深度卷积神经网络的遥感影像水体识别

从遥感影像中准确识别水体信息对水资源管理和洪涝灾害监测有重要意义。目前,传统遥感水体识别方法仍存在着不足,难以满足实际应用中的精度要求。近年来,卷积神经网络CNN (Convolutional Neural Network)的快速发展,为高分辨率遥感水体识别提供了新的思路。本文基于高分一号卫星数据,利用DenseNet、ResNet、VGG、HRNet等CNN模型和传统的归一化差异水体指数（NDWI）进行洪泽湖地区不同季节的水体识别,并采用精确度（P）、召回率（R）、F1分数和误判率（MRate）等指标来评价各种方法的水体识别能力。在DenseNet经典结构中加入了上采样过程和跳层连接结构,以解决梯度爆炸和梯度消失问题;采用OSTU方法确定NDWI的最优阈值,以降低水体识别的不确定性。得出主要结论如下：（1）所有CNN网络模型的水体识别效果都显著优于传统NDWI方法;例如,NDWI识别的精确度仅为0.779,而所有CNN网络模型的识别精确度均高于0.922。（2）改进后的DenseNet模型有效缓解了梯度爆炸与梯度消失的问题,其水体识别结果在识别精确度P(0.960)和误判率（0.04...     

伽马天文观测技术综述

伽马射线作为宇宙中极端事件的独特探针,探测伽马射线是人们了解宇宙构成、星体演化和宇宙线起源等的重要途经.伽马天文涉及了宇宙中的各种前沿科学问题并且观测所需能谱跨度极宽(102 keV–102 TeV),针对不同的科学目标和细分谱段,必须利用不同的伽马望远镜探测技术.总结了空间和地面的共5大类伽马射线观测技术,分别是编码孔径望远镜、康普顿望远镜、电子对望远镜、成像大气切伦科夫望远镜和广延大气簇射阵列;回顾了70 yr来在观测设备和技术进步的推动下伽马射线天文学领域的巨大进展,其中包含高能和甚高能谱段取得的大量成就,中低能段由于已有观测任务有限以及灵敏度低,超高能和极高能段由于观测难度大、起步时间晚,数据和成果相对其他谱段产出较少;展望了未来已经规划的伽马望远镜任务、能力及预期科学产出,其中,中低能段空间望远镜增强型ASTROGAM望远镜(e-ASTROGAM)、全天区中能伽马射线观测站(AMEGO)和甚高能段地面望远镜阵列高海拔宇宙线观测站(LHAASO)、切伦科夫望远镜阵列(CTA),由于灵敏度较同谱段已有任务灵敏度有大幅提升,极有可能在20 yr内从不同角度再度扩展人类对伽马宇宙的认知.