表明本文方法在节点整体移动距离和算法稳定性方面更具有优势,通过规则化方法可进一步减小原始数据的误差。本文方法不仅有效解决了复杂建筑物轮廓方向计算和规则化的问题,而且能够适用于建筑群的方向计算和规则化。     

基于遥感影像的生产建设项目扰动图斑人机协同智能提取方法

水土保持生产建设项目扰动图斑解译工作多以人工目视解译方法实现,在实际工作中,存在效率低、成本高、主观性强等问题。本文提出了“智能提取模型+遥感监管协作平台”的生产建设项目扰动图斑人机协同智能提取框架,通过本底数据要素标注、数据增强等手段构建变化检测数据集,采用改进的U-Net++模型开展生产建设项目扰动图斑智能提取试验。结果表明,模型平均准确率为79.59%,面积召回率为80.90%。针对检测模型容易误提取伪变化和云雾遮挡区域,以及存在图斑破碎、轮廓不规整等问题,在自动提取成果的基础上构建了分布式并行协同解译平台,对扰动图斑进行增、删、补、检,并将最终结果作为新样本反馈给模型,进一步提升模型性能,形成样本与模型间的良性循环,提高了实际工作效率。     

多级索引框及移动向量联合的接触网提取方法

电气化铁道接触网的非接触式检测研究对保障铁道的安全运营具有重要意义,检测工作需要大量的精确接触网点云数据支持,目前存在接触网部件间不易分割导致难以提供精确接触网点云数据支持的问题。针对该问题,本文提出了多级索引及移动向量联合的接触网提取方法。首先利用多级索引框简化铁道场景数据;然后通过轨迹线构建提取通道获取支柱底部中心点集,以计算沿轨移动向量;最后进行二级索引框的姿态调整,实现接触网的准确提取。本文设计了参数分析与对比试验,在10 km铁道场景中进行试验分析。结果表明,本文算法对接触网提取的查准率、查全率、F1均在约99%,均优于参照算法,表明本文算法能够适应复杂场景。     

非视距环境下基于PSO-SVM和RAIM的UWB定位方法

针对室内定位过程中超宽带(UWB)信号容易受到非视距(NLOS)环境的影响从而降低定位的精度和稳定性的问题,该文提出了基于粒子群优化支持向量机(PSO-SVM)和自主完好性监测(RAIM)的误差识别算法,通过粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化,将优化后的支持向量机模型用于UWB NLOS信号的识别,并利用自主完好性监测算法将异常的UWB测距值剔除。实验结果表明,该文算法能够对NLOS信号进行准确的识别,并有效提升了NLOS环境下UWB定位的精度及稳定性,平面定位误差可控制在0.26 m以内,东、北方向的均方根误差分别为0.09、0.11 m。     

利用遗传优化LSSVR进行导航卫星钟差预报

为提高导航卫星钟差预报的精度,提出了一种最小二乘支持向量回归(LSSVR)和遗传算法(GA)相结合的导航卫星钟差预报方法。根据卫星钟差序列变化的非线性特征,选用高斯径向基函数(RBF)建立卫星钟差LSSVR预测模型。针对LSSVR模型的参数选择问题,引入GA对不同星座以及原子钟类型预测模型的参数进行搜索寻优。该方法能够在较大范围内自动确定优化参数,提高LSSVR的泛化性能。将所提出的方法用于GPS卫星钟差的短期预报,并与常规预报方法进行对比。结果表明,GA-LSSVR模型对不同星座以及原子钟类型钟差预报均表现出良好的稳健性,能够在一定程度上抑制钟差预报误差随时间延长不断增大的问题,整体预报精度优于常规方法。     

模糊支持向量机和变化矢量分析相结合的矿区土地覆盖变化检测

针对目前土地覆盖变化检测常用的方法存在不同程度的误差累积,夸大了变化区域,提出模糊支持向量机(FSVM)和变化矢量分析(CVA)相结合的土地覆盖检测方法。以某矿区2004年和2008年两期的CBERS遥感影像进行了试验。结果表明,植被大幅减少,其他地类都有不同程度的增加,主要是由于开采规模和产量提升所致。通过与常规的其他两类方法比较发现,本文方法的总体精度、Kappa系数、漏检误差和虚检误差分别为92.67%、0.892 7%、5.79%、7.31%,比其他两种方法有较大提高,能够提供较全面的变化类别和准确信息,可以有效地应用于矿区土地覆盖动态监测。     

多特征差分核支持向量机模型的湿地变化检测

文章通过对不同特征空间、不同时相信息和不同类别引入多核函数组合和类别加权方式,构建了基于多特征差分核的加权支持向量机变化检测模型,能够获得平衡样本大小、综合多特征空间的变化检测结果.以上海崇明岛东端地区为例,利用4期ETM+/TM影像数据,基于构建的SVM变化检测模型,最终得到研究区湿地资源的空间变化格局,结果表明检测模型能够有效、准确地提取多种湿地变化类别的空间分布信息;并从景观水平上对检测结果进行格局分析,为湿地保护和管理提供科学参考.     

改进的P-SVM支持向量机与遥感数据分类

本文介绍了将P-SVM算法引入多光谱/高分辨率遥感数据的分类, 并且展示了卫星ASTER和航空ADS40数字影像分类的技术过程和结果验证。结果表明：P-SVM方法的分类精度不低于SVM, 并减少了时耗。     

无惩罚系数SVM高光谱影像分类算法研究

惩罚系数是支持向量机(SVM)机器学习中的一个重要参数,它的设置对分类结果有很大影响。但它没有规律可循,高光谱影像数据量大、数据复杂,为其选择合适的惩罚系数非常困难。提出无惩罚系数的SVM算法,利用最近点算法(NPA)计算二分类,对错分数据不设惩罚系数,而是对其重新构造凸集,计算最优超平面,迭代循环直到错分率达到所设的阈值为止。此算法简化了计算过程,降低了误分率。最后用AVIRIS高光谱影像进行实验,实验效果显示,本算法的分类精度和速度都得到很大提高。