两种测高重力异常反演海底地形方法比较

针对基于测高重力异常反演海底地形理论众多、选取标准无法确定的情况,利用中国南海海域内的测高重力异常和船测水深数据研究比较了重力地质法(GGM)和SmithSandwell (SAS)法两种精度高、计算速度相对较快的海底地形反演理论。其中,GGM方法的密度差异常数Δρ由向下延拓技术确定为2.15 g·cm-3,SAS方法采用移去-恢复技术得到反演波段内重力异常和水深数据。结果表明:测线分布条件一定时,水深多在-1 000 m左右或反演区域岛礁、海山等复杂海底地形较多时选取SAS方法,水深主要在-3 000 m以深的区域或海底地形复杂程度不高时选取GGM方法则能获取更好的效果,其效果最优处与船测水深在检核点处的差值最优平均值能达-0.61 m,标准差可达14.67 m。     

基于核函数NPSSB模型的HY-2A卫星雷达高度计海况偏差研究

利用机器学习的方法,对14个周期HY-2A卫星高度计数据:风速、有效波高和海面高度差值进行训练,探究海况偏差和风速、有效波高之间的关系,创建海况偏差核函数非参数模型(NPSSB),并与参数模型中具有代表性的BM3、BM4模型进行对比。研究表明:(1)核函数NPSSB模型能够很好的反映SSB与U、SWH之间的关系,SSB与U呈二次函数关系,SSB与SWH呈反比例函数关系;(2)核函数NPSSB模型对SSB的模拟能力与训练数据集相关,数据量越多,模拟能力越好;(3)核函数NPSSB模型与BM3、BM4模型都存在0^-0.03 m的差值,随着风速和有效波高的增加,差值的绝对值越大。     

遗传算法优化的BP神经网络卫星钟差预报

针对BP (Back Propagation)神经网络模型预测卫星钟差中权值和阈值的最优化问题, 提出了基于遗传算法优化的BP神经网络卫星钟差短期预报模型, 给出了遗传算法优化BP神经网络的基本思想、具体方法和实施步骤. 为验证该优化模型的有效性和可行性, 利用北斗卫星导航系统(BeiDou navigation satellite system, BDS)卫星钟差数据进行钟差预报精度分析, 并将其与灰色模型(GM(1,1))和BP神经网络模型预报的结果比较分析. 结果表明: 该模型在短期钟差预报中具有较好的精度, 优于GM(1,1)模型和BP神经网络模型.     

Regional soil organic carbon prediction model based on a discrete wavelet analysis of hyperspectral satellite data

Most studies have the achieved rapid and accurate determination of soil organic carbon (SOC) using laboratory spectroscopy; however, it remains difficult to map the spatial distribution of SOC. To predict and map SOC at a regional scale, we obtained fourteen hyperspectral images from the Gaofen-5 (GF-5) satellite and decomposed and reconstructed the original reflectance (OR) and the first derivative reflectance (FDR) using discrete wavelet transform (DWT) at different scales. At these different scales, as inputs, we selected the 3 optimal bands with the highest weight coefficient using principal component analysis and chose the normalized difference index (NDI), ratio index (RI) and difference index (DI) with the strongest correlation with the SOC content using a contour map method. These inputs were then used to build regional-scale SOC prediction models using random forest (RF), support vector machine (SVM) and back-propagation neural network (BPNN) algorithms. The results indicated that: 1) at a low decomposition scale, DWT can effectively eliminate the noise in satellite hyperspectral data, and the FDR combined with DWT can improve the SOC prediction accuracy significantly; 2) the method of selecting inputs using principal component analysis and a contour map can eliminate the redundancy of hyperspectral data while retaining the physical meaning of the inputs. For the model with the highest prediction accuracy, the inputs were all derived from the wavelength range of SOC variations; 3) the differences in prediction accuracy among the different prediction models are small; and 4) the SOC prediction accuracy using hyperspectral satellite data is greatly improved compared with that of previous SOC prediction studies using multispectral satellite data. This study provides a highly robust and accurate method for predicting and mapping regional SOC contents.     

BDS卫星钟差半参数平差模型异常数据探测与处理

针对北斗卫星钟差数据中出现钟跳、粗差等异常数据频次较高的问题,将半参数平差模型引入BDS的钟差数据的处理过程中。首先,在考虑系统误差的同时,改进了常用的钟差模型;其次,综合考虑异常数据和系统误差,利用补偿最小二乘原理和极值求解方法,详细推导了分离异常数据前后参数和非参数估计值与相应观测值改正数的关系表达式,实现了异常数据的定值、参数求解和系统误差分离。在此基础上,引入Cook距离,给出了利用参数分量和非参数分量的Cook距离及混合Cook距离,去判断异常值的位置,并给出了一些参数的选取方法及相应的处理措施,实现了卫星钟差异常数据的定位和定值以及部分系统误差的分离。最后,采用武汉大学GNSS中心提供的采样间隔为5 min的北斗卫星精密钟差数据,将本文方法与常用方法进行了试验对比。试验结果表明,本文方法能够有效地识别并处理卫星钟差数据中的异常值,有效克服了基于经验阈值钟差异常数据探测方法的不足,且该方法对于量级较小的异常钟差数据也有很好的探测效果,一定程度丰富了现有的BDS钟差数据质量控制方法。     

波段选择协同表达高光谱异常探测算法

高光谱遥感影像具有光谱分辨率极高的特点,承载了大量可区分不同类型地物的诊断性光谱信息以及区分亚类相似地物之间细微差别的光谱信息,在目标探测领域具有独特的优势。与此同时,高光谱遥感影像也带来了数据维数高、邻近波段之间存在大量冗余信息的问题,高维度的数据结构往往使得高光谱影像异常目标类和背景类之间的可分性降低。为了缓解上述问题,本文提出了一种基于波段选择的协同表达高光谱异常探测算法。首先,使用最优聚类框架对高光谱波段进行选择,获得一组波段子集来表示原有的全部波段,使得高光谱影像异常目标类与背景类之间的可分性增强。然后使用协同表达对影像上的像元进行重建,由于异常目标类和背景类之间的可分性增强,对异常目标像元进行协同表达时将会得到更大的残差,异常目标像元的输出值增大,可以更好地实现异常目标和背景类的分离。本文使用了3组高光谱影像数据进行异常目标探测实验,实验结果表明,该方法与其他现有高光谱异常目标探测算法对比,曲线下面积AUC(Area Under Curve)值更高,可以更好地实现异常目标与背景分离,能够更有效地对高光谱影像进行异常目标探测。     

基于多分辨率分析的GF-5和GF-1遥感影像空—谱融合

针对空间分辨率比率较大尺度差异下的高分五号(GF-5)与高分一号(GF-1)卫星影像的空—谱融合问题,提出多传感器影像融合策略:一方面,通过现有空—谱融合方法的分步融合得到融合影像;另一方面,在分步融合理论基础上,推导得出一体化融合基础框架,并进一步提出基于多分辨率分析的多传感器一体化融合方法,缓解现有方法因空间分辨率比率过大导致影像空、谱互补信息难以有效集成的问题。其中,提出的一体化融合方法基于调制传递函数MTF (Modulation Transfer Function)滤波对多传感器影像空间(高频)和光谱(低频)分量进行分解提取,并充分考虑多传感器高空间分辨率影像与高光谱分辨率影像之间的关系,以及高光谱分辨率影像波段间关系,设计合理的融合权重,最终可得到具有最高空间分辨率和最高光谱分辨率的融合影像。通过GF-1全色影像、GF-1多光谱影像、GF-5高光谱影像数据对提出方法进行实验验证,结果表明:本文方法可有效集成多传感器影像间的空、谱互补信息,得到较优融合结果。     

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。     

卫星测高数据监测青藏高原湖泊2010年—2018年水位变化

青藏高原湖泊水位变化是气候变化和生态环境变化研究的重要指标。随着Cryosat-2观测数据的日益丰富和处理技术的提升,可以有效监测更多湖泊的水位变化信息。本研究构建了基于噪声去除技术、改进的波形重跟踪处理算法（ImpMWaPP）和误差混合动态模型为一体的高精度湖泊水位序列提取方法,利用Cryosat-2 SARIn数据获取到133个青藏高原湖泊2010年—2018年的高精度水位序列,并分析了这些湖泊水位变化的时空变化特征。总体上,青藏高原湖泊的水位继续呈上升趋势,但上升速度较2003年—2009年趋缓,年均变化率0.159 m/a。从地域分布上,北部湖泊的水位上升最为显著,而南部湖泊的水位则趋于稳定。从时间上,2010年—2012年和2016年—2018年,大多数湖泊的水位呈现快速上涨,而其他时间水位相对稳定或略有下降。     

科尔沁湿草甸参考作物蒸散发模拟分析

为探明气候变化下干旱半干旱地区湿草甸参考作物蒸散发(ET₀)影响因子,使用FAO 56 P-M模型对科尔沁湿草甸ET₀进行模拟,利用涡度相关系统对模型的适用性进行评价,并通过通径分析及指标敏感性分析对ET₀的影响因子进行辨识。结果表明:(1)小时尺度模拟精度最高,日尺度次之,月尺度较差,小时尺度上晴、阴、雨3种天气条件下模拟效果不同,晴天最优,阴雨天较差。(2)ET₀年内变化呈单峰曲线状,生长季明显高于非生长季,集中在3—10月,占全年89.79%。生长季典型晴天ET₀逐小时分布特征遵循倒“U”单峰型变化规律。(3)通径分析结果显示,对ET₀的通径系数以及对回归方程估测可靠程度E的总贡献均表现为VPD(饱和水汽压差) > T_min(最低气温) > R_n(冠层表面净辐射)>u₂(2 m高度风速),即VPD为影响ET₀最重要的因子;指标敏感性分析中,在去除VPD后引起的E变化最大,说明ET₀对VPD的变化最为敏感,其次为u₂、T_min和R_n。