多源卫星数据的农用地膜信息提取

地膜的大量应用使得我国农业生产力快速发展,随着使用量的逐年增长,其对环境的影响已经不容忽视。遥感影像分类技术是农用地膜监测的重要方法。本文基于FSO特征优选和面向对象随机森林分类方法,利用光谱、几何、纹理等特征设计多组试验方案,使用资源三号与Landsat卫星融合影像对甘肃中部地区进行了农用地膜提取。试验结果表明:(1)多特征融合方法的地膜信息提取精度明显高于单一特征提取方法;(2)采用FSO特征优选的试验方案的总体分类精度和Kappa系数分别达到90.2%和0.877,明显高于其他方案。这说明特征优选方法在降低特征空间维度的同时减少了特征干扰,有效提升了分类精度。     

遥感影像要素提取的可变结构卷积神经网络方法

针对利用经典卷积神经网络提取遥感影像地物要素的方法中,模型容量受既定网络固有结构的限制而难以得到良好提取效果的问题,提出利用可变结构卷积神经网络的遥感影像要素提取方法。该方法将结构搜索与权重求解过程统一,在定义卷积神经网络架构的基础上将其中的关键结构作为变量,并以要素提取精度指标作为目标函数,利用遗传算法求解网络结构,最后以该网络为模型提取遥感影像中的目标要素。相关试验表明,可变结构卷积神经网络具备灵活的模型容量,对遥感影像中目标要素的提取效果良好。     

RLandRight软件在农村土地确权数据质量检查中的应用

农村土地确权数据质量关系到后期维护管理与土地政策的实施及农民权益的保护,然而由于土地确权工作烦琐、经费支持不足、为降低成本而不按标准作业、影像资料分辨率低与现势性差等多方面原因,导致部分土地确权数据质量无法满足现行国家规范要求。本文分析了土地确权工作内容及图形与属性数据应该满足的条件和质量检查项目,基于ArcGIS平台及ArcEngine二次开发组件、空间图形关系判断算法、属性数据标准等研制了RLandRight农村土地确权检查软件,通过示范应用表明:可检查出图形与属性数据存在的问题,为数据修正提供依据;可保障土地确权数据质量,提高数据入库检查工作的效率。     

基于朴素贝叶斯的FY-4A/AGRI云检测方法

光学遥感云检测是定量遥感和遥感应用的基础, 尝试将朴素贝叶斯的机器学习方法应用于风云四号气象卫星A星(FY-4A)搭载的先进静止轨道辐射成像仪(AGRI)红外通道数据云检测。因辐射物理方法的云检测采用可见光通道导致存在日夜不连续现象,仅选取FY-4A/AGRI载荷7个红外通道的光谱数据,构建10种特征分类,利用正交偏振云-气溶胶激光雷达(CALIOP)与FY-4A/AGRI时空匹配数据,对不同地表类型和不同季节的数据集进行分类训练和验证。与CALIOP数据交叉验证显示除积雪上空云识别准确率约为81%,深海、浅水、陆地和荒漠上空的云识别准确率均高于92%,误判率基本低于10%,总体云识别精度达到90%;与2021年10月和2022年1,4,7月MODIS 2级云检测产品比对,深海、浅水云识别准确率均在88%以上,误判率分别低于3%和10%,夏季云识别效果最佳,总体云识别准确率高达90%。云检测结果不仅得到云、可能云、可能晴空和晴空4种分类结果,还得到每种特征和综合特征云检测分类器的不确定性概率值,这为云和地表相关检测产品提供重要参考。